L’essor de l’IA dans l’industrie : Un défi énergétique et une réponse frugale avec DiagFit

L’IA industrielle face au défi énergétique L’intelligence artificielle (IA) connaît une croissance rapide dans l’industrie, mais cette expansion s’accompagne d’une hausse significative de la consommation énergétique. Actuellement, les centres de données représentent entre 1 % et 2 % de la consommation mondiale d’électricité, un chiffre qui pourrait atteindre 3 % à 4 % d’ici 2030 […]
IA de confiance et transparence

Construire la confiance dans l’IA industrielle L’Intelligence Artificielle (IA) transforme aujourd’hui l’Industrie dans son ensemble. Elle permet l’optimisation des processus, la réduction des coûts de maintenance et améliore l’efficacité opérationnelle. Pourtant, un défi majeur persiste encore : la confiance.. En effet, comment s’assurer de la pertinence d’une décision si l’on n’est pas certain de la […]
Annonce DiagFit 3.1

Découvrez DiagFit 3.1, la nouvelle version de notre logiciel dédié aux séries temporelles. Nous avons grandement amélioré l’expérience utilisateur grâce à une amélioration des performances et de son interface utilisateur. Découvrez dès maintenant les nouveautés de DiagFit qui vous permettront d’optimisez l’analyse de vos données. Explorez et transformez vos données grâce à notre logiciel no-code En […]
Optimiser les diagnostics et automatiser la maintenance dans l’aéronautique

Optimiser la maintenance des équipements aéronautique devient possible grâce à l’alliance de l’Intelligence Artificielle, du Machine Learning et de l’expertise en série temporelle. Découvrez à travers les 4 cas d’usage suivants, comment DiagFit a permis aux équipementiers, mainteneurs ou utilisateurs des équipements d’améliorer leur efficacité opérationnelle. Sous-système de transmission Définir un indicateur d’usure d’un composant critique afin d’être alerté […]
La release DiagFit 3.0 est disponible

DiagFit 3.0 : l’exploration des séries temporelles industrielles Demander une démo Essayer DiagFit https://www.amiraltechnologies.com/wp2k23/wp-content/uploads/2024/06/DiagFit-Demo-PA-Site.mp4 Notre dernière release de DiagFit est désormais disponible, avec son plein de nouveautés. Découvrez quelles fonctionnalités ont été ajoutées à notre solution de prédiction de pannes en mode aveugle. Créez des modèles prédictifs exploitables grâce aux séries temporelles industrielles En savoir […]
L’alliance de l’humain et du Machine Learning dans l’Industrie 4.0

Combiner expertise humaine et machine learning : le graal de l’industrie 4.0 L’engouement de l’industrie pour l’intelligence artificielle et particulièrement pour le machine learning a fait naître des interrogations quant à l’imminente prise d’ascendance de la technologie sur l’homme. Mais au fur et à mesure que ces outils hautement sophistiqués se démocratisent, il apparaît évident que les prouesses de l’intelligence […]
Chalk & Talk : Des sous-groupes de capteurs à l’indicateur de santé global de l’équipement
Diviser pour mieux régner, une démarche pour améliorer l’explicabilité du diagnostic issu des modèles et éviter l’effet « boite noire »

La démarche de création de modèle en vue de la prédiction de pannes peut s’avérer difficile, semée d’embuches et parfois déceptive. La première source de déception peut venir du fait que les modèles générés peuvent paraître opaques quant à l’information fournie à l’utilisateur pour pouvoir remonter à la panne observée. On observe une réticence des […]
Une exploration aux profondeurs des séries temporelles : l’analyse à travers 3 dimensions – Temps, Capteurs, Fréquence

L’examen des séries temporelles dans le contexte industriel peut parfois s’avérer complexe. Dans un précédent article intitulé « Analyser, nettoyer et transformer des séries temporelles industrielles« , nous avons abordé la façon dont une approche analytique simple, combinée à des techniques de nettoyage et de création de capteurs virtuels, peut permettre d’extraire davantage de valeur des séries […]
Chalk & Talk : Analyse & transformation de séries temporelles industrielles