Le programme Industrie 4.0, porté par la filiale d’un grand groupe agroalimentaire, vise l’optimisation de la production industrielle des malteries en s’appuyant sur les nouvelles technologies. Environ 200 capteurs IoT installés tout au long du processus de production mesurent les paramètres différents tels que la température, l’humidité et la durée des étapes.
Ces données historiques sont couplées aux données sur la matière première, les résultats de laboratoire et les rendements des couches, afin d’alimenter des modèles de machine learning. Ces modèles génèrent des recommandations quotidiennes sur les paramètres de production afin de maximiser le rendement de malt, optimiser la consommation énergétique et de l’eau.
Le déploiement de la solution devait se faire simultanément en France et à l’international, ce qui rendait le respect du planning ambitieux particulièrement crucial. Des défis de coordination et de gestion des plannings ont été rencontrés tout au long de la mission.
Pour accélérer les déploiements, il a été nécessaire de simplifier certaines approches, afin de paralléliser les travaux et de garantir une amélioration continue des processus de récupération des données. De plus, la complexité des déploiements internationaux a exigé de prendre en compte les spécificités de chaque site lors du paramétrage de l’algorithme, afin d’assurer une adaptation locale des recommandations.
Le consultant Colibee devait garantir la bonne progression du projet tout en respectant les délais et les spécifications, veillant ainsi à ce que les objectifs soient atteints.
La gestion des flux de données et l’optimisation de l’IA étaient des enjeux cruciaux pour assurer l’efficacité des solutions mises en place. En parallèle, le consultant a piloté une équipe multidisciplinaire, coordonné les déploiements et collaboré de manière étroite avec les acteurs locaux pour garantir la réussite du projet.
Le consultant affecté à cette mission avait une expertise éprouvée en gestion de projet et des environnements Data, combinée à une solide expérience dans le secteur industriel. Grâce à sa maîtrise des méthodologies agiles et de l’IA, il a su :
Le consultant Colibee était chef de projet déploiement de la solution. Ces missions consistaient à :
– Paramétrer le modèle de données de chaque ligne de production afin que les pipelines data construits par les data engineer puissent y déverser les données en bout de chaîne et que les modèles d’algorithme puissent récupérer ces données.
– Animer les rituels Agile de l’équipe composée de data engineers et de data scientists
– Préparer le retroplanning à 3 mois de déploiement de la solution
– Coordonner la feuille de route de déploiement avec les équipes de Build qui travaillent sur l’amélioration du cœur de la solution, que ce soit sur les sujets de data engineering (pipeline data) ou data science (architecture solution et modèles)
– Accompagner avec les data scientists les responsables de production dans l’appréhension de l’usage de l’outil et récupération d’informations utiles pour l’ajustement des contraintes de l’algorithme de machine learning
– Déployer des tableaux de bord, sur PowerBI mais aussi sur la solution d’interface graphique pour le suivi du respect des critères des cahiers des charges du malt.
Le consultant a été amené à certaines occasions à réaliser des anlayses des données historiques des capteurs afin de prendre des décisions éclairées sur les choix de déploiement des modèles de données à récupérer.
Le consultant a également accompagné les responsables de production en usine pour faciliter leur appropriation des recommandations générées par l’outil. L’objectif était de s’assurer que les utilisateurs comprenaient les ajustements proposés et pouvaient progressivement adapter leurs pratiques en fonction des suggestions de l’algorithme.
Le consultant a également accompagné les responsables de production en usine pour faciliter leur appropriation des recommandations générées par l’outil. L’objectif était de s’assurer que les utilisateurs comprenaient les ajustements proposés et pouvaient progressivement adapter leurs pratiques en fonction des suggestions de l’algorithme.
Grâce aux retours terrains, les contraintes de l’algorithme sont optimisées continuellement pour tenir compte des spécificités de l’usine et des recettes produites :
Le déploiement du programme Industrie 4.0 a permis une collecte de données précieuses sur plusieurs sites de production, offrant des insights sur l’optimisation des processus de malterie.
Bien que les résultats aient été difficiles à évaluer à cause de la multiplicité des facteurs (dont notamment la qualité de la récolte), le programme a permis de récolter des données qui serviront à affiner l’algorithme dans les prochaines phases de déploiement.