L’industrie 4.0 et l’enjeu de l’exploitation des données

L’industrie pour développer son activité et accroître sa performance, n’a d’autre choix que de s’appuyer sur les nouvelles possibilités offertes par le numérique pour faire face aux exigences et contraintes de plus en plus fortes auxquelles elle est confrontée ; réduction des délais, limitation des marges, risques accrus de non-qualité, défaillances fournisseurs, etc. C’est ce qu’il est convenu d’appeler aujourd’hui « l’Industrie 4.0 ».

Des opportunités évidentes

Si sur un plan technique, l’Internet of Things, le Cloud Computing ou le M2M sont aujourd’hui des réalités très concrètes, il n’en demeure pas moins que leur utilisation par les organisations de production demeure quasi inexistante. Ce constat s’explique notamment par la difficulté à utiliser globalement les masses de données générées par ces équipements.

Dans ce contexte, l’enjeu pour les entreprises n’est plus vraiment l’accès à la donnée, mais bien son interprétation et son exploitation. C’est ce challenge que l’industrie moderne se doit de résoudre… Si elle veut faire de ces nouvelles opportunités un levier de compétitivité.

D’une manière ou d’une autre, l’industrie devra innover et proposer à court ou moyen terme des supports méthodologiques et technologiques ; destinés à utiliser de façon cohérente et aboutie la masse des données générée via les progiciels de gestion existants (ERP, MES, APS, plate-forme collaborative, etc.) et les technologies émergentes (RFID, RTLS, objets connectés, M2M, etc.) à des fins d’optimisation des organisations de production d’une part, et d’aide au pilotage des flux d’autre part.

Mais des barrières importantes

L’une des barrières à franchir porte sur la capacité des industries à évoluer des mécanismes de décision basés sur la « donnée » à des mécanismes de décision basés sur la « connaissance ».

Dans les architectures proposées aujourd’hui, le canal entre la génération de données et leur utilisation est généralement monolithique. Ce sont effectivement des applications dédiées (informatiques ou métiers) qui exploitent les données issues des capteurs. Car elles « savent » d’où les données proviennent et comment elles sont structurées.

De ce schéma de fonctionnement résultent alors des réseaux figés ; incapables de raisonner dynamiquement et de profiter de la richesse offerte par le croisement des sources hétérogènes de données (autrement que par l’intermédiaire de schémas de croisement préétablis).

Devant le développement exponentiel promis aux nouvelles technologies, cette solution n’est plus envisageable. Les données vont être – et sont déjà en partie – tout simplement trop nombreuses pour permettre une exploitation selon ce schéma.

Une approche possible

Considérons le fait que :

• une donnée est un élément brut en dehors de tout contexte,
• une information est une donnée mise en contexte
• et une connaissance est une information assimilée pour réaliser une action.

(voir Figure 2, source : Gilles Balmisse de Knowledge Consult).

Figure 2. De la donnée à la connaissance (G. Balmisse)

Un niveau intermédiaire dédié à l’interprétation semble alors être une nécessité pour rendre le niveau “exploitation” (génération de connaissances) indépendant du niveau “connexion” (génération et réception de données). C’est ce qu’il est généralement convenu d’appeler le niveau “interprétation” (génération d’informations).

Ces trois niveaux d’abstraction correspondent à une chaîne cohérente :

• Le niveau « données » correspond à l’émission, la transmission et la réception de signaux numériques (par exemple la valeur relevée par un capteur) ou de valeurs constatées (par exemple le rapport transmis par un observateur).
• Le niveau « informations » fournit une interprétation sémantique des données du niveau précédent pour alimenter des modèles formels (par exemple lorsque la donnée sur la position d’un lot de production devient une icône ou un symbole sur une carte géographique du site).
• Et le niveau « connaissances » correspond à l’exploitation des informations pour la génération de nouvelles connaissances (par exemple lorsque l’ensemble des positions des lots de productions connus sur une carte du site permet de définir une tournée logistique optimale).

Mais qui reste à concrétiser

Cette logique repose sur l’idée de décloisonner la chaîne d’exploitation des données ; afin d’en extraire les informations pertinentes pour la génération de connaissances nécessaires à l’optimisation et au pilotage des flux… Et plus généralement au pilotage des Supply Chains.

Cette évolution n’est sans doute pas suffisante pour faire de l’Industrie 4.0 une réalité. Mais c’est sans conteste une étape indispensable. Pour autant, force est de constater que les outils capables de supporter concrètement ce genre de logique n’existent pas encore… Il s’agit là d’un enjeu d’innovation majeur que les chercheurs et industriels doivent rapidement et impérativement adresser pour relever le défi de l’Industrie 4.0.

Auteurs : Matthieu LAURAS, AGILEA – Mines Albi ; Frédérick BENABEN, Mines Albi