I&T : Braincube utilise l'IoT pour collecter les données de production et les traiter. Comment votre système peut-il aider les industriels ?
Laurent Laporte : La concurrence se concentre sur les aspects infrastructures des solutions IoT, tels que la connectivité et la gestion des données. Nous excellons dans ces domaines depuis quinze ans. Mais notre véritable différenciation réside dans notre focalisation sur la maîtrise du processus de fabrication et la variabilité des conditions de production, offrant une importante capacité d'ajustement.
Nous avons une plateforme d'IoT qui permet de récupérer les données et de les mettre à disposition une fois qu'elles sont nettoyées pour des usages à forte valeur ajoutée. Nous proposons ainsi deux types d'usage aux industriels : un usage classique permettant de visualiser la donnée ou de créer des tableaux de bord et des analyses de problèmes, et un usage pour la création d'applications plus spécifiques avec de l'intelligence artificielle permettant aux clients d'exécuter des algorithmes de machine learning et de computer vision. La base de données créée permet, par exemple, d'alimenter du machine learning afin de recontextualiser chaque produit dans son parcours de fabrication mais aussi de créer un jumeau numérique.
Cette capacité d'ajustement est-elle rendue possible par l'intégration de réseaux de neurones dans vos systèmes ?
Les réseaux de neurones sont excellents pour la reconnaissance, notamment en computer vision industrielle. On les utilise pour apprendre à identifier rapidement des défauts, à les trier, ou à caractériser des informations à partir d'images ou de vidéos dans des environnements stables. Cependant, ils sont moins adaptés à la prédiction dans des conditions industrielles changeantes, car ces réseaux ont besoin de réapprendre pour s'adapter à de nouvelles conditions.
Nous préférons donc des technologies basées sur des algorithmes de clustering qui viennent organiser et établir des relations entre les données et ceux de scoring qui permettent d’évaluer la performance des modèles d'apprentissage automatique et leurs prédictions. Cela dit, c'est différent de l'analyse statistique traditionnelle qui se limite à donner une mesure de caractérisation d'un problème. On veut identifier et régler des variables pour atteindre des objectifs précis, c'est tout l'intérêt du machine learning que nous utilisons.
Peut-on dire que votre système est innovant en raison de sa capacité de prédiction ?
Dès le départ, en 2008, nous nous sommes concentrés sur la prédiction dans l'environnement d'une usine, en anticipant les défauts qui peuvent survenir dans une quinzaine de minutes à l'échelle d'une ligne de production, par exemple. Ce qui fait la force de notre système c'est surtout la prédiction à deux échelles : d'abord anticiper les crises, les pannes, s'assurer de la bonne qualité et de la stabilité de production. Puis nous avons la capacité d'être proactif en proposant des solutions à ces prédictions. Nous sommes aujourd'hui capables d'apporter une prescription, c'est-à-dire un ensemble de recommandations concrètes pour optimiser les processus et minimiser l'impact d'une crise sur les systèmes de production, ce qui est une tendance montante dans l'industrie 4.0.
À travers ce système, on arrive à optimiser le coût de production, accélérer les processus, réduire la consommation d'énergie, faciliter l'intégration des matériaux recyclés dans les processus, éliminer les défauts et améliorer les caractéristiques des produits pour générer des profits tout en réduisant l'impact environnemental. Toutefois, ces gains dépendent du contexte industriel. Dans l'industrie du papier, par exemple, on peut réduire les consommables chimiques de 20 à 30% et améliorer la vitesse de production de 3 à 4%.
Vous venez de lever 83 millions d'euros, à quoi allez-vous employer cette somme ?
Nous allons renforcer nos équipes pour effectuer différents développements. Il faut savoir que notre prochain défi c’est la gestion de la volumétrie des données à traiter en temps réel, qui est en train d'exploser. Les nouvelles données vont au-delà de l'aspect purement industriel, car les clients envisagent des projets de données avec une portée plus large. Par exemple, ils souhaitent intégrer des données provenant de leurs clients voire d'autres domaines. Cette ambition de croiser des données de différentes sources, telles que les données d'achat, de location, les données clients et les données de production, vise à concevoir les produits de demain. Pour nous, cela représente une révolution en termes d'interconnexion avec d'autres systèmes, nécessitant parfois l'adaptation de technologies conçues initialement pour la maîtrise des processus industriels internes.
Comment comptez-vous accroître la diffusion de votre solution ?
Notre priorité est de renforcer notre présence commerciale afin de consolider notre position de leader sur le marché. Nous prévoyons également de constituer des équipes dédiées à la vente directe, tout en développant des partenariats indirects avec des experts IT. Actuellement, nous sommes partenaires avec des entreprises telles que Microsoft. L'objectif est non seulement de vendre nos solutions via ces partenaires, mais aussi de coopérer pour créer des offres à forte valeur ajoutée en combinant les compétences en IA de Microsoft avec notre spécialisation industrielle. Cette approche nous permettra de proposer des projets très ciblés et d'utiliser les technologies de nos partenaires pour améliorer davantage la transformation numérique des environnements dans lesquels nous intervenons.
