Internet Industriel des Objets IIOT : L'analyse de la chaîne d'approvisionnement et l'IoT occupent une place importante au lendemain de la perturbation 2020 – IoT World Today

Les entreprises ont besoin de plus d'agilité et de résilience dans les chaînes d'approvisionnement et la logistique pour réussir. Cela a incité les entreprises à envisager de nouvelles technologies pour faciliter la tâche.
Parmi les candidats figurent l'Internet des objets (IoT), l'automatisation des infrastructures, l'intelligence artificielle (IA) et l'analyse avancée de la chaîne d'approvisionnement. Des concurrents tels que l'intégration de l'interface de programmation d'application (API) et les jumeaux de la chaîne d'approvisionnement numérique se profilent également à l'horizon.
L'intérêt pour ces technologies s'est accéléré compte tenu de la pandémie mondiale de coronavirus, bien qu'ils aient déjà pris pied dans la gestion de la chaîne d'approvisionnement avant l'apparition du COVID-19. Pour approfondir la mise à la terre de ces technologies dans les environnements informatiques, il faut identifier les meilleures opportunités pour les applications.
Le groupe de recherche Gartner a noté une forte pénétration de l'IoT dans une enquête de 2019 sur l'impact de l'activité numérique sur la chaîne d'approvisionnement. Alors que ce même rapport jette l'Internet des objets dans le creux de la désillusion de Gartner, moins que vanté, il y a des signes qu'il commence à revenir en faveur. Selon l'enquête Gartner sur la chaîne d'approvisionnement, 59% des répondants avaient partiellement ou entièrement déployé l'IoT dans leur organisation, tandis que 15% prévoyaient d'investir dans l'IoT d'ici deux ans et 22% avaient mis en place des projets pilotes. Ces données sont également cohérentes avec les données récentes de l'enquête 2020 sur l'adoption de l'IoT par IoT World, qui indique que 51% des répondants ont identifié un plus grand besoin d'initiatives numériques, y compris l'IoT.
Aujourd'hui, l'IoT est important car les techniques émergentes de la chaîne d'approvisionnement ont besoin des données les plus récentes et les plus précises, selon Amber Salley, directrice et analyste chez Gartner. Ce besoin de nouvelles données était criant avant qu'un conflit commercial mondial ne survienne et avant que le COVID-19 ne frappe, et plus encore dans leur sillage.
«La flexibilité de la chaîne d'approvisionnement post-COVID ne concerne pas nécessairement un changement de la demande, mais plutôt un changement de consommation», a déclaré Salley, citant l'exemple de mars 2020 du papier toilette nécessaire de manière inattendue pour une plus grande offre sur les étagères des magasins, et moins en quantité sur les camions se dirigent vers les bureaux et les institutions publiques.
C'est un moment où ces types de décisions d'approvisionnement doivent être prises rapidement et exécutées efficacement à un niveau très granulaire. «Les entreprises essaient de réagir rapidement», a déclaré Salley. «Ils doivent savoir comment répartir au mieux ce que les magasins reçoivent quoi.»
Chaînes d'approvisionnement perturbées par COVID-19
Les leaders de la chaîne d'approvisionnement trient désormais les choix technologiques à long terme, même s'ils sont confrontés au défi immédiat des modèles et des processus commerciaux renversés. Les outils d'apprentissage automatique axés sur l'IA sont un exemple typique, les avantages prometteurs de la chaîne d'approvisionnement, notamment l'aide à la décision, la gestion des actifs en temps réel, l'optimisation des stocks et la planification de la maintenance préventive.
Comme l'explique Salley, il peut être difficile de séparer le bruit des données lors de la prise de décisions concernant la chaîne d'approvisionnement, en particulier dans un environnement chaotique. Ici, les outils d'apprentissage automatique ont un rôle – mais la précision des données est primordiale.
«L'apprentissage automatique pour la reconnaissance de formes peut aider», dit-elle. «Aujourd'hui, nous voyons de nombreuses entreprises utiliser de tels logiciels pour aider à la prévision de la demande. Mais le défi avec l'apprentissage automatique est qu'il faut beaucoup de données de très bonne qualité pour voir les modèles corrects et être précisément prescriptifs. »
De nombreuses organisations n'ont pas le volume nécessaire pour travailler avec l'apprentissage automatique, bien qu'elles puissent en avoir assez pour un cas d'utilisation individuel, a déclaré Salley. De plus, alors que les fournisseurs vantent les avantages de l'apprentissage automatique et de l'IA dans son ensemble, cette technologie est spécifique à un cas d'utilisation. "Vous ne pouvez pas facilement mapper d'un cas d'utilisation ou d'un domaine à un autre", a-t-elle déclaré.
Les professionnels de l'informatique ne peuvent pas non plus naviguer facilement dans la surfeit d'outils d'analyse de la chaîne d'approvisionnement dédiés à leurs utilisations. Les acteurs possédant des logiciels de chaîne d'approvisionnement et une expertise en apprentissage automatique comprennent: Anaplan, Blue Yonder, DHL Supply Chain, EY Supply Chain and Operations, IBM, John Galt, LLamasoft, Logility et SAP.
Les appareils IoT jouant un rôle plus important dans la surveillance de la chaîne d'approvisionnement, les principaux acteurs du cloud et de l'apprentissage automatique tels qu'AWS, Google et Microsoft font également partie de ce paysage. Les leaders du cloud travaillent avec Accenture, Cognizant, Pluto7, TensorIoT et d'autres spécialistes pour adapter le traitement analytique de la chaîne d'approvisionnement à des domaines spécifiques.
Des analyses qui regardent en arrière, pas en avant
Alors que de nombreux professionnels de la chaîne d'approvisionnement ont grandi en travaillant autour de modèles statistiques pour analyser les opérations, il en faut davantage, a déclaré Jeanette Barlow, vice-présidente d'IBM Sterling Supply Chain, notant que dans une certaine mesure, les modèles statistiques sont les plus aptes à regarder en arrière.
«Ils apprennent de l'histoire, et l'histoire est un excellent indicateur. Mais il y a des choses qui changent l'histoire. Il n’ya eu aucune année comme cette année pour illustrer cela », a-t-elle déclaré.
Au cours de l'année écoulée, la compréhension de l'emplacement de l'inventaire n'a fait que gagner en importance. Barlow a déclaré que le groupe IBM Sterling utilise les capacités d'IA cognitive d'IBM Watson pour aider les équipes à mettre à l'échelle les corrélations de données. Ces techniques sont devenues plus importantes à mesure que l'IdO a ajouté à la masse de données qui doivent être évaluées dans des délais limités.
Technologies de base pour l'IoT de la chaîne d'approvisionnement
La mesure dans laquelle les entreprises sont prêtes à ajouter l'apprentissage automatique avancé à la chaîne d'approvisionnement peut dépendre de l'endroit où elles en sont sur la voie de la numérisation.
Des technologies variées leur permettent de devenir plus agiles; La technologie avec laquelle ils commencent dépend du niveau de maturité technique de l'organisation, selon Alex Pradham, responsable de la stratégie produit chez John Galt Solutions, qui propose la plate-forme de planification Atlas pour l'apprentissage automatique automatisé dans les applications de la chaîne d'approvisionnement. «Certaines entreprises ont encore besoin de technologies plus fondamentales», dit-elle.
Pradham voit également des changements significatifs dans les canaux et les comportements d'achat. Cela incite les entreprises à exiger des plans plus précis pour les horizons à court terme. Elle suggère que la réduction du coût des capteurs IoT et les avantages de la collecte de données ultra-fraîches peuvent aider à la planification des opérations car, de plus en plus, les inventaires doivent être constamment actualisés.
Obtenir des données de haute qualité est une première étape importante, reconnaît John Traynor, vice-président et directeur général du spécialiste de l'IA TensorIOT. Des analyses utiles peuvent être aussi simples que des moyennes mobiles courantes, a-t-il déclaré – mais disposer de données est la clé.
«Les gens recherchent en fin de compte un moyen d'améliorer l'efficacité opérationnelle. Il peut s'agir simplement d'avoir une vue d'ensemble des opérations. [But] vous devez commencer avec des données valides », a déclaré Traynor, rappelant l'adage de conception informatique éprouvé« GIGO »(ou« Garbage in, garbage out »).
Pour atteindre cet objectif, la société a récemment travaillé avec AWS et chip aker Semtech pour relancer la collecte de données numériques, en créant un kit qui connecte les périphériques réseau LoRa (longue portée) aux services natifs AWS pour le suivi des actifs et les services de construction intelligente.
Intégration d'API pour les chaînes d'approvisionnement
De nouvelles catégories de systèmes émergent qui tirent parti de l'IoT pour automatiser et améliorer les capacités d'acquisition de données, selon Prasad Satyavolu, directeur numérique de la logistique et de la fabrication de la société de services professionnels Cognizant. La société a récemment accepté d'acquérir le fournisseur de services technologiques Bright Wolf pour étendre la couverture des applications IIoT, y compris l'optimisation du rendement.
«Désormais, les systèmes peuvent utiliser l'IoT pour l'acquisition de données afin de créer une visibilité sur des parties de l'ensemble de la chaîne d'approvisionnement», a-t-il déclaré. Les données externes qui peuvent être intégrées dans des systèmes de planification constituent un avantage encore plus grand. Dans ce contexte, Satyavolu a cité l’intégration de l’interface de programmation d’applications (API) comme un ingrédient technologique clé des innovations actuelles de la chaîne logistique.
Au cours des derniers mois, a noté Satyavolu, plusieurs entreprises de fabrication ont incorporé des données du tableau de bord mondial Johns Hopkins pour les statistiques sur la pandémie de COVID-19. «Vous utilisez cela comme une API et vous la réintroduisez dans les systèmes pour obtenir une visibilité sur« l’état de l’Union »dans le monde», a-t-il déclaré. Cela a considérablement aidé dans la planification de la production.
Jumeaux numériques de la chaîne d'approvisionnement
Comptez ce que Gartner appelle le «jumeau de la chaîne d'approvisionnement numérique» comme une autre technologie à surveiller, même si elle en est encore à ses débuts.
Le groupe d'analystes définit le jumeau de la chaîne d'approvisionnement numérique comme une «représentation dynamique, en temps réel et échelonnée dans le temps des différentes associations entre les objets de données qui composent finalement le fonctionnement de la chaîne d'approvisionnement physique». En tant que tel, il ressemble et diffère des aspects des outils de gestion de la vie des produits, des logiciels de simulation et des modèles statistiques – ainsi que, d'ailleurs, du robot qui rampe à travers les réacteurs endommagés par le tsunami dans la centrale nucléaire de Fukushima déclassée au Japon.
L'utilisation de jumeaux numériques pour la chaîne d'approvisionnement peut simuler les opérations d'entrepôt et les niveaux de stock, et fournir un banc d'essai pour l'analyse hypothétique de différents scénarios de chaîne d'approvisionnement. Selon l’estimation de Salley, le jumeau de la chaîne logistique numérique implique un modèle construit à partir de données récoltées dans l’environnement réel de la chaîne logistique pour refléter l’activité. La météo et d'autres données externes peuvent être incluses dans la modélisation.
Pour l'instant, les types de logiciels impliqués dans la construction d'un jumeau numérique pour la chaîne d'approvisionnement sont diversifiés. Outre les piliers de la chaîne d'approvisionnement, des fournisseurs comme Ansys, Dassault, GE, MathWorks, PTC, Siemens et d'autres sont à la recherche.
La mise en œuvre des technologies de jumelage numérique dans la chaîne d'approvisionnement commence par l'identification des problèmes et le choix d'un candidat à traiter en premier. S'attaquer à un problème commercial connu est un bon point de départ, conseillent Salley et d'autres. Elle a dit s'attendre à ce que les projets jumeaux de la chaîne d'approvisionnement numérique démarrent à petite échelle pour prouver la technologie et les cas d'utilisation.
Salley a également averti que les systèmes hérités pourraient ne pas adopter naturellement ces nouvelles méthodes. Une nouvelle infrastructure peut être nécessaire.
«L'un des problèmes est que le jumeau de l'offre numérique nécessite une infrastructure plus récente», a déclaré Salley. À titre d'exemple, elle a évoqué l'utilisation de bases de données graphiques émergentes, par opposition aux bases de données relationnelles, pour cartographier les interconnexions complexes entre les objets en réseau dans la chaîne d'approvisionnement.
Comme pour l'apprentissage automatique, alimenter le système avec de bonnes données est une nécessité avec les jumeaux numériques. Salley a déclaré que les avantages des jumeaux de la chaîne d'approvisionnement numérique proviennent de données de «haute granularité et de faible latence. Et c'est là que l'IoT entre particulièrement en jeu. »
Informés par la diffusion en continu des données des appareils IoT, les responsables de la chaîne d'approvisionnement peuvent être avertis qu'une ligne d'assemblage est sur le point de s'arrêter, où des pièces sont nécessaires pour maintenir la ligne en fonctionnement ou lorsque la production peut être déplacée pour compléter la production de la ligne – toutes les lignes de production familières scènes de la fin.
Les questions que se posent aujourd'hui la chaîne d'approvisionnement, les opérations et les responsables informatiques sont motivées par «le désir d'être plus numérique», a déclaré Salley. «Il y aura toujours des perturbations.» Il est maintenant nécessaire de travailler avec la technologie et les personnes pour gagner en visibilité, en agilité et en résilience – et pour prendre les bonnes décisions, même sous pression.

Laisser un commentaire