Votre entreprise de services publics possède les données. Est-elle prête pour l'IA ?

Quatrième partie de notre série sur la numérisation des opérations dans le secteur de l'eau et des eaux usées

L'IA s'est rapidement imposée dans presque tous les débats sur l'avenir de l'industrie et des services publics. Les idées ne manquent pas quant à ses applications potentielles : prédiction des pannes d'équipement, réduction de la consommation d'énergie, amélioration de la qualité, prévision de la demande, aide à la prise de décision plus rapide, etc. Cependant, pour les organisations ayant investi des années dans des systèmes SCADA, des historiens de données, des capteurs, des outils de rapport et autres technologies opérationnelles, une question plus pragmatique mérite d'être posée en premier lieu : les données dont vous disposez sont-elles déjà prêtes à soutenir les actions que vous souhaitez confier à l'IA ?

Cette question a été soulevée lors de notre webinaire « La transformation numérique des opérations dans le secteur de l'eau et des eaux usées » , lorsqu'un participant a demandé quelles autres possibilités offraient des années de données historiques principalement utilisées pour l'analyse des tendances. La réponse de Scott Lamothe était simple : avoir ces données historiques est la première étape vers l'analyse de données et l'IA. Sans elles, l'IA n'a pas l'historique opérationnel nécessaire pour comprendre ce qui s'est passé, identifier des tendances et répondre à une question précise.

Cela nous a bien rappelé que tirer profit de l'IA ne commence pas nécessairement par un projet dédié. Pour de nombreux fabricants et entreprises de services publics, cela commence par une analyse différente des informations qu'ils recueillent déjà.

Commencez par ce que vous essayez de réparer.

C'est peut-être l'un des points les plus importants soulevés par Scott et Kurt lors du webinaire. Une fois les données disponibles, la question suivante n'est plus de savoir quel outil d'IA acheter, mais quel problème vous voulez réellement résoudre.

Scott suggère d'examiner les principaux objectifs d'affaires déjà définis. Il peut s'agir de réduire la consommation d'énergie ou de produits chimiques, ou encore de diminuer les temps d'arrêt. Dans le secteur manufacturier, ce même raisonnement pourrait s'appliquer à la réduction des rebuts, à l'amélioration du rendement, à la compréhension de la variabilité des processus ou à la recherche des conditions permettant d'obtenir systématiquement la meilleure qualité. Ces problèmes ne sont pas nouveaux du seul fait de l'intelligence artificielle.

C'est ce qui rend cette approche pratique. Au lieu de créer une initiative d'IA et de chercher ensuite un cas d'utilisation, partez d'un problème que l'exploitation doit déjà résoudre. Si la réduction des coûts énergétiques est une priorité, que peuvent vous apprendre des années d’historique d’exploitation sur les périodes et les lieux de consommation d’énergie ? Si les temps d'arrêt posent problème, quels schémas apparaissent avant que l'équipement ou les processus ne commencent à dysfonctionner ? Si la qualité est variable, qu'est-ce qui était différent pendant les périodes où le processus fonctionnait le mieux ?

Ce sont des questions que les équipes opérationnelles se posent depuis des années. L'IA et l'analytique des données leur offrent de nouvelles pistes pour y répondre.

Les données dont vous disposez déjà contiennent peut-être la réponse.

Le webinaire devient particulièrement intéressant lorsque Scott aborde l'utilisation des données historiques pour identifier les périodes où une opération a atteint l'objectif visé. Son exemple, celui de l'eau, examine s'il y a eu des moments où les exigences de qualité de l'eau ont été respectées avec moins de produits chimiques de traitement. Au lieu de demander à quelqu'un de passer au crible des mois, voire des années, d'informations, l'analyse de données permet d'explorer cet historique pour identifier les périodes concernées, les conditions actuelles et la possibilité de les reproduire.

Kurt étend cette idée au-delà de l'utilisation de produits chimiques. Il mentionne l'exploitation des données opérationnelles pour la détection des fuites, la consommation d'énergie et la prévision de la demande. Si un fournisseur d'énergie est mieux en mesure d'anticiper ses besoins futurs, il peut adapter ses décisions quant au fonctionnement des appareils énergivores.

Les équipes de production font face à des problèmes très similaires. Prenons l'exemple d'une chaîne de production en service depuis des années. Son historique présente les meilleures et les pires productions, les écarts de qualité, les arrêts de production, les pics de consommation d'énergie, les opérations d'entretien et les modifications des matières premières ou des conditions de fonctionnement. L'intérêt ne réside pas simplement dans la possession de cet historique, mais dans la capacité de le contextualiser et de l'utiliser pour comprendre les différences de résultats.

Avoir une grande quantité de données ne signifie pas être prêt.

Plus tôt dans le webinaire, Kurt a partagé une observation qu'il avait faite d'un client : l'organisation disposait de « richesse en données » mais de « manque d'actions ». Elle avait des tableaux de bord, des alertes, des rapports et une foule d'informations, mais il y avait toujours un décalage entre la possession de ces informations et la manière de les exploiter.

Cette distinction prend une importance accrue avec l'arrivée de l'IA. Des années de données historiques sont précieuses, certes, mais un volume important de données ne les rend pas automatiquement utiles. Les opérations ont toujours besoin d'accéder aux informations pertinentes, d'un historique et d'un contexte suffisants pour les comprendre, ainsi qu'un objectif clair d'amélioration.

Se pose également la question de la destination de ces données. Plus tard dans le webinaire, Scott et Kurt abordent la relation entre les données opérationnelles sur place et les architectures de données d'entreprise. Les systèmes opérationnels doivent pouvoir rester protégés au sein de l'infrastructure. OT Les données sélectionnées doivent être accessibles à l'environnement, mais aussi mises à disposition des plateformes infonuagiques, des outils d'analyse d'entreprise, de modélisation ou d'IA. Cet équilibre entre accès et protection est essentiel à la mise en place d'une infrastructure de données industrielles exploitable.

L'IA doit tout de même aboutir à un résultat opérationnel.

Avec toute l'attention portée à l'IA, il est facile de faire de la technologie elle-même l'objectif. Ce webinaire adopte une perspective beaucoup plus pragmatique.

Scott l'exprime en des termes que presque toutes les usines et entreprises de services publics peuvent comprendre : il faut d'abord identifier deux ou trois objectifs commerciaux : économies d'énergie, économies de produits chimiques, réduction des temps d'arrêt. Ensuite, il faut déterminer si l'analyse de données ou l'intelligence artificielle peuvent vous aider à les atteindre. Il souligne que cela s'applique aussi bien à une usine qu'à une municipalité.

C'est aussi un moyen utile d'évaluer la pertinence d'un projet d'IA. Si le résultat est une consommation d'énergie réduite, une fiabilité accrue, moins de déchets, une meilleure qualité, des temps d'arrêt diminués ou des décisions plus éclairées, vous avez un objectif concret à atteindre. Si le seul résultat est de pouvoir affirmer utiliser l'IA, il serait peut-être judicieux de revenir au problème initial.

Votre infrastructure de données passe avant tout

La bonne nouvelle, c'est que de nombreux services publics et fabricants ne partent pas de zéro. Des années d'investissements dans l'historisation des données, les systèmes SCADA, l'automatisation, les capteurs et la production de rapports ont permis de constituer une quantité considérable d'historique opérationnel. L'enjeu est maintenant de rendre ces renseignements plus exploitables et de les relier aux problèmes les plus importants.

Cela ne signifie pas que toutes les organisations sont prêtes à adopter l'IA immédiatement, ni que l'IA est la solution à tous les problèmes. Cela signifie simplement que vos données opérationnelles actuelles recèlent peut-être plus de valeur que vous ne l'exploitez aujourd'hui.

C'est là que l'importance d'une stratégie de données et d'une infrastructure opérationnelle solides se fait sentir. Chez Cimsoft, nous aidons les entreprises industrielles à analyser leurs systèmes et leurs données existants, à identifier les lacunes en matière d’information et à déterminer des solutions concrètes pour transformer leurs données opérationnelles en informations exploitables afin d’améliorer leurs performances.

Visionnez le webinaire sur demande

Tout au long du webinaire, Kurt Peterson et Scott Lamothe discutent de ce qu'ils observent dans le secteur des services publics, notamment la cybersécurité et la reprise après sinistre, les défis liés à la main-d'œuvre et aux ressources, les données opérationnelles, l'analytique et l'IA.

Si vous avez plusieurs années de données opérationnelles et que vous vous demandez ce que vous pourriez en faire de plus, regardez le webinaire sur demande pour entendre la discussion complète et les exemples concrets qui la sous-tendent.

Regarder sur demande

Cybermenaces, reprise après sinistre et nouvelle réalité pour les services publics d'eau

La transformation numérique des opérations de traitement de l'eau et des eaux usées | Partie 1

Lire le blogue

Pourquoi faire plus avec moins commence par de meilleures opérations 

Série « La transformation numérique dans la gestion de l’eau et des eaux usées » | Partie 2

Lire le blogue

Les coûts augmentent. Vos données opérationnelles peuvent vous indiquer où faire des économies.

Série « La transformation numérique dans la gestion de l’eau et des eaux usées » | Partie 3

Lire le blogue