Deux équipes d’étudiants de la Faculté des sciences informatiques et de l’information de l’Université d’Égypte pour l’informatique ont développé deux applications ciblant deux problèmes pratiques du secteur manufacturier : l’amélioration de l’efficacité de la production et des machines, ainsi que la détection des risques de retard dans l’approvisionnement en matières premières. Le développement des deux projets a été mené en collaboration avec des experts d’Allemagne, d’Espagne et des Pays-Bas, et ils ont fait l’objet d’une session d’évaluation via Zoom, à laquelle ont participé les superviseurs et les experts.
Selon l’université, les deux applications ont été conçues en réponse aux besoins d’organisations liées aux industries intelligentes et à la cinquième révolution industrielle, en s’appuyant sur le projet de réseaux de fabrication intelligents, flexibles et renouvelables financé par le programme Horizon Europe. Le comité d’évaluation externe était présidé par le professeur allemand Bernd Kramer. Y ont également participé le professeur Mike Papazoglou, la docteure Maria Ramirez Gutierrez et M. Fernando Gigante de l’institution espagnole AIDIMME.
Des données des capteurs aux décisions de maintenance
La première application s’intitule « Optimiseur de l’efficacité de la production et des machines fondé sur un modèle de connaissances ». Elle vise à résoudre un problème courant des plateformes de fabrication modernes : le fait que les systèmes restent dans un mode réactif et ne traitent les pannes des machines ou les goulots d’étranglement de la production qu’après leur apparition.
L’application repose sur une plateforme hybride d’aide à la décision qui combine des modèles d’apprentissage automatique, notamment Isolation Forest et XGBoost, avec un raisonnement ontologique utilisant le langage OWL. Le système relie les flux de données des capteurs à une hiérarchie des actifs de l’usine, puis utilise des règles SWRL pour suivre les relations causales entre la dégradation des composants, les goulots d’étranglement du système et les pertes d’efficacité de la production.
La plateforme comprend une unité d’explication fondée sur les grands modèles de langage, qui transforme les situations sémantiques complexes en recommandations de maintenance formulées dans un langage plus simple. Le projet comporte également une couche d’extension de la base de connaissances qui gère six agents d’intelligence artificielle compétitifs, chargés de surveiller de nouveaux schémas comportementaux et de proposer des règles SWRL que les ingénieurs examinent avant leur adoption. L’université indique que cette conception vise à faire fonctionner la plateforme dans un environnement industriel au sein d’un parcours d’exécution conteneurisé et à faible latence.
Un jumeau numérique des risques liés aux matières premières
La deuxième application, « Jumeau numérique sémantique pour la détection et le traitement des risques d’approvisionnement en matières premières », se concentre sur le manque de visibilité en temps réel dans la logistique manufacturière et sur la difficulté à gérer les conditions désorganisées des accords de niveau de service. Le système vise à détecter à l’avance les retards de livraison et à activer des fournisseurs alternatifs lorsque cela est nécessaire.
L’application combine l’apprentissage automatique pour prédire les probabilités de retard, les grands modèles de langage pour convertir les textes contractuels en « triplets ontologiques » structurés, ainsi qu’un raisonneur ontologique destiné à soutenir l’exécution des décisions. Grâce à un graphe de connaissances reliant les données et les dépendances, le cadre cherche à faire passer la gestion des approvisionnements d’une réaction après la survenue du retard à une intervention proactive, tout en fournissant une source unifiée d’informations relatives à la disponibilité des stocks.
Pourquoi cette évolution est-elle importante ?
L’importance des deux projets réside dans la combinaison de technologies d’intelligence artificielle et de méthodes de représentation des connaissances au sein de deux scénarios industriels précis, plutôt que dans une simple présentation générale des capacités de l’intelligence artificielle. En pratique, le premier projet vise à rendre les données des capteurs interprétables et exploitables pour la prise de décision, tandis que le second se concentre sur la transformation de données dispersées provenant des contrats et des chaînes d’approvisionnement en un modèle utilisable pour la prédiction et l’intervention.
Cependant, l’article ne présente pas de résultats opérationnels quantitatifs, tels qu’une réduction des pannes ou une amélioration des délais d’approvisionnement, et ne précise pas si les deux applications sont entrées dans une phase d’utilisation commerciale ou d’expérimentation sur le terrain. L’impact industriel annoncé reste donc lié à la phase de développement et d’évaluation, et non à des résultats de performance démontrés dans des usines en activité.
L’équipe de la première application comprenait Abdel Karim Ahmed, Seif Wafik, Mohamed Hussein, Renad Sameh et Malak Montaser, sous la supervision de la docteure Shereen El-Fayoumi. L’équipe de la deuxième application comprenait Matthew Wael, Youssef Fares, Youssef Osama et Mark Tadros, sous la même supervision.