Aller au contenu principal
Base de connaissances

Comment évaluer et étendre IRIS après les 90 premiers jours

DBR77 Team8 min de lecture

Sur cette page

Après 90 jours, évaluez IRIS sur six points : si le personnel l'utilise dans chaque équipe, si les données sont fiables, à quelle vitesse les problèmes se clôturent, si la perte ciblée a bougé, comment les personnes traitent les recommandations de l'IA, et ce qu'en pense l'atelier. Prenez ensuite l'une de trois décisions : étendre, corriger d'abord, ou arrêter. Avant d'étendre, transformez la configuration du pilote en modèle (noms des équipements, causes d'arrêt, rôles, règles et étapes de validation), pour que chaque nouvelle ligne parte de ce qui fonctionne déjà.

Quatre-vingt-dix jours, c'est assez long pour voir des habitudes se former et assez court pour corriger ce qui ne va pas avant que cela se propage.

Pourquoi le cap des 90 jours compte

Un pilote qui fonctionne sur une ligne n'est pas encore un système pour l'usine. Le document de 2023 du World Economic Forum sur son Global Lighthouse Network note que même ces sites de pointe, qui ne souffrent plus du purgatoire des pilotes, s'efforcent de surmonter un « essoufflement du passage à l'échelle » lorsqu'ils cherchent à étendre leur impact à des réseaux de production entiers.

La revue à 90 jours correspond à l'étape Check du PDCA. Le Lean Enterprise Institute la décrit comme l'évaluation des résultats en termes de performance, suivie de l'étape Act : standardiser et stabiliser le changement, ou recommencer le cycle. Sans cette vérification, l'usine reproduit ses erreurs sur la ligne suivante en même temps que ce qui a fonctionné.

Après 90 jours, la ligne 2 enregistre 96 % des arrêts avec une cause dans les équipes du matin et de l'après-midi.

Graphique en barres d'une ligne pilote après 90 jours : arrêts avec cause par poste et taux d'acceptation de l'IA

La revue : six domaines et leurs preuves

Apportez des données, venant pour la plupart directement du système.

DomainePreuves à apporterSigne de bonne santéSignal d'alerte
UtilisationPart des ordres, des arrêts et des ordres de travail enregistrés, par équipeComparable dans toutes les équipesL'équipe de nuit bien en dessous de l'équipe de jour
Qualité des donnéesPart des arrêts avec une cause connue, comptages comparés à la production réelle« Inconnu » faible et stableDes causes ajoutées chaque semaine
Vitesse de la boucleDélai entre le signal et la réaction, entre la tâche et la clôtureEn baisse, puis stableBeaucoup de tâches clôturées en retard ou avec « aucune action »
Perte cibléeLa perte pour laquelle le pilote a été choisi, comparée à la situation de départA évolué dans le bon sensStable, ou a bougé pour des raisons sans rapport
Recommandations de l'IATaux d'acceptation, de modification et de rejet, raisons des dérogationsLes rejets sont motivésTout est accepté sans examen, ou ignoré
PersonnesEntretiens courts avec des opérateurs, des régleurs, des chefs d'équipe« Ça me fait gagner du temps »« C'est du travail en plus des anciens formulaires »

La ligne « Personnes » compte comme une preuve : un système que l'équipe de nuit voit comme du travail en plus s'essoufflera aussi sur la ligne suivante.

Évaluer l'IA à part

L'IA a besoin de sa propre revue, parce qu'un modèle qui fonctionnait le premier mois peut dériver. Le NIST AI Risk Management Framework indique que les systèmes d'IA doivent être testés avant leur déploiement et régulièrement pendant leur exploitation, et note qu'ils peuvent demander une maintenance plus fréquente à cause de la dérive des données, du modèle ou du concept.

Regardez quatre choses :

  • Le taux d'acceptation par type. Un type de recommandation rejeté la plupart du temps a besoin d'une nouvelle règle ou doit être désactivé.
  • Les raisons des dérogations. Lisez-en un échantillon. Elles révèlent souvent des données manquantes, par exemple un changement de série que le modèle ne connaissait pas.
  • L'acceptation aveugle. Si une personne valide tout en quelques secondes, l'étape de validation ne joue pas son rôle.
  • Les étapes de validation. Décidez, par type de recommandation, s'il faut garder la validation telle quelle, la renforcer ou laisser davantage de suggestions passer directement dans une liste de tâches. Gardez une personne dans la boucle pour tout ce qui touche à la sécurité ou à la libération des produits.

Étendre, corriger ou arrêter

Écrivez la décision, avec les preuves qui la fondent.

  • Étendez quand l'utilisation est homogène d'une équipe à l'autre, que la qualité des données est stable, que la perte ciblée a bougé et que les recommandations de l'IA sont examinées plutôt que validées machinalement.
  • Corrigez d'abord quand les résultats sont bons dans certaines équipes et faibles dans d'autres, ou quand la qualité des données bouge encore. Corrigez sur la ligne pilote, puis refaites une revue 30 jours plus tard.
  • Arrêtez ou repensez quand la perte ciblée n'a pas bougé et que l'atelier voit le système comme du travail en plus. Comprenez pourquoi avant de dépenser davantage.

Exemple illustratif : après 90 jours, la ligne 2 enregistre 96 % des arrêts avec une cause dans les équipes du matin et de l'après-midi, mais seulement 71 % la nuit, où il n'y a pas de super-utilisateur. Le délai moyen de réaction à un arrêt est de 12 minutes le jour et de 31 la nuit. Les suggestions de l'IA pour la priorité des ordres de travail sont acceptées environ 60 % du temps, et la plupart des rejets citent des changements de série planifiés. La décision : corriger d'abord. L'usine nomme un super-utilisateur de nuit, ajoute le plan des changements de série aux données que lit le modèle, refait une revue 30 jours plus tard, puis reproduit la configuration sur les lignes 1 et 4.

Comment reproduire une configuration qui fonctionne sur d'autres lignes et d'autres usines

Étendez en reproduisant un modèle issu de la ligne pilote.

  1. Écrivez le modèle : nommage des équipements, liste des causes d'arrêt, rôles, règles des tâches, échelles d'escalade, étapes de validation et un court kit de formation.
  2. Listez ce qui peut varier localement, par exemple l'organisation des équipes ou des contrôles propres à une ligne. Tout le reste reste identique.
  3. Nommez un seul responsable du modèle. Les changements passent par cette personne, pour que la ligne 6 n'invente pas ses propres codes de causes.
  4. Étendez d'abord à l'intérieur de l'usine. Mêmes personnes, même culture, retours plus rapides.
  5. Ajoutez ensuite une deuxième usine, avec une personne du premier site dans l'équipe de démarrage.

Les changements plus importants d'implantation ou de capacité peuvent d'abord être testés ; Comment faire d'un jumeau numérique un processus de décision reproductible montre comment. Pour le volet données machines de la même idée, voir Faire de l'IoT un système d'exploitation reproductible.

Comment cela fonctionne dans DBR77 IRIS

DBR77 IRIS fournit à la revue ses preuves sans projet séparé. IRIS KPI compare les performances entre équipes, lignes, usines et périodes, avec une vue détaillée jusqu'au niveau machine. IRIS Gemba suit les problèmes ouverts et clôturés par niveau et par zone. Data & AI conserve chaque recommandation avec la suite qu'une personne lui a donnée et le résultat de celles qui ont été appliquées : les taux d'acceptation et de rejet viennent donc des enregistrements.

L'extension se fait module par module et site par site. Des modules peuvent être ajoutés à tout moment, et les données et les configurations sont conservées, donc la configuration du pilote sert de point de départ pour la ligne suivante. Les changements peuvent d'abord être testés dans DBR77 DT. Comment déployer IRIS module par module sans perturber l'usine décrit comment planifier les premières vagues.

Questions fréquentes

90 jours, est-ce suffisant ?

Pour une première décision, oui. Cela couvre assez de rotations d'équipes pour voir des habitudes se former. Certaines pertes mettent plus longtemps à bouger, donc continuez les revues chaque mois.

Qui doit participer à la revue ?

Le directeur d'usine, le chef de projet, le chef de chaque équipe, les responsables maintenance et qualité, et l'IT. Limitez-la à deux heures.

Et si les résultats sont mitigés ?

C'est le cas le plus fréquent. Choisissez « corriger d'abord », nommez ce qui doit changer et fixez une date pour la revue suivante.

Quand faut-il lancer une deuxième usine ?

Quand le modèle a été reproduit sur au moins une autre ligne de la première usine sans changement majeur.

Conclusion

À 90 jours, apportez les preuves sur l'utilisation, la qualité des données, la vitesse de la boucle, la perte ciblée, l'IA et les personnes, et écrivez une seule décision : étendre, corriger d'abord, ou arrêter. Avant d'étendre, transformez ce qui a fonctionné en modèle avec un seul responsable et reproduisez-le sur une autre ligne de la même usine. Ne lancez une deuxième usine que lorsque cette reproduction n'a demandé aucun changement majeur.

Sources