Automotive Technology Club: A coffee with... Katya Vladislavleva (Datastories) | Agoria

Automotive Technology Club: A coffee with... Katya Vladislavleva (Datastories)

Image
Publié le 25/08/20 par Ward Vleegen
Datastories est une société de logiciels d'analyse de données, spécialisée dans les applications industrielles de l'IA et qui compte un nombre croissant de clients dans l'industrie automobile, notamment des équipementiers et des fournisseurs. Le Transport & Mobility Technology Club d'Agoria a eu l'occasion d'interviewer Katya Vladislavleva, PDG de Datastories. Regardez la vidéo ici.

Bonjour Katya, heureux de vous revoir. Pouvez-vous vous présenter et présenter votre entreprise ?

Naturellement, Ward. Je m'appelle Katya Vladislavleva et je suis CEO et Chief Data Scientist chez Datastories. Nous sommes une entreprise spécialisée dans les logiciels et services d'analyse de données et axée sur les applications industrielles de l'IA. 

Si je comprends bien, votre entreprise permet à des personnes ne disposant pas des connaissances nécessaires d'effectuer des analyses de données, un domaine en apparence très complexe et technique.

C'est exact. Notre nom reflète notre travail. Notre mission est de raconter l'histoire des données. Nous avons développé des logiciels et des technologies pour permettre aux entreprises de régler des problèmes à l'aide d'analyses avancées.

Datastories est membre d'Agoria, de l’Agoria Food & Beverage Technology Club et de l'Agoria Transport & Mobility Technology Club.  J'imagine que vos solutions sont utilisées dans de nombreux secteurs différents ?

Bien entendu, mais les secteurs de l'alimentation et des boissons, de la chimie et des machines de pointe sont les plus importants à ce jour.

Et d'où vient cet intérêt pour l'industrie automobile ?

À vrai dire, l'industrie automobile est une industrie de pointe avec un besoin très élevé en matière de réduction des coûts. Ce n’est pas nous qui avons fait un pas vers l’industrie automobile, mais plutôt l’inverse. Cette association devait se faire à un moment ou à un autre, je pense. Nous avons un nombre croissant de clients dans ce secteur, notamment des OEM et des fournisseurs. 

Pouvez-vous nous expliquer où se situent les possibilités de digitalisation dans l'industrie automobile selon vous ?

De notre perspective, en tant que spécialistes de l'IA et de l'apprentissage automatique, je distingue trois applications majeures qui représentent une réelle valeur ajoutée et où il est possible de réaliser des avancées rapidement. 

Tout d'abord, il y a l'aspect développement, dont nous pouvons raccourcir considérablement le cycle. Qu'il soit question de personnalisation ou de tests, tous les processus qui impliquent des essais et erreurs ou des expériences répétées peuvent être considérablement raccourcis grâce à l'analyse prédictive. 

Ensuite, il y a l'aspect de la fabrication : nous pouvons réduire la durée des analyses des causes fondamentales dans la production et l'assemblage et diminuer les coûts associés. 

Enfin, le troisième pilier majeur est la chaîne d'approvisionnement. Tout, de l'analyse des prix à la prévision de la demande en passant par l'optimisation de la façon dont tous vos produits sont acheminés dans le monde entier, peut gagner en valeur grâce à l’intervention de l’IA.

Quels conseils donneriez-vous aux acteurs de l'industrie automobile qui disent : « Nous avons des données, des capteurs, de la robotique ; dans quels domaines peut-on réaliser des avancées rapidement » ?

Les gains à très court terme au niveau de la fabrication sont ceux qui lèvent le voile sur une incertitude. Supposons que nous ayons une chaîne de montage qui assemble une machine, mais que de temps en temps un incident se produit sur la chaîne de montage sans que nous ayons la moindre idée de son origine. Effectuer une analyse des causes fondamentales ou résoudre tout autre type d'incertitude au cours du processus d'assemblage est généralement la manière la plus simple et la plus rapide de mettre les données à profit, à condition bien sûr que les experts soient toujours impliqués dans le processus de résolution du problème.

Étant donné que vous disposez déjà de tous ces capteurs indépendants, de tous les registres de données liés aux changements et des données fournisseurs, mon conseil serait de commencer par enregistrer les actions. Si un incident se produit, enregistrez-le. Si tout se passe bien, assurez-vous que ce fonctionnement normal auquel vous aspirez est bien enregistré dans les données. Ensuite, il est important de réaliser de petits projets « proof-of-value » car ils sont alors très concrets et limpides pour chaque partie prenante.

Dès lors, enregistrez tout ce qui se passe ; non seulement les mauvaises choses, mais aussi les bonnes. Commencez petit, percevez la valeur, puis continuez.

Je pourrais en fait vous donner quelques exemples. 

Avec plaisir !

Le premier exemple est lié aux tests des applications. Vous allez construire votre véhicule, louer une piste (ce qui coûte très cher), puis réaliser un nombre limité d'expériences coûteuses. Il s'agit là d'une application où l'analyse des données peut vous aider à identifier le nombre d'expériences nécessaires pour rentabiliser votre budget de manière optimale.

Il s'agit donc de plans d'expériences, mais basés sur l'IA ?

Vous pouvez commencer par un plan d'expériences traditionnel, puis élaborer un modèle IA prédictif qui vous permettra d'évaluer ce modèle sur, disons, un million d'expériences réalisées virtuellement. Cela permet d'identifier les cas extrêmes que nous voulons vraiment tester sur une véritable piste et de ne tester que ceux-là. Cela génère un certain nombre de données, et le processus de modélisation prédictive peut alors être répété.

Un deuxième exemple : lorsque des ingénieurs réalisent un test, ils diront souvent que « c’est bon » ou que « ce n’est pas bon ». Le prototype testé recevra une notre entre 1 et 5. Cela permet d'obtenir un avis d'expert subjectif sur le confort, le bruit, etc., ce qui est très important pour ce genre d'essais. Nous pouvons construire des modèles prédictifs pour réaliser des approximations de ces opinions subjectives des ingénieurs-experts et ainsi effectuer beaucoup plus de tests tout en les évaluant. Par conséquent, associer les données environnementales objectives aux données d'essais et aux évaluations subjectives du confort, par exemple, représente une autre application facile à mettre en place, les données étant généralement disponibles.

Dans le domaine de l'assemblage automobile, tous les OEM veulent éviter les interruptions causées par un opérateur quelque part sur la chaîne de montage ayant rencontré un problème qu'il ne peut pas résoudre. Est-ce quelque chose que vous pouvez essayer de prévoir ? Par exemple, pouvez-vous déterminer dans quelles circonstances une interruption de la chaîne de montage peut se produire et comment elle peut être évitée ? Ou est-ce trop difficile ?

C'est le but ultime. En général, on commence petit. Nous identifions d'abord les problèmes enregistrés qui ont conduit aux interruptions précédentes de la chaîne et nous leur attribuons des codes d'erreur. Nous procédons ensuite à une analyse approfondie des données de production et les relions aux données des codes d'erreur, puis nous utilisons l'apprentissage automatique pour tenter d'identifier les paramètres liés à la production, aux capteurs, à l'humidité, au moment de la journée, etc. En bref, nous essayons de déterminer quelles combinaisons de paramètres correspondent à un code d'erreur donné. Une fois cette étape franchie, vous pouvez élaborer des modèles prédictifs pour les différents codes d'erreur, puis construire un modèle global qui vous indique la probabilité des interruptions.

Un grand merci pour ces précieux éclaircissements, Katya. Je vous souhaite une agréable journée et j'espère que nous nous reverrons bientôt.

De même, et bonne chance à tous !

Lisez également nos autres articles dans cette série :

Cet article était-il utile ?