Maximo : Watson Equipement Maintenance Assistant – Le machine Learning au service des opérations et des opérateurs

Share this post:

Force est de constater que la montée en puissance du cognitif représente un intérêt pour les activités de service client, apres-vente, support, diagnostic et réparation.

Mais tout d’abord, quels sont les enjeux que le métier de la maintenance rencontre de nos jours ?

Constat 1 : Les équipements et assets industriels deviennent en effet très complexes et embarquent parfois du logiciel, ainsi que des capacités analytiques de plus en plus évoluées et performantes (Fog Computing, Analytics In the Edge). Ils deviennent communicants et collaborent avec les humains. Ils sont par conséquent devenus complexes et délicats à dépanner.

Constat 2 : Ces équipements ont tendance à devenir parfois autonomes et capables de prendre des décisions par eux-mêmes sans passer par une instance centrale de pilotage ou de consolidation. Ils s’insèrent souvent dans un contexte qui peut être un processus industriel, une usine, une ligne d’assemblage. La problématique de leur sécurité est un sujet à part entière car étant autonome, une organisation pourrait prendre la main sur ses équipements et ainsi détourner leur usage à des fins malveillantes.

Constat 3 : La documentation technique de ces équipements n’est pas toujours simple à appréhender. Elle demande beaucoup de temps de lecture, de travail et de formation personnelle. Elle est souvent volumineuse. A ce titre, il n’est pas toujours aisé d’identifier les éléments pertinents de la documentation pour aider au diagnostic et à la réparation.

Constat 4 : Force est de constater que le savoir-faire et l’expérience sont absolument clés et apporte une valeur inestimable au-delà de ce que décrivent les manuels constructeurs. Malheureusement, le savoir-faire est souvent perdu lors du départ des anciens à la retraite et peu d’entreprise formalisent et partagent la connaissance et les bonnes pratiques.

Constat 5 : Les opérateurs et techniciens ont peu de temps pour réaliser les activités de diagnostic, identifier la cause racine des problèmes et apprécier l’impact. Il est important pour eux de choisir le plus vite possible la meilleure solution technique et stratégie de résolution, remettre en état l’équipement, et enfin documenter la résolution à des fins de traçabilité et d’audit. En synthèse, il faut faire vite et bien tout en respectant la réglementation du domaine métier dans lequel nos opérateurs travaillent (aéronautique, ferroviaire, …)

La problématique étant dorénavant exprimée, la question est de savoir maintenant quel est l’apport du Cognitif dans ce paysage.

L’analyse de contenu non-structuré (ou Content Analytics) permet de comprendre le sens d’un texte parlé ou écrit et découvrir les facettes non explicites (Hidden Facets). En analysant les textes saisis dans les rapports d’intervention des opérateurs de maintenance, il est possible de déduire les styles, d’identifier des tendances, des pratiques, catégoriser des concepts et découvrir les relations sémantiques entre les concepts.

Avec le service Watson Natural Language Classifier, l’opérateur de maintenance pose ainsi une question en langage naturel au système, lit un message d’erreur ou un code alarme sur un équipement – les concepts détectés dans la phrase sont ensuite classifiés avec un taux de confiance, la dernière étape étant de proposer une recommandation associée à cette classification, typiquement un lien vers une procédure de réparation prédéfinie ou mieux encore un ‘chemin’ dans la documentation assemblant plusieurs types de contenus différents (liens, images, paragraphes, sections, vidéos, ..) de manière dynamique.

L’analyse dite ‘intelligente’ ou ‘cognitives’ d’images ou de vidéos permettant de reconnaître, à l’intérieur d’un flux, des situations (patterns), des personnes, du texte, des visages ou divers éléments qui feront l’objet de pose d’attributs pour indexation et recherche. Le service Watson Visual Recognition utilise des techniques de Deep Machine Learning pour analyser les scènes et les sujets, et offre également la capacité de créer des classificateurs spécifiques.

La traduction automatique de type ‘audio vers texte’ et ‘texte vers audio’ est un service qui existe depuis plusieurs années et disponible en plusieurs langages. IBM fournit dans ce domaine un service en mode SaaS simple, efficace et surtout combinable avec d’autres services. Dans le cadre de la maintenance, notre opérateur pose des questions ouvertes en langage naturel à la machine, la machine comprend la teneur et le sens de la question, l’analyse (sujet, verbe, complément) et fournit une réponse ‘cognitive’ basée sur un score de confiance et des éléments de preuve associés.

Illustration par un cas d’usage proposé par IBM et implémenté dans une solution intégrée dénommée MAXIMO : Watson Equipment Assistant

Cette solution combine plusieurs services Watson Cognitifs dont ceux présentés précédemment et apporte une expérience utilisateur innovante sur une application mobile. Il est nécessaire de l’entrainer et de lui apprendre les corpus documentaires du domaine de maintenance concerné.

Dans cette figure, l’opérateur de maintenance utilise l’application Watson Equipment Maintenance Assistant sur tablette lui facilitant son travail de diagnostic et de réparation.

• Dans un premier temps l’opérateur consulte les travaux en cours ouverts et qui lui sont affectables (Work Orders).
• Dans un second temps, notre opérateur visualise les détails de chaque Work Order afin de décider lequel choisir : Description du symptôme, solutions recommandées (avec score de confiance pour chacune d’entre-elle), temps estimé de réparation, listes de pièces de rechange, outils à utiliser, conseils divers
• Il peut consulter les Work Order similaires et approchants, cette fonction est typiquement fournie par un service de Machine Learning avec apprentissage automatique.
• Après avoir décidé de travailler sur un Work Order donné, l’opérateur demande à Watson les détails de la solution recommandée ayant le meilleur taux de confiance. Des sections du corpus documentaire sont extraites et assemblés (basés sur des requêtes pré-construites) incluant images, plans (démontage), liens vers les manuels constructeurs
• Ces sections sont appelées passages et présentent les instructions à exécuter. L’opérateur peut évaluer et commenter les passages, permettant ainsi d’entraîner les modèles d’apprentissage pour les prochaines fois : amélioration du score de confiance par analyse de la pertinence des passages proposés en fonction des commentaires (sentiments, avis) posés par les opérateurs lors des actions de maintenance précédentes.
• Enfin, notre opérateur peut exécuter une recherche en langage naturel en posant des questions écrites ou à l’oral au système lors d’un dialogue, par exemple une question ouverte typique du style : « Quelles sont les procédures recommandées lorsque l’équipement est lent à démarrer ? » ou « Que faire en cas d’un code erreur spécifique ?

Pour en savoir plus sur Maximo : Watson Equipement Maintenance Assistant