Données historian (et ML)
- Un historian est l'archive de séries temporelles de l'usine: des années de données capteurs et automates, déjà collectées, déjà payées.
- C'est le chemin le plus rapide vers la valeur ML : les plateformes modernes s'entraînent sur l'historian sans matériel neuf.
- Les pièges : artefacts de compression, noms de tags opaques et contexte manquant (produit, équipe, lot): corrigeables, mais à budgéter.
- Pas besoin d'un data lake d'abord : les plateformes se branchent de plus en plus directement sur l'historian et contextualisent en apprenant.
Toute ambition ML en usine passe par un actif sans prestige : l'historian. OSIsoft PI, Wonderware, GE Proficy ou un stock SQL maison: il contient des années des données exactes dont les modèles ont besoin, et il est déjà là. Les usines qui démarrent le ML depuis l'historian obtiennent leurs premiers résultats en jours ; celles qui commencent par bâtir un data lake les obtiennent souvent l'exercice fiscal suivant.
Ce que les modèles lui demandent
Trois choses, par ordre de douleur. La résolution : les historians compressent (bande morte, swinging door) ; une compression agressive peut effacer les transitoires mêmes dont un modèle a besoin. Vérifiez la résolution réellement stockée contre ce que vos modes de défaillance exigent. La sémantique des tags : les modèles se moquent qu'un tag s'appelle TT4711, mais les ingénieurs qui agissent sur les attributions non: une passe de cartographie des tags fait partie de tout déploiement sérieux. Le contexte : codes produit, numéros de lot, marqueurs d'équipe et de changement de série transforment des séries anonymes en données d'entraînement conscientes des régimes ; sans eux, les modèles confondent un changement de produit avec une dérive.
La séquence pratique
Connecter l'historian en lecture seule, recharger 6-24 mois, cartographier les tags qui comptent, ajouter les flux de contexte (produit et lot depuis MES/ERP), laisser la plateforme s'entraîner. Les éditeurs diffèrent énormément sur la part automatisée: meilleure question de démo que tout ce qui touche aux algorithmes.
FAQ
- Combien de données historian faut-il aux plateformes ML ?
- Assez de production normale pour couvrir les vrais régimes: couramment 6 à 24 mois de rechargement. Plus de produits et de saisonnalité poussent vers le haut ; une ligne mono-produit stable peut démarrer plus bas.
- Faut-il nettoyer les données d'abord ?
- Pas exhaustivement: les plateformes modernes tolèrent trous et bruit. Corrigez ce qui change les conclusions : résolution stockée, cartographie des tags qui comptent, contexte de régime (produit/lot/équipe). Le projet de nettoyage perfectionniste est l'endroit où l'élan va mourir.
Chaque chiffre de ce site: dans un seul tableur sourcé.
Le marché à 43,6 Md$, les parts de cas d'usage, les freins à l'adoption et les résultats publiés, avec la colonne des sources intacte. Prêt à coller dans votre business case.