Qu’est-ce que le Smart-Data ?

Le Smart-Data est une approche novatrice des questions de la donnée industrielle, afin de garantir en amont la production de données pertinentes et en aval une exploitation adaptée aux objectifs visés.

Objectifs

Le Smart-Data vise à fiabiliser la production et l’exploitation de données liées aux opérations techniques de la transformation de matière. En effet, les constats de terrain attestent qu’une quantité considérable de données techniques produites sont inexploitables, parce que non représentatives.

Les objectifs de la démarche de Smart Data pour les industries de transformation sont divers :

• déterminer les paramètres mesurables d’intérêt
• développer et adapter les outils et méthodes aux enjeux industriels spécifiques
• alimenter une stratégie technique de la donnée en « pleine-conscience » des enjeux et risques de biais de la mesure
• sensibiliser les équipes techniques et managériales à ces questions

Principe

Le Smart-Data consiste tout d’abord à regarder les données produites avec un oeil critique. Il s’agit de s’interroger sur la pertinence des données produites par rapport aux propriétés, comportements et phénomènes industriels de transformation de matière.

Les moyens utilisés pour produire ces données demandent aussi à être questionnés, non seulement comme il est usuel sous l’angle de leur précision et/ou répétabilité, mais surtout sous l’angle de leur représentativité par rapport à la ou les problématiques face auxquelles les données ont vocation à constituer des valeurs de rationalisation.

La pertinence des données en amont

Les standards de mesure issus du contrôle qualité et autres techniques courantes de mesure de laboratoire génèrent des données parfois non représentatives des comportements réels de la matière.

La détermintation des paramètres mesurables d’intérêt par des considérations de science industrielle des phénomènes opérant dans les procédés ou applications constitue dès lors un enjeu clé de la stratégie technique de la donnée.

L’exploitation des données en aval

L’exploitation de données représentatives permet d’envisager des corrélations efficaces et de développer la prédictivité.

Il reste néanmoins souvent nécessaire de procéder à des traitements mathématiques des données produites pour extraire les paramètres clés des phénomènes d’intérêt. A cette étape aussi, la phénoménologie et l’analyse des modèles existants apportent des éléments clés.

Des atouts précieux

Parvenir à la maîtrise de la représentativité des données mesurées ouvre la voie à de nombreuses améliorations à différents niveaux de l’organisation :

• Adapter les standards internes
• Développer des approches prédictives et ainsi fiabiliser les étapes critiques d’industrialisation ou de mise en application
• Etablir des spécifications pour les matières premières
• Ouvrir des voies d’innovation