L’IA est devenue l’interface principale d’accès aux connaissances de l’entreprise. Cette évolution révèle la réalité de l’entreprise. Posez une question sur un document, un rapport de maintenance ou un planning de production. Mais l’une des principales sources de cette réalité manque encore à l’appel : le monde physique.
Lisez le livre blanc complet, « Operationalizing Reality Data: The Enterprise Reality Layer » , pour découvrir comment les organisations industrielles transforment les données de réalité collectées en connaissances d’entreprise utilisables en continu.
La numérisation 3D a largement résolu les problèmes de rapidité et d’accessibilité. Les scanners laser , les systèmes SLAM, les drones et les caméras 360° permettent de numériser un site en quelques heures, et non plus en plusieurs semaines.
Les données de réalité sont encore capturées, utilisées et archivées une seule fois. Elles deviennent un livrable de projet plutôt qu’une source de connaissances pour l’entreprise.
Cet article présente le concept de Couche de Réalité d’Entreprise. Celle-ci fournit un socle opérationnel où les données de réalité sont considérées comme une infrastructure vivante. Ces données sont structurées et connectées en continu aux systèmes d’ingénierie, d’exploitation et d’IA déjà utilisés par les organisations industrielles. Les organisations pionnières ne seront pas celles qui disposent des analyses les plus sophistiquées, mais plutôt celles qui constituent un référentiel sur lequel le reste de l’entreprise peut réellement s’appuyer.
L’écart avec la réalité : pourquoi les plateformes de gestion des installations et les jumeaux numériques sont à la traîne
Chaque décision industrielle se prend dans une installation réelle. Les équipements sont installés, modifiés et remplacés. Les lignes de production évoluent. Pourtant, les systèmes utilisés pour gérer tout cela (modèles d’ingénierie, dossiers de maintenance, plateformes ERP) décrivent souvent une version de l’installation qui n’existe plus.
De plus en plus, ce sont également ces systèmes que l’IA est entraînée à analyser, héritant ainsi du même angle mort que les humains contournent depuis des années.
Les équipes d’ingénierie découvrent des changements non documentés lors de la conception, et les projets d’investissement nécessitent des retouches lorsque les hypothèses ne correspondent plus aux conditions actuelles.
Paradoxalement, la plupart des organisations disposent aujourd’hui de plus de données réelles qu’auparavant. La numérisation laser terrestre, le SLAM, les drones et les caméras 360°, comme Insta360 , ont rendu la capture plus rapide et moins coûteuse que jamais. Mais ces données suivent généralement un schéma bien connu : un bâtiment est scanné pour un projet, les données répondent aux besoins de ce projet, puis elles sont archivées. Le cycle se répète au démarrage du projet suivant, souvent avec un tout nouveau scan.
Ce modèle centré sur les projets était pertinent lorsque la collecte de données était coûteuse et rare. Il perd toute pertinence dès lors que les données de la réalité deviennent abondantes. La prochaine phase de la transformation numérique industrielle ne se définira pas par une augmentation de la collecte de données, mais par la mise à disposition continue des données déjà collectées aux personnes, aux systèmes et à l’IA qui en dépendent.
Pourquoi la capture de la réalité est essentielle à la transformation numérique axée sur l’IA L’IA est déjà capable de raisonner à partir de données d’ingénierie, de systèmes ERP, de dossiers de maintenance et de flux IoT. Ce qu’il ne peut toujours pas faire, c’est voir. Il est incapable de percevoir l’état physique réel d’une installation : un état qui n’a jamais été saisi dans le système de CAO, jamais mis à jour dans le système d’information, et, dans de nombreux cas, jamais documenté. Sans couche de réalité connectée, l’IA ne se contente pas d’ignorer les changements récents. Elle raisonne sur un système qu’elle n’a jamais vu. Elle maîtrise tout, sauf le lieu même où tout ce travail est réellement effectué. |
Transformer les données de nuages de points et de maillages en données de réalité structurée
Un nuage de points ne peut répondre à une question. Un maillage ignore ce qu’il représente. Même une image gaussienne photoréaliste n’est, par essence, qu’une reconstruction visuelle : précise géométriquement, mais dépourvue de signification. Elle ne sait pas quel objet est une pompe, lequel est en maintenance ou lequel doit être remplacé.
Pour que les données de la réalité soient utiles au-delà du projet qui les a capturées, elles doivent franchir une étape : celle de passer de la géométrie brute à l’information structurée. Cela implique d’identifier les objets physiques présents dans un environnement capturé (équipements, structures, réseaux) comme des actifs persistants et étiquetés, et non comme un champ de points anonymes. Une fois qu’un actif est défini comme un objet, il peut contenir des métadonnées, se connecter aux systèmes d’entreprise et être suivi tout au long de son cycle de vie.
C’est là toute la différence entre la navigation dans un scan et l’interrogation d’une installation. Les ingénieurs ne cherchent plus la pompe dont ils ont besoin dans des nuages de points ; ils recherchent l’équipement dans son ensemble. Les équipes de maintenance obtiennent le contexte opérationnel dès qu’elles localisent un équipement, au lieu d’une forme à interpréter. Et cette même structure qui facilite le travail humain offre également à l’IA un matériau sur lequel raisonner : des objets nommés, avec leurs emplacements, leurs relations et leur historique, et non un champ géométrique indifférencié qu’elle doit interpréter de zéro.
Pour y parvenir, il ne suffit pas de capturer les données. Il faut les enregistrer dans un système de coordonnées commun, éliminer les artefacts et classer les ressources selon une norme cohérente.
Ce travail est généralement considéré comme du post-traitement, mais en pratique, c’est à cette étape que se joue la majeure partie de la valeur d’un programme de couche de réalité d’entreprise.
La conversion d’un nuage de points en maillage ou en modèle 3D n’est que la première étape. La véritable valeur ajoutée réside dans la classification des actifs et la gestion des données réelles .
Lisez le livre blanc complet, « Operationalizing Reality Data: The Enterprise Reality Layer » , pour découvrir comment les organisations industrielles transforment les données de réalité collectées en connaissances d’entreprise utilisables en continu.
L’utilisation des données réelles change la donne en matière d’économie. La rénovation d’un poste de transformation nécessitait le remplacement de deux transformateurs. Modélisée intégralement, cette opération aurait représenté un coût de 40 000 à 50 000 $. En identifiant uniquement les équipements nécessaires à l’équipe d’ingénierie et en conservant les modèles maillés existants dans leurs outils de CAO, le service d’ingénierie a considérablement réduit le travail de modélisation inverse et livré un modèle exploitable en 7 jours ouvrables pour moins de 10 000 $, économisant ainsi plusieurs semaines d’attente. |
La couche de réalité de l’entreprise : Capturer. Gérer. Connecter.
Une fois que les données de réalité sont considérées comme une infrastructure structurée et évolutive plutôt que comme un livrable ponctuel, elles nécessitent un modèle opérationnel. Ce modèle repose sur trois capacités interconnectées.
1. Capture : Conception neutre vis-à-vis des fournisseurs
Aucune technologie de capture n’est universelle, et les organisations ne devraient pas être contraintes d’utiliser un seul matériel pour exploiter pleinement leurs données. Le LiDAR terrestre offre la précision millimétrique requise pour l’ingénierie de détail.
Le SLAM et la vidéo à 360° permettent de capturer rapidement une installation en fonctionnement normal. Les drones atteignent des zones autrement inaccessibles. La visualisation par projection gaussienne transforme une courte visite virtuelle en un environnement immersif photoréaliste.
La couche de réalité d’entreprise ne cherche pas à déterminer laquelle de ces données est « correcte ». Elle les intègre toutes, normalise les résultats et permet à un projet de démarrer par une analyse rapide à 360° pour une étude de faisabilité préliminaire, d’ajouter une numérisation SLAM pour définir le périmètre et d’intégrer une numérisation TLS pour l’ingénierie détaillée. L’ensemble de ces données est aligné sur le même système de coordonnées, contribuant ainsi à un environnement combiné unique.
2. Gérer : Là où toutes les données réelles convergent
C’est à ce stade que la capture brute devient un atout opérationnel : les ensembles de données sont enregistrés, nettoyés, segmentés en objets et classifiés. C’est également là que toutes les données de la réalité capturée s’accumulent au lieu d’être réinitialisées ou stockées de manière isolée dans des applications dédiées. Chaque nouvelle numérisation valide, met à jour ou complète les données existantes au lieu de repartir de zéro.
Une installation enregistrée une seule fois et laissée intacte perd en précision à chaque modification non documentée ; une installation dont les données sont gérées en continu gagne en valeur et en fiabilité à chaque cycle.
60 heures contre 2 – Accélérer considérablement le délai de prise de décision La reconstruction d’un mur de réservoir endommagé à partir de zéro dans Revit était estimée à 60 heures de modélisation manuelle, sans modèle de base existant. L’intégration transparente des données Reality Data dans Revit a permis de réduire ce temps à 2 heures, la majeure partie de la modélisation CAO n’étant plus nécessaire, soit une réduction de 97 %, sans compromettre la précision requise pour l’évaluation structurelle. |
3. Connecter : Disponible là où c’est important
Un enregistrement structuré n’a de valeur que s’il parvient aux personnes et aux systèmes décisionnels. Cela implique de fournir des données de réalité directement au sein de vos systèmes de conception, d’ingénierie, de simulation, de maintenance et d’exploitation.
De plus en plus, cela concerne également l’IA. Les systèmes d’IA actuels maîtrisent parfaitement les documents et les bases de données. Ils restent cependant aveugles au monde physique, faute de source d’intelligence visuelle sur laquelle s’appuyer.
Un enregistrement structuré et interconnecté de la réalité transforme notre perception des installations . Il offre à l’IA une vision précise des installations et révèle les détails des actifs. Ainsi, il permet également de déterminer si une modification proposée est appropriée. Une analyse non structurée ne peut fournir ces informations.
Les données de la réalité doivent être considérées comme un véritable intrant pour l’intelligence artificielle, et non comme un simple document de référence. Cela n’est possible que lorsque la réalité est organisée de la même manière que le reste de l’entreprise.
Une plateforme de gestion des données réelles qui s’enrichit au fil du temps
Les organisations les plus performantes en matière de numérisation des données ne sont pas celles qui utilisent les scanners les plus sophistiqués. Elles ont cessé d’intégrer la numérisation aux coûts des projets. Désormais, elle est perçue comme un enregistrement qui s’enrichit au fil du temps. Chaque cycle de numérisation, de structuration et de mise en relation la rend plus complète, plus actuelle et plus utile.
Ce changement modifie la notion de « retour sur investissement » appliquée aux données de la réalité. Auparavant, une numérisation commandée pour un projet était évaluée uniquement en fonction de ce projet. Désormais, un enregistrement structuré et interconnecté continue de générer des profits : il alimente les conceptions futures, les interventions de maintenance et les requêtes pilotées par l’IA, bien après que la raison initiale de sa capture soit tombée dans l’oubli.
Le principal obstacle à la transformation numérique des entreprises n’a jamais été le manque de données, mais plutôt l’absence d’une couche reliant le monde physique au monde réel. Cette couche a permis de connecter l’organisation à ses connaissances existantes. La capture de la réalité a résolu le problème de l’acquisition. La couche de réalité d’entreprise transforme cette capture en connaissances d’entreprise exploitables en continu.
Lisez le livre blanc complet, « Operationalizing Reality Data: The Enterprise Reality Layer » , pour découvrir comment les organisations industrielles transforment les données de réalité collectées en connaissances d’entreprise utilisables en continu.