L’IA est en train de bouleverser la donne dans l’industrie manufacturière. Allant de l’amélioration de la productivité à celle de la qualité des produits finis, son potentiel est immense. Voici trois cas d’implémentation avec des résultats spectaculaires.
Lors de son enquête sur la mise en œuvre de l’IA dans l’industrie automobile, la fabrication industrielle, les produits de consommation, l’aérospatiale et la défense, les enquêteurs de Capgemini ont découvert que, sur les 300 entreprises d’envergure internationale interrogées, 102 avaient déjà implémenté une solution d’IA dans leurs processus, certaines ayant plusieurs mises en œuvre en cours. Ils ont pu identifier 22 cas d’utilisation appartenant à des fonctions différentes, allant de la planification de la demande à l’entretien (voir tableau ci-dessous).
Airbus, Audi… les exemples d’implémentations réussies abondent aussi bien dans les industries manufacturières que dans l’agroalimentaire. Par exemple, une entreprise de transformation des aliments a mis en place un contrôle de la qualité des œufs sur ses chaînes de production.
Le seul fait de scanner un œuf en moins de 40 millisecondes a permis à l’entreprise d’augmenter sa production de 30 000 à 70 000 œufs par heure, ceci sans compter l’élimination d’œufs défectueux responsables du mécontentement des clients.
Voici trois cas d’implémentations réussies de l’IA et leurs effets constatés sur la production et les produits finis.
General Motors
En mai 2018, Autodesk et General Motors annonçaient un partenariat pour implémenter la conception générative et la fabrication additive dans le développement de nouveaux véhicules. Le fabricant de voitures utilise l’apprentissage machine pour transformer le prototypage.
La solution Autodesk Dreamcatcher a récemment été testée avec le prototypage d’une pièce de support de ceinture de sécurité, ce qui a permis d’obtenir une conception monobloc à la fois 40 % plus légère et 20 % plus résistante que la conception originale à huit composants.
Danone
La transformation des aliments nécessite des processus de contrôle et des délais stricts pour se conformer aux exigences de qualité et de conformité réglementaire. De plus, la société avait l’habitude de vendre 30 % de ses produits en utilisant des offres promotionnelles, ce qui entraînait une inexactitude des prévisions d’environ 70 %.
Danone utilise l’apprentissage automatique, Danone DiscOver, pour prévoir la variabilité et déterminer la planification de la demande. Cette nouvelle capacité a amélioré son processus de prévision et a permis une planification plus perspicace entre les différentes fonctions, telles que le marketing et les ventes. Elle a permis de réduire de 20 % les erreurs de prévision et de 30 % les pertes suite à des invendus.
Bridgestone
Victime d’une concurrence opiniâtre menée par les fabricants de Corée du Sud et de Chine, Bridgestone a vu ses parts de marché chuter à 14,5 % en 2014. L’équipe de direction, recherchant des de nouvelles solutions et relais de croissance, s’est intéressée à l’IA qui a fourni une partie de la réponse. Le fabricant de pneus japonais a présenté en 2016 un nouveau système d’assemblage des pneus baptisé Examation. Le but était d’augmenter la compétitivité de l’entreprise en améliorant la qualité des pneus, tout en réduisant les coûts en augmentant la productivité de ses chaînes.
Examation mesure les caractéristiques de chaque pneu sur la base de 480 critères de qualité prédéfinis. Il utilise ces informations pour superviser la production en temps réel. En permettant des niveaux de précision très élevés, il a entraîné une amélioration de plus de 15 % de la conformité aux critères de qualité par rapport à un procédé de fabrication conventionnel.
Sources : diverses
