Maintenance IoT prédictive : de gros avantages, si les compétences IA/ML suivent
Si l'usage de l'IoT apporte une valeur indéniable à l'entreprise, il reste encore un long chemin à faire pour que la maintenance prédictive devienne efficace.
La maintenance prédictive est sans doute l'un des usages actuels les plus en vue de la technologie IoT dans l'entreprise, et l'on peut facilement comprendre pourquoi : un meilleur suivi des machines industrielles, des flottes de véhicules ou de tout autre support de l'activité peut permettre de faire assez directement des économies et notamment de réduire les coûts de maintenance et les temps d'interruption. Mais, selon les experts, greffer des capteurs sur des équipements existants ne suffit pas pour mettre en place une maintenance prédictive et en récolter les bénéfices. Même pour les entreprises qui auraient le plus à gagner de cet usage de l'IoT, le succès n'est pas garanti.
Selon ABI Research, l'industrie pétrolière et gazière, pionnière dans l'usage de l'IoT pour la maintenance prédictive, montre clairement les enjeux. Ainsi, malgré l'utilisation généralisée de services IoT, le déversement de pétrole en mer reste encore relativement fréquent, et pour une simple raison : les implémentations d'intelligence artificielle (IA) et de machine learning (ML) de l'IoT ne sont pas encore suffisamment au point. « Alors que les principaux acteurs du secteur pétrolier se disent très pro-technologie et investissent en priorité dans l'analyse prédictive, le recours à des sociétés de conseil et le recrutement de quelques experts ne leur permettent pas de faire fonctionner correctement la technologie ni d'obtenir les résultats escomptés dans les mesures préventives », a déclaré le mois dernier l'analyste d'ABI Research, Kateryna Dubrova.
Des résultats difficiles à remonter
« Le défaut de stratégie du sommet à la base pour tirer une réelle valeur de la masse énorme de données que peut générer un projet IoT explique pourquoi les entreprises n'arrivent pas à obtenir des résultats mesurables dans la maintenance prédictive », a déclaré Frank Gillett, analyste chez Forrester Research. Parfois, les entreprises s'emballent, elles installent des capteurs partout où elles le peuvent, en imaginant que les résultats arriveront d'eux-mêmes. « Trop souvent, les gens commencent par analyser les données remontées des capteurs et essaient ensuite d'élaborer un cas d'affaire, au lieu de commencer d'abord par construire ce business case », a-t-il ajouté. « C'est comme se promener avec un marteau et ne pas trouver de clous sur lesquels taper ».
La raison essentielle, c'est que l'IA et l'apprentissage machine sont difficiles à mettre en oeuvre. Les entreprises ont besoin de beaucoup de compétences en datascience - en interne ou chez leurs fournisseurs - pour disposer de données de bonne qualité pour entraîner leurs modèles IA/ML. De plus, dans certains secteurs, le déplacement de données sensibles est délicat, et les entreprises peuvent se montrer, à juste titre, réticentes à partager des informations opérationnelles avec un tiers. Par exemple, un fabricant n'a pas forcément envie de publier des informations sur les performances des équipements de son usine si elles risquent de révéler des processus confidentiels à des personnes extérieures. « Les utilisateurs ont également besoin de comprendre de manière beaucoup plus globale l'impact réel de la maintenance prédictive sur la valeur commerciale », a déclaré pour sa part Alan Griffiths, consultant principal de Cambashi. Ce dernier fait également remarquer que l'expertise institutionnelle en matière d'IoT était inestimable pour que tout fonctionne. « Quand vous regardez la technologie requise, elle est assez sophistiquée », a-t-il ajouté. « Chaque composante de l'IoT est assez bien comprise, mais elle peut être compliquée à mettre en oeuvre, en particulier dans les départements IT qui ne se sont pas modernisés ».
Des économies substantielles à la clef
Il est pourtant facile de comprendre pourquoi les entreprises sont à ce point pressées d'adopter cette technologie : les avantages potentiels sont tout simplement trop nombreux pour les ignorer. Le traçage des informations de maintenance permet aux entreprises de s'assurer que l'argent investi pour remplacer un matériel ou le réparer est bien dépensé, et qu'il évite des dépenses inutiles.
Selon Christian Renaud, vice-président de 451 Research, il est difficile de surestimer les avantages potentiels. « Les retours sur investissement peuvent se manifester dans la production, la valeur des actifs, la sécurité des travailleurs, sans parler de tous les avantages que peut représenter la collecte de données et la mise en évidence de tendances historiques », a-t-il déclaré. « Ces applications ont toujours eu de la valeur, bien avant que l'on commence à appeler cela de l'IoT ».
Et, malgré quelques contretemps et un manque de connaissances dans ces modalités d'analyse des données, beaucoup d'utilisateurs font de la maintenance prédictive pour leur propre compte. Une récente enquête réalisée par 451 Resarch montre que les entreprises de technologie opérationnelle utilisent beaucoup l'IoT pour faire de la maintenance prédictive et que la grande majorité d'entre elles fait état d'un retour sur investissement au minimum « assez positif ». « La télémétrie de ces machines présente vraiment beaucoup d'avantages », a convenu M. Renaud.
