Ma carrière de consultant a été centrée sur aider les entreprises du Québec à devenir plus compétitives, spécifiquement en augmentant leur productivité.

C’est donc plutôt décevant de lire le dernier bilan préparé par le Centre sur la productivité et la prospérité de HEC Montréal

Loin derrière! 

« En 2017, dans une heure de travail, un Québécois produisait en moyenne pour 60,15$CA (à parité du pouvoir d'achat) de PIB, comparativement à 66,95$ pour la moyenne canadienne (et) ...largement inférieure à celle de pays comme les États-Unis (82,03$) , l’Allemagne (87,38$), ou la Belgique (93,43$) »

« En fait, depuis la récession mondiale de 2008, seules la Nouvelle-Zélande (dans les pays de l’OCDE) et la province de Terre-Neuve-et-Labrador (au Canada) ont fait moins bien que le Québec » Un constant franchement décevant, pour ne pas dire décourageant.

Pourquoi?

Selon le Centre trois facteurs expliquent cette situation:

» Nos entreprises n’investissent pas assez en automatisation et en TIC;

» Elles ne font pas assez de R&D;

» Notre niveau de diplomation est inférieur à la moyenne des autres pays.

Le plus frustrant de tout ceci est que l’on connait, entend et répète ce même diagnostic depuis au moins vingt ans.

Plusieurs autres ‘explications’ ont été mises de l’avant par de nombreux autres observateurs:

» La difficulté de transformer les processus d’affaires et à vaincre la résistance au changement;

» Une population d’entrepreneurs vieillissants, qui hésitent à investir dans des technologies qu’ils comprennent peu ou pas et qui donc perçoivent un risque financier accru; sans compter le fait qu’ils soient plus préoccupés de protéger leur capital de retraite que de reprendre un risque entrepreneurial.

» Des modèles d’affaires inadaptés et l’hésitation des réseaux financiers à investir dans des actifs largement intangibles (une situation qui, heureusement, s’est grandement améliorée ces derniers 4-5 ans).

» Pour les plus grandes entreprises, la complexité et le coût de prendre en compte leurs systèmes patrimoniaux (legacy).

» Des préoccupations importantes (et légitimes) envers la cybersécurité.

» Des technologies qui évoluent trop vite, mettant en doute la capacité d’avoir le temps d’en amortir le coût.

» Le taux de change, car beaucoup de technologies (robots par ex. )sont fabriqués à l’étranger et vendus en dollars américains. Étonnamment dans la période ou le dollar canadien s’échangeait à parité et mieux, cela n’a eu aucun impact sur le niveau d’investissement des entreprises canadiennes.

» Etc., la liste d’excuses pour ne rien faire est longue.

 La seule tendance ‘récente’ (soi disant parce qu’on la voit venir depuis longtemps) qui semble avoir un effet positif est la pénurie de main d’œuvre.

Sur ce dernier point on commence à peine à en vraiment sentir les impacts. Cette pénurie est un problème mondial comme le montre le graphique ci-contre (sauf en Inde où la moitié de la population a moins de 25 ans). Le Québec vieillît plus vite—en 2017 25.4% de notre population était âgée de plus de 60 ans.

Selon les 40 000 entreprises dans le monde, interrogées par la firme Manpower 45% (vs 40% l’an passé) ont eu des problèmes de recrutement. 60% des entreprises américaines ont des postes vacants, ce qui, au rythme actuel, pourrait faire baisser leur PIB de 1.5% d’ici 2030.

Une perspective originale, à la fois simple et brillante du professeur Ajay Agrawal du Rotman School of Business Management de l’Université de Toronto. 

Quels coûts sont réduits?

Les économistes posent toujours la même question plate pour évaluer la valeur d’une nouvelle technologie: « Oui, mais ça va faire baisser quels coûts au juste? ».

Prenons un exemple du passé, les semi-conducteurs, pour illustrer ce qui arrive lorsqu’une technologie fait baisser le coût d’un intrant utile. Les semi-conducteurs ont réduit le coût de faire des opérations arithmétiques et, ce faisant, cela a eu trois conséquences importantes:

1. Nous nous sommes mis à utiliser de plus en plus d’opérations arithmétiques dans des applications, au début surtout militaires et gouvernementales, qui les utilisaient déjà, puis dans d’autres domaines, comme la prévision de la demande, parce que ces calculs étaient maintenant faciles et peu dispendieux à faire. 

2. Puis nous nous sommes mis à utiliser ces outils arithmétiques peu dispendieux pour résoudre des problèmes qui n’étaient pas traditionnellement formulés en termes arithmétiques. Par exemple, la création d’images photographiques, qui faisait avant appel à la chimie, est passée au traitement digital. 

3. En parallèle la valeur d’autres choses a aussi été impactée: celle des compléments aux outils arithmétiques a augmenté (dans le cas de la photographie, pensons aux logiciels et équipements digitaux) et celle de leurs substituts a baissé (par ex. les films et produits chimiques de la photographie traditionnelle). 

Un pouvoir de prédiction accru

L’impact économique de l’intelligence artificielle (IA) sera important car il permet de réduire substantiellement le coût d’un intrant de premier ordre dans de nombreuses activités, tant d’affaires que personnelles: le coût de faire des prédictions. 

Avec la baisse du coût nous utiliserons la prédiction de plus en plus pour des problèmes classiques (par ex. la gestion des stocks), parce que nous pourrons faire de meilleurs prédictions, plus vite, plus facilement et plus économiquement. Mais nous utiliserons aussi la prédiction pour résoudre des problèmes qui n’étaient pas, jusqu’à maintenant, considérés des problèmes de prédiction.

Par exemple on n’avait jamais considéré les véhicules autonomes comme un problème de prédiction. Traditionnellement les ingénieurs ont conçu des véhicules auto-guidés (AGV) simples pour fonctionner dans des environnements contrôlés, en programmant des trajets filoguidés préétablis dans un entrepôt, ou une usine, et des réactions prédéterminées dans certaines situations (si un humain passe devant alors arrêter; si une étagère est pleine alors passer à la suivante, etc.).

Mais cette approche est infaisable avec des automobiles dans les rues d’une ville,  parce qu’il y a beaucoup trop de ‘si’ possibles: s’il fait noir, s’il pleut, si un enfant se lance devant, si l’auto en face clignote pour tourner devant nous, etc. Aujourd’hui on peut recadrer ce problème en termes de prédiction. Un algorithme d’IA n’a qu’à prédire une réponse à une seule question: « Que ferait un humain dans cette situation? » Les actions possibles sont limitées: tourner à gauche, à droite, accélérer, ou freiner. Figurativement on met l’IA dans l’auto avec un humain, on lui fait prédire une action. Comme il n’a pas d’yeux ni d’oreilles on le dote de caméras, de radars, de lidars, etc.

Au début l’IA fera beaucoup d’erreurs. Mais en comparant avec ce que fait l’humain elle apprend et améliore son modèle constamment, jusqu’à devenir tellement bon qu’elle n’a plus besoin de l’humain pour agir.

Données-jugement-décision-action

Comme avec l’arithmétique lorsque le coût de la prédiction baisse la valeur de ses substituts diminue et la valeur de ses compléments augmente. Le principal substitut à la prédiction artificielle est la prédiction humaine. Comme humains nous faisons des prédictions continuellement; mais malheureusement nous sommes des penseurs peu disciplinés, en plus d’être sujets à de nombreux biais cognitifs et décisionnels bien documentés, ce qui fait de nous de mauvais prédicteurs. Au fur et à mesure que les prédictions d’IA deviendront meilleures et que leur coût baissera, la valeur de la prédiction humaine diminuera.

Mais, en même temps, la valeur des compléments à la prédiction augmentera. Parmi ces compléments fréquemment mentionnés on trouve les ‘données’. Plus le coût de prédiction baisse et plus la valeur des données corporatives augmente.

Cependant, il y a un autre complément important qu’on mentionne moins souvent: le ‘jugement‘ humain. Nous utilisons des prédictions ET du jugement pour prendre des ‘décisions’. Historiquement on a toujours groupé les deux ensemble, dans une étape unique. Maintenant on peut séparer les deux aspects: avec la machine qui prédit le rôle distinct du jugement devient plus clair et sa valeur plus importante, vu que la machine ne peut porter de jugement. L’IA peut seulement faire des (bonnes) prédictions et les transmettre à l’humain pour que celui-ci juge quoi faire avec, i.e. prenne une ‘décision’.

Un autre complément à la prédiction est l’action’. Une prédiction n’a de la valeur que si elle aboutit sur une action. Par exemple un algorithme de prédiction de la demande a beau être extrêmement juste et précis, il n’aura aucune valeur tant qu’un humain ne décide pas quelle quantité il compte acheter, ou produire. Nous ne possédons pas seulement nos données comme actifs, nous possédons aussi nos actions.

Au début les outils d’IA auront un impact surtout sur l’efficience d’une compagnie (par ex. des gains de 1-10% du BAIIA), mais sa vraie valeur réside dans son potentiel transformationnel. Par ex. l’outil de recommandation d’Amazon est précis à 5% (i.e. en moyenne nous achetons une recommandation sur 20); ça semble peu, mais quand on pense qu’Amazon vous a sélectionné 20 choix parmi son offre de plusieurs millions d’items, c’est quand même pas mal! Mais le jour où sa précision atteindra 50% Amazon pourrait décider de ne même pas attendre votre décision et de vous l’expédier (avec droit de retour bien entendu). Ça vous évitera de le commander ailleurs, ou d’hésiter dans votre décision (c’est déjà dans vos mains) - un nouveau modèle d’affaires! 

On demande parfois ce qui vient entre le 2.0 et le 4.0…! Évidemment il s’agit de numérotations non reliées.

Le Web 2.0 se réfère à la deuxième génération Web axée sur des contenus facilement générés par l’utilisateur lui-même, dans des communautés virtuelles, et promouvant le dialogue via des médias sociaux (contrairement à la première génération qui ne permettait que la consultation passive de sites). 

Industrie 4.0 quant à elle se réfère à la quatrième révolution industrielle, alimentée par l’échange de données en temps réel et l’automatisation manufacturière, via des technologies telles que les systèmes cyber-physiques, l’Internet des objets et l’intelligence artificielle. 

Une 3e révolution numérique 

On dit généralement que les quatre révolutions manufacturières se sont produites à tous les 50-60 ans (la machine à vapeur vers 1850-60, la ligne d’assemblage vers 1910-20, les premiers contrôleurs à logique programmable vers 1960-70 et les systèmes cyber-physiques vers 2010). Cependant on peut noter aussi que les deux dernières s’appuient sur les technologies numériques.

Brian Arthur de McKinsey raffine l’analyse et suggère que les révolutions numériques se produisent plutôt aux 20 ans et que nous vivons la troisième:

1. Vers 1970-1980 les circuits intégrés se sont répandus, favorisant miniaturisation et vitesses de calcul accrues. Pour la première fois l’économie peut s’appuyer sur un solide support computationnel (CAD pour les ingénieurs, systèmes MRP pour les gestionnaires, etc.). L’ère des ordinateurs personnels rapides et puissants est arrivée.

2. Dans les années 1990-2000 on assiste à l’interconnexion des systèmes numériques. Les ordinateurs sont reliés via des réseaux, des lignes téléphoniques, des satellites, etc. L’Internet se commercialise, ainsi que les services Web et le nuage apparait, permettant le partage des ressources numériques. Soudain tout parle à tout.

3. Aujourd’hui, 2010-2020, ce qui domine c’est l’ubiquité des senseurs bon marché (radars, lidars, gyroscopes, senseurs magnétiques, d’analyse sanguine, de pression, de température, de flux, d’humidité, etc.) tous interreliés via des réseaux sans fil pour nous informer en temps réel de la présence d’objets, du statut ou de la position d’un système, ou de changements dans leurs conditions environnementales. Nous nageons dans un océan de données, dont nous devons tirer du sens.

Au cours de la dernière décennie on a vu se propager le développement d’algorithmes dits « intelligents » pour ‘reconnaitre’ des choses et en tirer des conclusions. Ce qui est surprenant c’est que ces algorithmes ne sont pas basés sur une logique symbolique classiques (avec règles, grammaire, et toutes les exceptions prévues). Ils consistent plutôt à identifier des ‘associations’ dans une masse de données: ce patron compliqué de pixels veut dire ‘chat’, celui-ci veut dire ‘face’ (celle de Karine Vanasse); cette séquence de mouvements silencieux de lèvres correspond au mot parlé suivant. Ces algorithmes intelligents ne font pas des déductions géniales, ils appliquent plutôt des techniques statistiques avancées à des masses de données. Soudainement les ordinateurs peuvent faire ce qu’on croyait seulement les humains capables de faire: des associations.

Une intelligence extérieure

Une intelligence émerge alors de conversations permanentes entre divers algorithmes. C’est une intelligence autoorganisée, conversationnelle, en perpétuel ajustement et dynamique. Elle est aussi largement autonome - ces conversations et leurs résultats peuvent prendre place avec peu ou pas de conscience ou d’intervention humaine.

Cette intelligence n’est plus interieure, i.e. elle ne réside plus dans le cerveau humain des travailleurs, elle a émigré à l’extérieur, dans l’économie virtuelle.

Ce transfert est important. Quant l’imprimerie est apparue aux 15e-16e siècles elle a rendue publique de l’information jusqu’alors stockée à l’interne dans des manuscrits gardés dans des monastères; cette information s’est soudainement externalisée, accélérant la Renaissance, la Réforme et le développement de l’approche scientifique. Nous vivons une deuxième transformation interne vers externe et, comme l’intelligence c’est plus que de l’information, c’est l’utilisation de l’information, on peut penser que ce transfert aura de puissantes conséquences.

Des impacts importants

Bien sûr on peut appliquer ces nouveaux développements à des technologies comme la reconnaissance de visages, l’identification vocale, etc. pour automatiser des produits, services et chaines de valeur existants.

Mais des changements plus radicaux se produisent quant on assemble ensemble une série de ces pièces d’intelligence externe et qu’on crée de tout nouveaux modèles d’affaires. Par exemple une fintech de Chine a développé une nouvelle application pour téléphone mobile permettant faire un emprunt instantané pendant votre magasinage. L’application reconnait votre voix, valide votre identité, vérifie la balance dans vos comptes de banque, l’état de votre crédit, votre profil média-social, analyse diverses options et vous propose la meilleure option d’emprunt disponible...en quelques secondes...sans intervention humaine.

Par conséquent, que ce soit dans les banques, le commerce, le transport, la santé, le manufacturier, ou le militaire plusieurs industries font plus que devenir plus automatisées, avec des machines remplaçant des humains. Elles vont utiliser et combiner ces nouvelles pierres d’assise intelligentes pour réarchitecturer leur façons de faire. Et ce faisant, elles cesseront d’exister dans leur forme actuelle.

Évidemment un inconvénient majeur risque d’être une forme de chômage technologique (au fait une prédiction de John Meynard Keynes en 1930), résultant de la digestion de l’économie physique par l’économie virtuelle. Le problème n’est plus de créer suffisamment de biens (de richesse), mais bien de la partager équitablement. Si les 116 millions de ménages américains se partageaient également leurs $8.5 trillions de revenus, cela ferait 73 000$ par domicile. Pour cela il leur faut tous un job!

     - - - -   JOYEUSES FÊTES - - - -  

Industrie 4.0 c’est plus que le dernier acronyme à la mode dans ce secteur qui a vu des investissements…et des résultats probants en la matière.

De l’intention à l’action

Les entreprises du secteur (aérospatial, défense et sécurité dans le sondage en référence) planifient investir annuellement 5% de leur chiffre d’affaires en solutions numériques au cours des cinq prochaines années (ce qui est plus du double observé dans les entreprises pilotes du programme PME 2.0 réalisé par le CEFRIO pour le MESI).

C’est un niveau d’effort élevé, dans un contexte où les marges bénéficiaires sont à la baisse. Bien que dans l’aérospatial commercial les entreprises bénéficient de carnets de commandes, et donc d’horizon de planification de leur production, à long terme (selon le cycle de vie des divers programmes), elles doivent tout de même s’astreindre à une discipline très stricte de prestation et de livraison efficiente à court terme. Investir dans l’innovation pour développer ses capacités comporte une part de risque et d’incertitude, en particulier pour les PME sous le niveau Tier I. Du côté militaire les investissements doivent prendre en compte les incertitudes et les contraintes associées aux dépenses gouvernementales.

Mais les intentions sont ambitieuses. Près d’un tiers des répondants indiquent avoir déjà atteint un niveau avancé de numérisation et d’intégration de leur chaîne de valeur, avec leurs fournisseurs, clients et autres partenaires. Et les ¾ d’entre eux prévoient avoir atteint ce niveau d’ici 2020. La proportion d’entre eux qui prévoient une numérisation/intégration avancée de leur chaîne de valeur verticale et de leur développement de produit est élevée (82% et 90% respectivement). Par contre le progrès dans les chaînes de valeur horizontales est plus lent, ces chaînes étant très fragmentées et les défis importants; moins de la moitié (46%) pensent atteindre un niveau avancé d’ici cinq ans.

Des gains de performance importants et rentables

Les répondants prévoient que des gains significatifs résulteront de leur mise en œuvre d’initiatives 4.0. Elles anticipent réduire leurs coûts opérationnels de 3.7% par année et des augmentations de revenus 2.6% par année.

Une majorité (51%) estime que ses retours sur investissement seront de l’ordre de 2 ans ou moins ; 38% anticipe un temps de récupération plus long, entre deux et cinq ans, alors qu’une petite minorité (11%) pense que cela pourrait s’étendre au-delà de cinq ans.

Toujours plus de données

Les manufacturiers d’avions multiplient les façons dont ils utilisent les montagnes de données, produites en cours de désign, de production et d’opération d’un avion, pour explorer de nouveaux modèles d’affaires. L’entretien prédictif n’est qu’un exemple, mais l’utilisation de données numériques s’étend aussi dans d’autres domaines, tels que la capture et l’utilisation des données générées à bord par les passagers.

Un avion typique compte des millions de pièces. La quantité de données produites est immenswe et croit rapidement avec chaque nouvelle génération d’avion. L’Airbus A320, par exemple, gère 20,000 paramètres, mais le nouveau A350 en gère 400,00 et produit quelque 250GB de données par vol. Ces données sont utilisées pour améliorer les opérations de vol, la sécurité et l’efficience, pour accroitre l’expérience client et pour fournir un entretien plus prédictif et plus personnalisé. Un gain de 1% en consommation d’essence réprésente une économie annuelle de US$2B pour les compagnies aériennes. Tant dans le commercial, que dans le militaire, les technologies de numérisation et d’analyse de données présentent des opportunités considérables d’étendre l’offre de solutions pour le cycle de vie entier des appareils.

Des défis sérieux

Les plus grands défis de la numérisation concernent surtout des facteurs internes, comme la culture, l’organisation, le leadership et les compétences, plutôt que des facteurs externes tels que la présence des bons standards, de la bonne infrastructure, de la protection des droits intellectuels, ou des préoccupations de sécurité ou de secret des données.

L’absence d’une culture digitale et des efforts de formation insuffisants sont souvent cités ; plus de la moitié des répondants (55%) les nomment en haut de liste, un de leur trois défis les importantes. Un souci important concerne les compétences ; en particulier 38% indique le manque de compétence interne en analyse de données (data analytics) comme un défi spécifique.

Un plan d’action

1. Établissez votre stratégie : Évaluez votre maturité courante, établissez des objectifs claires, définissez et priorisez vos modèles de revenus et vos opportunités de réduction de coûts.

2. Faites rapidement des projets pilotes : utilisez les comme preuves de concept pour en démontrer la valeur. Commencez petit mais ayez une vision d’ensemble. Visez des projets cross-fonctionnels. Travaillez avec des leaders externes.

3. Identifiez ce dont vous avez besoin : en termes de compétences, de processus, mais aussi de facilitateurs (par ex. gouvernance, culture, collaboration, etc.)

4. Devenez habiles en analyse de données : ayez recours à un expert puis veiller à enchâsser cette compétence dans tous vos départements. Liez vos données à vos processus de décision.

5. Devenez une « entreprise numérique » : faites une transformation en profondeur. Ayez un « plan numérique ». Mettez en place une vision et des ressources. Assurez-vous que l’engagement et le leadership numérique viennent d’en haut.

6. Planifier une approche par écosystème : développez vos propres solutions produits et services, mais utilisez aussi des partenariats ou alignez-vous sur des plateformes existantes. Orchestrez l’ensemble de votre chaîne de valeur.

De nouveaux ATL

De nouveaux quoi? Des ATL!? Mais de quoi s’agit-il? D’Acronymes à Trois Lettres, bien entendu (comme ERP, GPS, etc.). On n’en avait pas vu beaucoup de nouveaux ces dernières années; mais là il en pleut. Je pense en particulier à IoT, IoS, IoP, CPS, I4.0, ou en code clair: Internet of Things, Internet of Services, Internet of People, Cyber-Physical Systems, Industrie 4.0 . Démêlons un peu tout ça.

Internet des choses, des services et des gens

L’ubiquité et l’interconnectivité d’Internet est au cœur de tous ces nouveaux concepts.

Nous sommes déjà fort habitués à l’Internet des personnes (IoP), i.e. les médias sociaux  et les cellulaires omniprésents sur le Web. En entreprise nous sommes aussi familiers avec l’Internet des services (IoS), qui s’appuie sur des concepts infonuagiques— le « cloud » —  tels que les infrastructures, plateformes et logiciels en tant que services (IaaS, PaaS, SaaS). Le nouveau venu dans le portrait c’est l’Internet des choses (IoT). L’IoT ce sont des réseaux d’objets physiques, où sont imbriqués des composants électroniques, du logiciel et des senseurs ‘connectables’, ce qui leur confèrent des fonctionnalités et une valeur accrues ,en leur permettant d’échanger des données avec leurs fabricants, leurs usagers, ou d’autres dispositifs. Chaque objet a une identité unique, de par sa technologie numérique imbriquée, mais peut interopérer à travers l’Internet. La clé est que l’IoT permet d’offrir une interconnectivité entre les dispositifs, systèmes et services qui va bien au delà des communications courantes machine-à-machine (M2M) et couvre une grande variété de domaines, protocoles et applications.

L'usine intelligente

L’Internet industriel des choses (IIoT) est la combinaison d’IoT et d’IoS supportant le concept d’usine intelligente. Il comprend des processus de production dit intelligents, connectés à :

· des produits intelligents (i.e. contextualisés, personnalisés, localisés, adaptables, reliés, etc.); 

· des réseaux électriques intelligents (permettant de collecter de l’information, sur les comportements de l’offre et de la demande, et d’agir en conséquence); 

· des édifices intelligents (pour contrôler automatiquement et centralement les fonctions HVAC et l’éclairage par ex.); 

· des communications mobiles; 

· des services intelligents, (par ex. logistique, maintenance et autres) etc. 

L’amalgame de ces technologies et applications diverses résulte, en fait, dans le développement de systèmes cyber-physiques (CPS). Un CPS est un système collaboratif d’éléments numériques contrôlant des entités physiques. Le tout est intimement lié à des concepts de robotique et de réseaux de senseurs combinés à des mécanismes de contrôle intelligents. 

 Les systèmes imbriqués courants sont une génération précurseure de CPS (leur emphase étant plus sur la composante calcul numérique que sur le lien intense entre les éléments de calcul et les éléments physiques). Les technologies WiFi, GPS etc. permettent d’ajouter un élément mobile au concept.

Industrie 4.0

Le terme "Industrie 4.0" origine d’un projet de stratégie hi-tech du gouvernement allemand, visant la promotion de la numérisation de son industrie manufacturière. 

Le terme 4.0 réfère â ce qu’on considère être la quatrième révolution industrielle, celle de l’automatisation intelligente, suite aux révolutions des engins à vapeur (1850), des lignes d’assemblage (1920) et de la première vague d’automatisation numérique (1970). Industrie 4.0 est un terme global pour toutes les technologies et concepts d’organisation numérique des chaines de valeur. Il se base sur des concepts de systèmes cyber-physiques, d’Internet des choses et d’Internet des services et il vise à faciliter l’atteinte de la vision d’une usine « intelligente ».

Par contraste avec l’usine actuelle, dans l’usine intelligente, en plus de la surveillance et du diagnostic des fautes et des erreurs, les composants et systèmes sont capables “d’auto-conscience” et “d’auto-prédiction”, somme toute de plus grande perspicacité sur l’état courant de l’usine. De plus les comparaisons de pair-à-pair et la fusion de multiples sources d’information permettent une prédiction précise de l’état de santé futur, tant des composants que des systèmes, afin de déclencher les intervention d’entretien au meilleur moment possible, dans un but de maintenance juste-à-temps et de temps d’arrêt approchant zéro.

En plus de l’Allemagne, on retrouve aussi aux États-Unis le Smart Manufacturing Leadership Coalition qui encourage les manufacturiers industriels à former des groupes de R&D coopératifs et de promotion du développement d’approches, de standards, de plateformes et d’infrastructures partagés, afin de faciliter une large adoption de “l’intelligence manufacturière”. Au Canada et au Québec ces concepts sont encore très peu dans le collimateur de nos gouvernements, pour le moment.

L’usine 4.0 a six caractéristiques importantes:

· Interopérabilité: la capacité des CPS à communiquer entre eux via l’IoT et l’IoS;

· Virtualisation: l’existence d’une copie virtuelle de l’usine, créée à partir des données de senseurs, de modèles virtuels, de simulations, etc.; 

· Décentralisation: la capacité des CPS à prendre des décisions par eux-mêmes; 

· Fonctionnement en temps réel;

· Orientation service: via l’IoS; 

· Modularité: une adaptation flexible à des besoins en constant changement, via le remplacement ou l’extension de ses divers modules. 

Au final

Dans un clin d’œil à la physique quantique, tout cela peut se résumer dans un dernier acronyme: IOE...the Internet of Everything J

On peut imaginer un monde où les clients peuvent, à tout moment configurer leurs propres produits, où les entreprises peuvent répondre à ces exigences, tant de fonctionnalités que de service, avec des produits connectés qui communiquent, en tout temps, leur état, où ces produits sont créés par des opérateurs laissant à des automates la commande des machines, le transport des pièces, les changements d’outils, etc. Cette réalité est déjà, largement, à nos portes.