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.