La préparation des données précède le passage à l'échelle de l'IA
Un projet d'IA industrielle peut lire des documents tout en échouant à identifier de façon fiable l'actif, le lieu, le signal, l'ordre de travail ou la règle d'approbation. En exploitation réelle, la fondation data compte autant que le modèle.
Data Fusion Services prépare cette fondation dans FactVerse. Il connecte les sources, mappe les champs aux entités du jumeau, normalise les données, calcule les indicateurs et rend le contexte disponible pour FactVerse Twin Engine, FactVerse AI Agent, Inspector, les dashboards et les analyses.
Partir du workflow opérationnel
La première question est opérationnelle : quelle décision ou tâche doit s'améliorer? Maintenance prédictive, tournée d'inspection, opérations data center, HeatOps, systèmes de facilities semi-conducteurs, équipements logistiques ou exécution de SOP numériques.
| Workflow | Données prioritaires |
|---|---|
| Maintenance prédictive | Hiérarchie actif, tendances capteurs, alarmes, historique maintenance, inspections, résultats d'ordres |
| Inspection facility | Espaces, actifs, points d'inspection, checklists, photos, catégories de problème, clôtures |
| Data center | Salles, racks, équipements, compteurs, alarmes, énergie, maintenance, responsabilité actif |
| HeatOps | Sources chaleur, sous-stations, compteurs, température, pression, débit, météo, logs dispatch |
| Guidage opérateur | SOP, étapes, références équipement, sécurité, formation, exigences d'approbation |
Inventorier les sources
Les sources typiques incluent SCADA, BMS, EMS, PLC, historians, plateformes IoT, MES, ERP, CMMS, EAM, GIS, BIM, compteurs, tableurs, plans, manuels, référentiels SOP, outils d'inspection, systèmes de formation et bibliothèques documentaires.
Pour chaque source, documentez le propriétaire, le rôle métier, la méthode de connexion, les champs disponibles, la fréquence de mise à jour, la conservation historique, les unités, les horodatages, les conventions de nommage, les risques qualité, la sécurité et les approbations.
Créer l'identité des actifs et des espaces
Les workflows AI Agent ont besoin de références stables. Pompes, AHU, UPS, échangeurs, vannes, grues, véhicules, salles, lignes et sous-stations doivent être reconnus entre systèmes.
FactVerse et Twin Engine utilisent cette couche d'identité pour connecter espaces, équipements, systèmes, relations, documents, signaux et ordres de travail. Data Fusion Services mappe les champs et tags sources vers les bons objets du twin.
Préparer signaux, événements et exécution
Température, vibration, courant, pression, débit, énergie, état de vanne, état d'alarme et état équipement nécessitent unités, horodatages, règles d'échantillonnage et indicateurs de qualité. Les ordres de travail, inspections, photos, SOP et acceptations apportent le contexte d'exécution.
Pour le machine learning, le dataset utile combine signal, contexte actif, état opérationnel, décision humaine, action exécutée et résultat. Ces données soutiennent entraînement, réentraînement, évaluation et ajustement des recommandations.
Modèle de déploiement DataMesh
- Choisir le workflow - Une boucle opérationnelle avec propriétaire et résultat mesurable.
- Inventorier les sources - Systèmes, tags, documents, propriétaires, accès et risques qualité.
- Modéliser l'identité - Espaces, actifs, systèmes, relations et alias dans FactVerse.
- Mapper et normaliser - Connecter les sources, lier les champs aux entités, harmoniser unités et temps.
- Connecter l'exécution - Inspector, Checklist, CMMS/EAM, SOP, preuves et règles d'approbation.
- Préparer la revue IA - Fournir le contexte fiable à FactVerse AI Agent.
- Capturer les résultats - Utiliser preuves terrain et mesures post-action pour améliorer qualité et modèles.
Checklist
- Le workflow a-t-il un propriétaire et un résultat mesurable?
- Les sources, documents, tags et enregistrements sont-ils inventoriés?
- Les actifs et espaces sont-ils mappés de façon cohérente?
- Les unités, horodatages, fréquences et risques qualité sont-ils documentés?
- Ordres, inspections, SOP, photos et acceptations sont-ils connectés?
- L'AI Agent peut-il expliquer ses recommandations avec des preuves traçables?
- Les revues humaines, suggestions rejetées et résultats peuvent-ils alimenter l'évaluation ML?
Références publiques
La page Data Fusion Services décrit la couche d'intégration data de FactVerse. Le guide FactVerse AI Agent operations loop explique le passage des recommandations vers l'exécution vérifiée. Les références Yokogawa et DataMesh, NIO smart factory et JTC donnent des exemples publics.