Optimisation de TORO : classification automatique des applications à l'aide du traitement du langage naturel

Introduction : Le problème de la classification des applications dans TORO

Dans l'industrie d'aujourd'hui, où l'efficacité de la production est essentielle, la gestion de la maintenance, de la réparation et de l'exploitation (MRO) joue un rôle central. Des centaines et parfois des milliers de demandes de maintenance, de réparation ou de pièces détachées sont générées chaque jour. La classification, la hiérarchisation et le routage manuels traditionnels de ces demandes sont un processus long et sujet aux erreurs humaines. Cela entraîne des retards de réponse, une mauvaise allocation des ressources, une augmentation des temps d'arrêt des équipements et, par conséquent, des pertes financières.

Pour résoudre ce problème, UNITEC-D GmbH propose d'envisager l'utilisation de technologies d'intelligence artificielle, notamment le traitement du langage naturel (NPM), pour automatiser la classification des applications dans les systèmes TORO. Cette approche vous permet de transformer une description textuelle non structurée du problème en données structurées qui peuvent être instantanément classées, hiérarchisées et dirigées vers les acteurs appropriés. Cela correspond aux principes de l'Industrie 4.0 et permet aux entreprises ukrainiennes d'augmenter l'efficacité opérationnelle et la fiabilité des processus de production.

Principe de fonctionnement de l'OPM pour le classement des candidatures

L'intelligence artificielle est une branche de l'intelligence artificielle qui permet aux ordinateurs de comprendre, d'interpréter et de générer la parole humaine. Dans le cadre de la classification des demandes TOO, le système OPM analyse la description textuelle du problème fournie par l'opérateur ou le technicien et l'affecte à une ou plusieurs catégories prédéfinies. Le processus comprend plusieurs étapes clés :

Collecte et prétraitement des données : Le système a besoin de données historiques : des milliers ou des dizaines de milliers d'applications déjà classées avec des descriptions textuelles. Le texte est nettoyé des caractères inutiles, des erreurs typographiques, des mots vides (par exemple, "et", "mais", "y").
Tokénisation et représentations vectorielles (intégrations) : Le texte est divisé en mots ou phrases séparés (jetons). Chaque jeton est converti en un vecteur numérique qui reflète sa signification sémantique et son contexte dans la phrase. Les modèles modernes tels que BERT ou Word2Vec créent des représentations vectorielles de haute qualité qui permettent au système de « comprendre » les synonymes et le contexte.
Formation d'un modèle de machine learning : sur la base de ces représentations vectorielles, un modèle de machine learning (par exemple, un classificateur basé sur des réseaux de neurones profonds ou une méthode de vecteur de support) est formé. Le modèle de l'enseignant associe les vecteurs de texte à leurs catégories correctes, révélant ainsi des modèles.
Classification : Après l'entraînement, lorsque le système reçoit une nouvelle requête non classifiée, il passe par les mêmes étapes de traitement. Le modèle entraîné analyse la représentation vectorielle du nouveau texte et prédit la catégorie la plus probable (par exemple, « Défaut électrique », « Fuite hydraulique », « Maintenance programmée ») avec un certain niveau de confiance.

Cette approche permet au système non seulement de rechercher des mots-clés, mais également de comprendre le contenu de l'application, même si la formulation n'est pas claire ou contient un argot technique spécifique caractéristique d'une entreprise particulière.

Exigences en matière de données

La qualité et le volume des données sont essentiels à la réussite de la mise en œuvre d'un système OPM. Sans données appropriées, tout modèle sera inefficace. Les principales exigences comprennent :

Volume d'applications historiques : Pour la formation initiale du modèle, un minimum de 5 000 à 10 000 applications qualitativement classées sont requis. Pour obtenir une précision élevée, il est souhaitable d’avoir entre 20 000 et 50 000 applications ou plus.
Qualité des descriptions textuelles : Les descriptions doivent être aussi détaillées et claires que possible. Les descriptions peu claires, trop courtes ou remplies d'abréviations qui ne sont pas décodées dans le système réduisent la précision. Il est nécessaire de procéder à un audit des données et, si possible, d'unifier la terminologie.
Précision de la classification manuelle : Les applications historiques doivent être correctement classées par les humains. Si les données d'entraînement contiennent des erreurs, le modèle les reproduira. Il est recommandé de vérifier et de corriger les classifications existantes.
Format des données : Les données doivent être disponibles dans un format structuré (par exemple, CSV, JSON ou directement à partir de la base de données STUOiR/SAUAP). Chaque entrée doit contenir une description textuelle du problème et la ou les catégories correspondantes. Des champs supplémentaires tels que l'ID de l'actif, la date, la priorité et l'interprète peuvent être utilisés pour enrichir le modèle.
Confidentialité et protection des données : Conformément aux exigences de la législation ukrainienne (par exemple, la loi ukrainienne « sur la protection des données personnelles ») et des normes internationales (ISO/IEC 27001), il est nécessaire d'assurer une protection adéquate des informations confidentielles contenues dans les applications.

La préparation des données est l’étape la plus longue de la mise en œuvre d’OPM. Les investissements dans la qualité des données sont récompensés par une précision et une fiabilité du système nettement supérieures.

Architecture de mise en œuvre du système

L'intégration du système OPM dans le paysage de production existant nécessite une architecture bien pensée. Une architecture typique comprend les composants suivants :

Opérateurs/Capteurs → Système de gestion TORO (SUTOiR/SUAP) → Module OPM → Système de répartition/Base de données → Intervenants

Source d'applications : Il peut s'agir d'opérateurs qui saisissent manuellement des descriptions de problèmes dans le système (par exemple, SAP PM, IBM Maximo, 1C:TORO) ou de systèmes de surveillance automatique des conditions (Condition Monitoring), qui génèrent des notifications basées sur les données des capteurs (température, vibration, pression selon EN ISO 10816-1).
Système de gestion Toro (SUTOiR/SUAP) : système existant de l'entreprise qui collecte, stocke et gère les applications. Le module OPM s'intègre à ce système pour recevoir des applications non classifiées et renvoyer des données classifiées.
Module OPM : Le composant central qui effectue le traitement du langage naturel. Il peut être déployé en tant que serveur local (sur site) pour garantir une sécurité maximale des données ou en tant que service cloud (basé sur le cloud) pour plus de flexibilité et d'évolutivité. Le module comprend :
- Interface d'entrée/sortie : Pour l'interaction avec SUTOiR/SUAP via API (Application Programming Interface).
- Sous-système de pré-traitement : Nettoyage du texte, tokenisation.
- Subsystem of Vector Representations: Conversion of text into numerical vectors.
- Modèle de classification : Modèle d'apprentissage automatique entraîné.
Système de répartition et base de données : Les demandes classifiées sont automatiquement acheminées vers les équipes appropriées ou les techniciens individuels spécialisés dans cette catégorie de dysfonctionnements. Les informations sont stockées dans une base de données pour une analyse et un reporting plus approfondis.
Feedback et recyclage : Un élément essentiel. Des techniciens ou des responsables TORO vérifient le classement automatique. Si la classification était incorrecte, ils la corrigent. Ces données ajustées sont utilisées pour recycler périodiquement le modèle, améliorant ainsi sa précision au fil du temps.

Il est important de garantir que l'intégration est conforme aux normes de sécurité des données et des systèmes d'information telles que DSTU ISO/IEC 27001 : 2015.

Résultats réels et efficacité économique

La mise en œuvre d’OPM pour la classification des applications TORO démontre des améliorations significatives des indicateurs opérationnels :

Améliorez la précision de la classification : Les systèmes OPM automatisés atteignent une précision de classification de 85 à 95 %, ce qui est nettement supérieur à la classification manuelle, qui oscille souvent autour de 60 à 70 % en raison de la fatigue, du manque de standardisation et de la subjectivité.
Réduction du temps de traitement des candidatures : Le délai entre la réception d'une candidature et sa classification et son routage est réduit de 15 à 30 minutes (avec traitement manuel) à moins d'une minute. Cela accélère la réponse aux dysfonctionnements critiques.
Réduire le nombre de demandes mal acheminées : Jusqu'à 20 à 40 % des demandes qui étaient auparavant envoyées à la mauvaise équipe ou au mauvais spécialiste sont désormais classées et acheminées correctement. Cela réduit le « rollover » de l'application entre les départements.
Diminution du temps moyen de récupération (MTTR) : Une répartition plus rapide et plus précise entraîne une réduction du MTTR, ce qui a un impact direct sur les temps d'arrêt des équipements. Une baisse de 10 à 15 % du MTTR est typique.
Analyse des données améliorée : La classification automatique standardisée génère des données de haute qualité pour une analyse plus approfondie des causes profondes, la prédiction des pannes et l'optimisation des calendriers de maintenance préventive.
Économies de coûts et retour sur investissement (ROI) : En raison de la réduction des temps d'arrêt, de l'optimisation du temps de travail du personnel (jusqu'à 10 à 15 % du temps de travail des responsables de maintenance) et de l'efficacité accrue des travaux de réparation, le retour sur investissement est généralement de 12 à 24 mois.

Métriques appliquées :

Coût du projet pilote : 20 000 à 50 000 EUR (y compris la préparation des données et le déploiement du modèle de base).
Coût de l'intégration complète : 100 000 à 500 000 EUR (dépend de la complexité de l'intégration, de la quantité de données et du besoin de personnalisation).
Réduction des frais administratifs : Jusqu'à 0,5 à 1,5 EUR pour chaque demande traitée. Avec 10 000 candidatures par mois, cela se traduit par une économie de 5 000 à 15 000 EUR par mois.

Limites et problèmes potentiels

Malgré des avantages significatifs, les systèmes OPM ne constituent pas une solution universelle et ont leurs limites :

Garbage In, Garbage Out : Si les données d'entraînement sont de mauvaise qualité, le modèle produira des prédictions inexactes. De mauvaises descriptions, une terminologie incohérente ou une classification manuelle incorrecte créent des problèmes fondamentaux.
Ambigüité et contexte : Le langage humain est complexe. Les modèles OPM peuvent avoir des difficultés à comprendre des descriptions très ambiguës, sarcastiques ou trop brèves qui nécessitent une compréhension contextuelle approfondie.
Spécificité du domaine : Les modèles formés sur des corpus de textes généraux ne seront pas efficaces pour le jargon technique TORO. Une formation sur les données spécifiques à l’industrie est requise. Cela nécessite des efforts importants en matière de collecte de données et d’étiquetage.
Support et recyclage : Processus de production et changement d'équipement. De nouveaux types de dysfonctionnements apparaissent, de nouveaux atouts, les délais changent. Le modèle OPM nécessite une surveillance régulière et un recyclage périodique (par exemple, une fois tous les 3 à 6 mois) sur les nouvelles données pour maintenir leur pertinence et leur exactitude.
Dépendance à l'égard de l'infrastructure informatique : Le déploiement et l'exploitation de systèmes OPM nécessitent une infrastructure informatique robuste, des ressources informatiques et éventuellement une expertise spécialisée en apprentissage automatique.

Construire ou acheter : analyse de décision

Lorsqu'elles planifient la mise en œuvre d'un système OPM pour la classification des applications, les entreprises sont confrontées à un dilemme : développer une solution en interne (Build) ou acheter une solution commerciale (Buy).

Développement par ses propres forces (Build):

Avantages :

Personnalisation complète pour les besoins uniques de l’entreprise.
Préservation de la propriété intellectuelle.
Intégration profonde avec les systèmes internes existants sans compromis.

Inconvénients :

Coûts initiaux de développement et de maintenance élevés.
La nécessité d’une équipe data spécialisée (Data Scientists, ML Engineers).
Délai de mise en œuvre long (12-24 mois).
Le besoin d’un soutien et d’un développement constants.

Achat d'une Solution Commerciale (Acheter) :

Avantages :

Déploiement plus rapide (3 à 6 mois pour une intégration de base).
Coûts initiaux réduits (même si les coûts globaux de licence et de support peuvent être importants).
Assistance et mises à jour du fournisseur.
Inclut souvent des modèles pré-entraînés qui nécessitent un recyclage sur des données client spécifiques.

Inconvénients :

Moins de flexibilité dans la personnalisation.
Le verrouillage du fournisseur est possible.
Problèmes de sécurité des données si la solution est basée sur le cloud.
Les solutions standards peuvent ne pas correspondre pleinement aux processus métiers uniques.

Pour la majorité des entreprises industrielles ukrainiennes, en particulier au stade initial, une approche hybride est optimale : l'achat d'une plate-forme prête à l'emploi qui permet une formation continue sur ses propres données et l'intégration avec les EMS/ACS existants. Cela vous permet de bénéficier des avantages de la rapidité de mise en œuvre et du support tout en conservant l’adaptabilité.

Étapes pratiques de mise en œuvre

Le plan étape par étape suivant est recommandé à l'équipe d'ingénierie de l'entreprise qui envisage la mise en œuvre d'OPM :

Audit des données : Effectuez une analyse détaillée des applications historiques existantes dans votre EMS/ACS. Évaluer le volume, la qualité des descriptions textuelles et l’exactitude de la classification actuelle. Déterminez s’il y a suffisamment de données pour entraîner le modèle.
Définition du scénario d'utilisation : Commencez par une catégorie spécifique de réclamations à volume élevé où la classification manuelle est la plus problématique (par exemple, pannes d'un seul type d'équipement ou d'un atelier spécifique).
Formation d'une équipe interdisciplinaire : Créez un groupe de travail comprenant des spécialistes de la maintenance, le service informatique, le service d'automatisation et éventuellement le personnel opérationnel.
Projet pilote : Déployez un petit projet pilote. Utilisez un ensemble de données limité et concentrez-vous sur une ou deux catégories. Cela permettra de tester la technologie, d'évaluer son efficacité et d'identifier les problèmes potentiels sans investissement important.
Sélection de solutions : Sur la base des résultats du projet pilote et de l'analyse de marché, choisissez la solution commerciale la plus appropriée ou élaborez un plan de développement interne.
Intégration : Garantissez une intégration transparente du module OPM avec votre EMS/SMS existant en suivant les normes d'échange de données telles que DSTU ISO/IEC 19505-1:2015 (UML).
Surveillance et optimisation : Après la mise en œuvre, surveillez en permanence l'exactitude de la classification, collectez les commentaires des utilisateurs et recyclez régulièrement le modèle sur de nouvelles données ajustées pour maintenir des performances élevées.

UNITEC-D GmbH soutient les stratégies de transformation numérique dans l'industrie en fournissant des pièces de rechange et des composants fiables et certifiés (CE, UkrSEPRO) conformes aux normes EN et ISO. Notre large gamme de produits, disponible via le catalogue électronique, vous permet de trouver et de commander rapidement les éléments nécessaires à tout système diagnostiqué à l'aide des systèmes intelligents TORO. Cela garantit un fonctionnement ininterrompu de l’équipement et minimise les temps d’arrêt, ce qui est essentiel pour tirer pleinement parti des avantages de l’OPM.

Résumé

La classification automatique des demandes de maintenance à l'aide du traitement du langage naturel est un outil puissant pour améliorer l'efficacité de la maintenance dans l'industrie ukrainienne. Il permet de réduire le temps de réponse, d'optimiser l'allocation des ressources et d'améliorer considérablement la qualité des données pour une analyse plus approfondie. Même si la mise en œuvre nécessite un investissement dans les données et la technologie, les économies potentielles et la fiabilité opérationnelle accrue offrent un retour sur investissement rapide.

Pour accompagner vos initiatives M&A et assurer la fiabilité des processus de production, nous vous invitons à vous familiariser avec notre gamme de pièces détachées et composants industriels de haute qualité. Consultez le catalogue électronique UNITEC-D.

Lien

DSTU ISO 9001 : 2015 Systèmes de gestion de la qualité. Exigences
DSTU ISO/IEC 27001 : 2015 Technologies de l'information. Méthodes et moyens pour assurer la sécurité. Systèmes de gestion de la sécurité de l'information. Exigences
DSTU FR ISO 10816-1 : 2006 Vibrations. Mesure et évaluation des vibrations des machines. Exigences générales.
FR ISO 13849-1 : 2015 Sécurité des machines. Parties des systèmes de contrôle liées à la sécurité. Principes généraux de conception.
Directives de marquage CE pour les machines (2006/42/CE).
Règlement technique de sécurité des machines, approuvé par la résolution de la CMU du 30 janvier 2013 n° 62 (correspond à la directive 2006/42/CE).
DSTU 4163-2003 Système de documentation de conception. Règles de conception des documents texte.