Vue d'ensemble

La fibre synthétique est partout. Dans les vêtements que vous portez, le tapis sur lequel vous marchez, la voiture que vous conduisez.

"Vous auriez du mal à tendre vos bras sans toucher quelque chose qui contient des fibres synthétiques", déclare Leigh Puddester, président d'Instrumar.

Instrumar est une entreprise détenue par ses employés, basée à St. John's, Terre-Neuve, qui a une longue histoire de résolution de défis technologiques pour des clients industriels.

Au cours des 20 dernières années, la société a mis au point des capteurs électromagnétiques exclusifs et des logiciels d'analyse utilisés par certains des principaux fabricants mondiaux de fibres synthétiques. La solution d'Instrumar leur permet de surveiller la fibre en cours de production, en temps réel, et de répondre immédiatement aux problèmes de qualité dès qu'ils se présentent.

Ils aident les entreprises du monde entier à réduire considérablement les coûts, les réclamations des clients et les déchets en produisant des fibres de meilleure qualité et en détectant des défauts que les méthodes traditionnelles d'échantillonnage et d'essais en laboratoire ne pourraient jamais déceler.

Approche

Avant de s'engager avec Amii, Instrumar était au stade d'exploration du spectre d'adoption de l'IA d'Amii. Grâce à leur travail avec nous, ils sont entrés dans la phase de mise en œuvre.

Après avoir connu le succès avec des projets de ML à plus petite échelle, Instrumar a commencé à envisager l'énorme potentiel de l'adoption du ML pour les projets à grande échelle, voyant de nombreuses opportunités pour aider à augmenter leurs capacités de mesure et de surveillance en temps réel de la qualité et de l'efficacité dans la production de fibres synthétiques.

"Nous atteignions un point où nous devions être plus agressifs dans notre poursuite", déclare Puddester. "Nous avons décidé de rechercher une expertise externe pour nous aider à déterminer la meilleure façon de rendre opérationnels nos efforts de ML et de réduire la complexité."

Désireux de renforcer leurs compétences et leurs capacités internes, ils ont commencé à travailler avec Amii.

L'objectif : détecter et prédire les ruptures de fil

La première chose à faire était de déterminer une idée à poursuivre. Dans le cadre d'une session de planification et d'initiation à l'IA (AIPI), une équipe d'Instrumar et des experts d'Amii ont examiné les données actuelles de l'entreprise et identifié les possibilités d'utiliser ces données pour faire des prédictions à l'aide de l'IA. Ils ont ensuite examiné, hiérarchisé et affiné ces idées, pour finalement aboutir à une seule idée à piloter qui réunissait les conditions idéales pour l'équipe.

"L'AIPI a été très utile. Elle nous a montré comment formuler un problème d'apprentissage automatique en termes d'approche et nous a fait réfléchir aux paramètres et à nos meilleures chances de réussite", explique Ruth Abraham, développeuse de logiciels chez Instrumar. "La façon dont nous aurions abordé le problème sans ces conseils aurait été très différente."

Suite à l'AIPI, Instrumar a décidé d'envisager l'utilisation du ML pour détecter et prédire les ruptures de fil sur les équipements de ses clients.

Actuellement, l'entreprise utilise des méthodes statistiques traditionnelles par essais et erreurs pour détecter ces problèmes, en calculant des statistiques sur les données en temps réel et en ajustant leur approche en fonction des changements observés.

"Nos algorithmes fonctionnent très bien, sinon nous ne serions pas là où nous sommes", déclare Abraham. "Mais il y a tellement plus que nous pourrions exploiter en automatisant ce processus".

"À l'heure actuelle, il arrive souvent qu'une usine ne sache pas exactement ce qui pose problème", ajoute M. Puddester. "Mais nos capteurs collectent déjà des quantités massives de données sur ce qui se passe dans la production de fibres de nos clients. Nous espérons être en mesure d'introduire des techniques automatisées et avancées qui rechercheront des modèles invisibles dans les données, trouveront la cause de nombreux types de défauts et seront finalement capables de prédire les problèmes de qualité avant même qu'ils ne se produisent."

Établissement de la portée du problème

Après avoir choisi leur problème de ML, Amii a dirigé Instrumar dans le cadre d'un conseil de projet, un processus qui a permis d'orienter les équipes, les systèmes et les ressources d'Instrumar vers la mise en œuvre d'un projet de ML.

Les équipes ont travaillé ensemble pour créer une solide compréhension du domaine et des données par rapport au problème de l'entreprise. Elles ont utilisé cette compréhension pour identifier les approches potentielles de ML, évaluer l'état de préparation des données d'Instrumar, étudier la littérature sur des problèmes similaires et développer une compréhension des risques impliqués.

Fort de ces informations, Instrumar a pu élaborer un plan pour nettoyer ses données et, avec les conseils d'Amii, lancer un projet pilote.

Travailler avec un apprenti pour construire un modèle

Grâce au programme de stages et de résidences d'Amii, Instrumar a pu recruter un spécialiste en ML hautement qualifié en tant que stagiaire pour exécuter le projet pilote. Le stagiaire a travaillé sous la supervision et les conseils d'un scientifique ML d'Amii.

"Nous avons pu réaliser un projet pilote en utilisant les données réelles de l'un de nos principaux clients qui recherchait des approches innovantes pour obtenir des informations plus exploitables sur sa production", explique M. Puddester. "À partir de ces données, nous avons développé un modèle très prometteur. Nous avons été très satisfaits et enthousiasmés par ce qui est ressorti de l'exercice de modélisation."

"Le stage a été une expérience formidable", ajoute Abraham. "Voir quelqu'un avec des compétences aussi applicables travailler avec nos données que nous connaissions si bien et être capable de collaborer avec lui pour découvrir des idées, c'était vraiment passionnant."

Résultats

Instrumar travaille maintenant avec l'un de ses principaux clients pour mettre en œuvre le modèle qu'ils ont développé dans un environnement de production réel, en utilisant des données en temps réel. L'entreprise a acquis une meilleure compréhension de la manière de mener un projet de ML, de l'idéation à l'exécution et à l'évaluation. Elle recrute actuellement des spécialistes en ML à plein temps et a également établi un partenariat stratégique avec une université locale pour collaborer à d'autres travaux de science des données.

"Nous pensons avoir obtenu des résultats de données très intéressants jusqu'à présent, et nous avons l'intention de nous appuyer sur ces résultats pour faire profiter tous nos clients des avantages de l'apprentissage automatique", déclare M. Puddester.

Quelle est l'orientation future de ML ? Idéalement, pour détecter, prédire et prévenir davantage de problèmes de qualité et de production - en identifiant tous les types de problèmes de production avant qu'ils ne se produisent, donnant ainsi à leurs clients la possibilité de procéder à des ajustements proactifs de leurs processus et d'éviter les perturbations.

M. Puddester conclut : "Nous recueillons une énorme quantité de données. Et nous pensons que l'apprentissage automatique sera essentiel pour nous aider à exploiter toutes ces données afin d'améliorer nos algorithmes actuels et d'identifier et de résoudre des problèmes dont nos clients ne sont même pas conscients, ou qui ont traditionnellement été trop compliqués à comprendre."

"À l'heure actuelle, nous ne faisons vraiment qu'effleurer la surface de ce que l'apprentissage automatique peut faire pour nous et nos clients. Nous apprenons rapidement et nous savons que cela va aider nos clients à améliorer la qualité de leur fibre à des niveaux jusqu'alors inégalés."