Une nouvelle approche des vidéos de formation pour les fabricants et les fabricants

Quelqu'un enregistre un expert en machine effectuant une tâche. Après cela, la vidéo est automatiquement téléchargée sur un moteur d'IA qui indexe et édite le contenu en segments digestibles.

La pénurie aiguë de main-d'œuvre dans la fabrication de métaux n'est pas nouvelle, et les accusations ne sont pas non plus. Les enfants ont grandi non pas avec des moteurs à carburateur, mais avec des smartphones et des ordinateurs. La formation professionnelle est en déclin depuis des années. La fabrication a un problème d'image.

Les magasins fabuleux qui ne trouvent pas d'expérience peuvent embaucher des personnes en fonction de leurs compétences générales, y compris leur désir d'apprendre. Mais comment ces personnes sont-elles enseignées, exactement ? Très souvent, le processus d'apprentissage est nettement old-school. Quelqu'un suit un opérateur expérimenté de presse plieuse ou de machine de découpe laser pour apprendre lentement les ficelles du métier au fil du temps. Le problème, c'est que se passe-t-il si un débutant a une question et que le vétéran qu'il suit s'impatiente ? Il a des pièces à produire, après tout, et le nouveau ne fait que le ralentir.

À ce stade, beaucoup parlent de culture d'entreprise, de leadership et d'autres concepts vagues, mais s'arrêtent ensuite à une solution concrète. Sam Zheng, PDG de DeepHow, affirme que son entreprise en a trouvé un.

Lancé en 2018 par Zheng, Wei-Liang Kao et Patrik Matos, DeepHow propose une sorte d'indexation et d'édition vidéo automatisées. En ouvrant une application mobile, une personne peut enregistrer un expert sur le sol effectuant certaines tâches. Le contenu enregistré est automatiquement téléchargé sur un cloud sécurisé, où un moteur d'intelligence artificielle (IA) identifie les différentes étapes de la tâche, puis découpe la vidéo en segments digestibles. Les nouveaux employés peuvent ensuite visionner (et revoir plusieurs fois) la vidéo sur un site Web ou une application mobile. Le comportement de visualisation alimente à son tour le moteur d'IA, afin qu'il puisse modifier le contenu plus efficacement au fil du temps.

Considérez-le comme une sorte de Khan Academy pilotée par l'IA pour l'atelier de fabrication. Contrairement à Khan, cependant, DeepHow ne repose pas sur des connaissances générales, mais sur un savoir-faire spécifique à une tâche. L'idée est que les gens pourraient mieux apprendre non seulement en observant, mais en visionnant et en révisant du contenu vidéo instructif encore et encore. Ce contenu n'est pas simplement créé et publié comme une vidéo Internet aléatoire (il est toujours sur un serveur sécurisé). Selon l'entreprise, le contenu est plutôt segmenté et édité d'une manière unique, l'IA s'appuyant sur des points de données qui révèlent comment le spectateur apprend le mieux. Au fur et à mesure que cette bibliothèque de contenu hautement personnalisable se construit, la capacité d'un fabricant à développer les talents de l'atelier augmente également.

En tant que chercheur dans le milieu universitaire et au Siemens Corporate Research Innovation Lab à Princeton, NJ, Zheng a une formation en psychologie de l'ingénierie, étudiant comment les gens et les machines interagissent.

"Lorsque j'ai dirigé mes projets d'innovation numérique, j'ai essentiellement vu comment nous introduisions tous ces systèmes automatisés complexes dans l'atelier. On pensait que l'automatisation pouvait résoudre tous les problèmes, au lieu de traiter avec de vraies personnes. Cela ne fonctionnait pas."

Les Fab Shops emploient des machines et des personnes jeunes et moins jeunes. Un fabricant peut avoir une nouvelle presse plieuse avec une commande à écran tactile affichant une simulation de pliage 3D. Mais à quelques mètres de là, quelqu'un d'autre pourrait être en train d'utiliser un dinosaure de presse plieuse. Cela fonctionne toujours très bien pour certaines pièces, et d'ailleurs, quelques-uns des vétérans de la boutique sont à l'aise de l'utiliser. Cependant, les nouveaux employés ne toucheront pas à l'ancienne machine, et les vétérans de l'atelier ne sont pas non plus à l'aise avec la nouvelle machine. Cette inadéquation personne-machine, a expliqué Zheng, entraîne des montagnes de maux de tête opérationnels, et c'est un problème qui ne peut être résolu uniquement avec des machines automatisées.

Pire encore, les programmes d'entraînement varient considérablement d'un magasin à l'autre. Le chroniqueur de FABRICATOR Steve Benson, président d'ASMA LLC, une entreprise de formation en presse plieuse basée à Salem, en Oregon, a tout vu. Certaines entreprises offrent une solide formation en lecture de plans et en utilisation d'outils de mesure de précision. Ils sont encore novices lorsqu'ils commencent à fabriquer des pièces. Mais ils ne sont pas non plus étrangers au manuel de la machine, et ils savent comment lire et calibrer un pied à coulisse et d'autres outils de mesure.

Encore d'autres fabricants suivent la philosophie de formation par essai par le feu. Comme Benson l'a dit dans la colonne Bending Basics de ce mois-ci, certaines recrues commencent leur journée après une orientation trop brève dans laquelle la personne principale dit: "Appuyez sur ce bouton et appuyez sur cette pédale 300 fois."

Sam Zheng, PDG et co-fondateur de DeepHow, a une formation en psychologie de l'ingénierie, étudiant comment les gens interagissent avec la technologie.

Chaque machine et processus de fabrication de métaux a sa propre courbe d'apprentissage, et chaque personne vit cette courbe différemment. Alors que les fabricants du monde entier subissent leurs transformations numériques, ils commencent à analyser les modèles de production et les inefficacités cachées.

Un tel suivi devient de plus en plus granulaire. Les logiciels de production peuvent révéler les temps de cycle réels des machines (par opposition aux heures d'entrée et de sortie des tâches dans les logiciels de planification des ressources d'entreprise) et corréler ces informations avec les personnes qui utilisent les machines. De cette façon, les responsables et les superviseurs peuvent approfondir les données et commencer à reconnaître des modèles, non seulement dans le flux de produits, mais dans la performance des personnes : ces personnes traitent certaines tâches plus rapidement que n'importe qui d'autre ; pourquoi ?

À mesure que les plates-formes logicielles de formation émergent, les gestionnaires peuvent commencer à se poser des questions. Comment ces personnes ont-elles surpassé tout le monde ? Comment ont-ils appris le processus et quel chemin ont-ils emprunté pour devenir si compétents si rapidement ? Aujourd'hui, les managers peuvent baser leurs réponses non seulement sur une intuition, mais sur des données réelles.

Zheng s'est souvenu d'une visite dans une usine Anheuser-Busch lorsqu'il a vu un grand tableau d'affichage qui montrait les visages de tout le monde dans l'usine, classés selon leur expérience. "Il y avait un énorme groupe de personnes avec deux à trois ans d'expérience, et un grand groupe de personnes avec 20 à 30 ans d'expérience, dont beaucoup approchaient clairement de la retraite. Et puis il n'y avait personne au milieu."

Cet écart d'âge est devenu trop courant chez de nombreux fabricants, a déclaré Zheng, et il présente encore un autre défi à la pénurie de main-d'œuvre. Cela signifie que les fabricants doivent veiller à ce que le savoir-faire soit transféré à la prochaine génération dès que possible.

Pourtant, pourquoi et comment cet écart d'âge a-t-il été créé en premier lieu ? Beaucoup évoquent la mondialisation et l'automatisation, mais comme l'a souligné Zheng, la nature de l'automatisation a également joué un rôle. "Les exigences en matière de compétences ont changé au cours des 20 dernières années", a-t-il déclaré. « Dans le passé, nous parlions tous d'avoir des compétences professionnelles. Maintenant, vous devez connaître les IHM [interfaces homme-machine].

Certaines des dernières machines de fabrication de métaux commencent à avoir des IHM qui empruntent au moins des éléments graphiques à l'électronique grand public, en particulier les smartphones, mais cela n'a pas toujours été le cas, et de nombreuses IHM maladroites subsistent.

"Nous savons que ces IHM sont horribles", a déclaré Zheng. "Ils sont si éloignés des expériences utilisateur typiques que les gens ont dans leur vie quotidienne."

Analytics a également soulevé des obstacles au recrutement. "Chaque opération d'aujourd'hui est tellement axée sur les données. Tout le monde dit : 'Nous devons mesurer la productivité.' Les gens doivent développer des compétences autour de cela."

Dans la fabrication, les gens ont tendance à penser en termes d'humain ou de machine ; une opération est soit manuelle soit automatisée. Bien sûr, la fabrication concerne vraiment l'homme et la machine, et au-delà de quelques IHM conviviales, cette connexion homme-machine n'a pas été examinée ou améliorée. La machine et l'homme travaillent ensemble comme un système.

Un expert portant un casque guide les téléspectateurs à travers une procédure de configuration de la machine.

Une machine qui fabrique extraordinairement rapidement peut sembler impressionnante, mais elle n'est pas très pratique si peu de gens peuvent apprendre à la faire fonctionner. Si un expert met en place un travail simple sur une presse plieuse avec une commande moderne, un novice relatif peut probablement exécuter le travail. Mais comment ce novice devient-il finalement un expert ?

« Les jeunes travailleurs peuvent passer des semaines ou des mois à observer l'expert dans l'atelier, mais pouvons-nous capturer le savoir-faire de cet expert ? Et pouvons-nous le numériser et faire en sorte que cet expert soit disponible tout le temps ? Nous voulons numériser et cartographier le savoir-faire afin qu'il soit très facile de le partager », a déclaré Zheng.

DeepHow utilise un moteur d'IA, que la société appelle Stephanie, pour lire le contenu audio et vidéo que les utilisateurs téléchargent. « Stephanie prend l'audio et la vidéo comme entrée », a déclaré Zheng, « et la première chose qu'elle fait est d'essayer de comprendre la complexité et de modéliser le flux de travail. Elle indexe ensuite [les informations] et segmente cette complexité en morceaux digestibles, fournissant des conseils étape par étape. Stephanie peut comprendre des experts parlant différentes langues et avec de forts accents. Elle peut également traduire l'audio dans différentes langues pour une distribution ultérieure.

"Du côté de l'apprentissage, nous utilisons l'IA de manière efficace. Au lieu d'optimiser les recommandations sur les réseaux sociaux, pour attirer votre attention et vous rendre accro, tout simplement pour vendre plus d'annonces, nous utilisons l'IA pour améliorer la façon dont nous présentons les informations aux apprenants, en tenant compte de l'endroit où ils se situent dans leur formation professionnelle. Cela aide à créer une formation personnalisée."

Le moteur d'IA utilise des recherches basées sur l'apprentissage en profondeur, un domaine de l'IA qui (simplifié à l'extrême) imite le réseau neuronal du cerveau humain. La technologie adapte ce que Zheng a appelé un "modèle de pré-formation" à l'environnement industriel. Pensez à la pré-formation comme au lycée. "C'est là que vous apprenez tous ces sujets génériques", a déclaré Zheng. "Après, vous devenez plus concentré et vous devez apprendre un domaine spécifique." C'est effectivement ce que fait Stéphanie lorsqu'elle analyse une tâche de fabrication spécifique.

Zheng différencie le savoir du savoir-faire. La connaissance est générale, tandis que le savoir-faire est la connaissance appliquée pour accomplir une tâche spécifique. Lorsque les gens ont les deux, ils ont de meilleures chances de bâtir des carrières réussies et épanouissantes dans la fab shop.

C'est là qu'intervient ce que Zheng appelle la « carte du savoir-faire ». Il l'a comparé à Google Maps. Des années de données ont rendu l'application Maps de plus en plus intelligente. "Vous n'avez qu'à taper votre destination, et il vous montrera comment vous y rendre, étape par étape, en fonction des conditions actuelles."

Le même concept s'applique à la carte des savoir-faire. Supposons qu'un opérateur de presse plieuse souhaite savoir comment faire fonctionner une autre presse plieuse avec un autre type de contrôleur. Stéphanie connaît son statut actuel, c'est-à-dire le savoir-faire que l'opérateur possède déjà et comment il l'a appris (quelles vidéos il a visionnées, quelles parties il a répétées, à quelle fréquence et combien de temps). S'inspirant d'une vidéothèque pleine de ces "morceaux digestibles" de savoir-faire, Stéphanie donne à l'opérateur le meilleur "itinéraire" pour apprendre l'autre commande.

La nature de cet itinéraire - sa longueur, le nombre de rebondissements - dépend de la similarité de la technologie. Pour apprendre le cintrage de panneaux, il peut être nécessaire de suivre un itinéraire différent un peu plus long ; apprendre la découpe laser peut nécessiter un parcours encore plus long.

Aujourd'hui, la technologie DeepHow est utilisée chez Stanley Black & Decker, Anheuser-Busch et ailleurs dans des usines aux États-Unis et à l'étranger. Dans la plupart des cas, les utilisateurs enregistrent des experts avec leur smartphone, bien que certains utilisent des caméras plus avancées. L'utilisation d'appareils d'enregistrement vidéo portables peut être particulièrement utile lorsque le point de vue de l'opérateur aide à transmettre les instructions. La technologie peut également incorporer des graphiques illustratifs.

De plus, il peut se connecter aux tableaux de bord de performance et de productivité à l'échelle de l'entreprise. Finalement, Zheng voit cette IA devenir la "pièce manquante" de l'usine intelligente, celle qui aide à aligner la technologie en constante évolution avec les personnes qui ont besoin de tirer le meilleur parti de cette technologie.

"En ce qui concerne l'industrie 4.0, tout le monde parle de technologie et de rendre les machines plus intelligentes", a déclaré Zheng. « Mais qu'en est-il des gens ?