Apprendre aux usines à penser: l’approche IA de Goodyear

[Cet article fait partie d’une série de contenus développée en collaboration avec FEDIL, montrant comment l’intelligence artificielle contribue à la transformation numérique de l’économie luxembourgeoise.]

Goodyear est l’un des plus grands employeurs industriels du Luxembourg, fort d’une présence de longue date dans le pays et d’une expertise approfondie dans la fabrication de pneumatiques. Exploitant des sites de production extrêmement complexes, l’entreprise investit en permanence dans l’innovation afin d’améliorer ses performances opérationnelles, la qualité et la durabilité. Aujourd’hui, Goodyear franchit une étape importante dans son parcours de transformation numérique grâce au développement du Goodyear Semantic Twin Accelerator (GSTA), une plateforme basée sur l’IA conçue pour accélérer la prise de décision industrielle et déployer l’innovation numérique à grande échelle sur l’ensemble de ses sites de production. 

Le défi: transformer des quantités massives de données en connaissances exploitables

La fabrication moderne de pneus génère un volume extraordinaire de données opérationnelles. Des milliers de variables de processus sont enregistrées tout au long de la production, de la préparation et du mélange des matières premières à l’extrusion, en passant par l’assemblage, la logistique et le contrôle qualité final. Pourtant, malgré cette abondance d’informations, de nombreux projets d’IA industrielle peinent à dépasser le stade d’initiatives pilotes isolées. 

Le problème fondamental n’est pas le manque de données. Il réside plutôt dans la difficulté à donner à ces données une signification opérationnelle commune. Les informations sont souvent dispersées entre les services, les systèmes et les processus, ce qui empêche les équipes de se forger une vision cohérente de bout en bout des opérations. Les ingénieurs, les spécialistes de la production, les équipes qualité et les experts en logistique peuvent interpréter les mêmes données de manière différente, ce qui rend difficile la généralisation des enseignements tirés et la reproduction des initiatives couronnées de succès. 

En conséquence, les organisations se heurtent fréquemment à deux obstacles majeurs: la fragmentation des connaissances et une confiance limitée dans les recommandations générées par l’IA. Sans cadre commun reliant les données, les processus et les objectifs métier, l’analyse avancée peut rester déconnectée des besoins opérationnels réels. 

La solution: un jumeau numérique sémantique alimenté par l’IA

Pour relever ces défis, Goodyear, en collaboration avec le LIST (Luxembourg Institute of Science and Technology), a développé le Goodyear Semantic Twin Accelerator (GSTA). Cette plateforme combine l’IA sémantique, les graphes de connaissances et la technologie des jumeaux numériques afin de créer une représentation numérique partagée des opérations de fabrication. 

“Quand on parle d’IA, on pense immédiatement aux technologies nouvelles et futures. Chez Goodyear, nous voulons que l’IA améliore les industries traditionnelles, qu’elle optimise les processus déjà existants”, explique Luc Audibert, chef de projet senior. 

Au cœur de la solution se trouve un modèle sémantique qui décrit tous les aspects pertinents de l’usine: matériaux, étapes de production, équipements, ressources, contraintes, règles opérationnelles et indicateurs clés de performance. Au lieu de traiter les variables de processus comme des chiffres isolés, le système comprend leur rôle et leur contexte au sein de l’environnement de fabrication. 

Quand on parle d’IA, on pense immédiatement aux technologies nouvelles et futures. Chez Goodyear, nous voulons que l’IA améliore les industries traditionnelles, qu’elle optimise les processus déjà existants. Luc Audibert, Goodyear 

Cette couche sémantique sert de langage commun à toutes les équipes tout en fournissant une base prête pour l’IA en vue de futures initiatives d’analyse et d’automatisation. 

La solution est complétée par un moteur de simulation à événements discrets qui fait office d’usine virtuelle. Ce jumeau numérique permet aux équipes de tester des scénarios hypothétiques avant de mettre en œuvre des changements sur le terrain. Les alternatives opérationnelles peuvent être évaluées en toute sécurité, et leur impact sur le débit, les délais de production, les travaux en cours, l’utilisation des ressources et les performances logistiques peut être mesuré à l’aide d’indicateurs clés de performance (KPI) cohérents et explicables. 

Pourquoi l’intelligence artificielle est-elle essentielle?

L’intelligence artificielle joue un rôle central mais maîtrisé dans l’approche GSTA. Les technologies sémantiques et le graphe de connaissances structurent les connaissances en matière de fabrication et rendent les scénarios, les hypothèses et les résultats traçables. Des assistants LLM (modèles de langage de grande envergure) aux capacités limitées peuvent aider les utilisateurs en traduisant des questions en langage naturel en scénarios candidats structurés et en interprétant les résultats de simulation. Leurs résultats ne deviennent pas directement une logique de modèle exécutable ni des conclusions acceptées: les propositions de scénarios sont vérifiées par rapport à des règles sémantiques, tandis que les diagnostics doivent rester fondés sur des preuves enregistrées.

La GSTA prend également en charge la conception d’expériences fondée sur le graphe de connaissances, permettant d’explorer systématiquement des configurations alternatives et de les comparer à l’aide d’indicateurs clés de performance cohérents. Cette combinaison d’assistance par l’IA, de simulation déterministe et de données traçables contribue à réduire l’effet “boîte noire” tout en garantissant la traçabilité de l’aide à la décision. Cette même base pourra ultérieurement intégrer des capacités supplémentaires telles que l’apprentissage automatique et la détection d’anomalies.

Créer une capacité d’IA industrielle évolutive

Au-delà de son innovation technique, GSTA a été conçue dans une optique d’évolutivité. La solution est en cours de déploiement pour les opérations de production de pneus de camions et d’autobus et a été développée pour faciliter sa reproduction sur plusieurs sites de fabrication. En standardisant les définitions opérationnelles, les modèles de simulation et les cadres d’indicateurs clés de performance (KPI), la plateforme crée des actifs numériques réutilisables qui réduisent l’effort de mise en œuvre et accélèrent les futures initiatives d’IA. 

Cette approche permet à Goodyear d’aller au-delà de projets pilotes isolés et d’établir un cadre durable pour l’adoption de l’IA industrielle. L’initiative renforce également la collaboration entre les partenaires industriels et de recherche, tout en contribuant au développement de compétences avancées en fabrication numérique. 

Impact mesurable et potentiel futur

Le prototype a déjà démontré sa capacité à structurer des connaissances de fabrication complexes et à fournir des analyses de performances reproductibles et traçables dans divers scénarios opérationnels. Selon les estimations du projet, cette approche pourrait accélérer les cycles de numérisation et de déploiement de l’IA d’environ 30 à 40 %, réduisant ainsi considérablement le temps nécessaire pour passer d’une question opérationnelle à une décision validée, étayée par des indicateurs clés de performance fiables. 

En combinant l’IA sémantique, les jumeaux numériques et l’analyse explicable, Goodyear ne se contente pas de développer une solution technologique. L’entreprise crée une capacité d’aide à la décision évolutive qui permet une innovation plus rapide, de meilleures performances opérationnelles et une plus grande confiance dans l’adoption de l’IA au sein de la fabrication industrielle.