L’industrie européenne est sans cesse à la recherche de pistes d’améliorations d’autant que d’autres pays y consacrent de gros budgets. On peut penser par exemple aux USA et à la Chine. Les nouveaux algorithmes sont porteurs de pistes prometteuses. Ceux qui travaillent sur une utilisation complémentaire des données de tests y voient pour leur part un réel potentiel !

On en parle beaucoup : l’Intelligence Artificielle, le Big Data etc… sont appelés à envahir tous les domaines. Beaucoup sont prêts à foncer : mais comment ? pour quels résultats ? quelles sont les erreurs à éviter ? comment s’adapter à ce qui va inévitablement évoluer ?…
Pour certains, tous ces algorithmes (que l’on associe à l’intelligence artificielle et au big data) n’apportent pas, dans l’industrie, les espoirs mis en eux. Il y a des préalables, des choix, des désillusions etc…, sans compter que l’on se heurte à des problèmes multiples : cohérence des données, des choix de données, des choix de méthodes, des qualifications, précision insuffisante, temporalité…..Problèmes différents de ceux rencontrés pour la reconnaissance faciale, le data mining, la reconnaissance vocale, …

AFNOR Normalisation – Commission Métrologie : Un nouveau Groupe de travail Datalogie

Pour tenter de répondre à ce nouveau challenge, Deltamu s’investit dans un nouveau groupe de travail de la Commission Métrologie AFNOR qui se propose de réunir des industriels venant d’univers professionnels différents, avec des besoins d’industriels, ainsi que des data scientists, pour élaborer ensemble un guide pratique et permettre à tous d’aller plus vite vers plus d’efficacité. C’est une partie de la compétitivité de notre région du globe qui se joue; alors que d’autres régions du monde s’engagent dans cette voie et réunissent déjà leurs forces pour mieux avancer.

Pour rappel, Deltamu avait animé lors du salon Global Industrie l’an dernier à Lyon une conférence Débat intitulée Datalogie : un sujet pour la normalisation volontaire, que nous vous invitons à (re)découvrir en vidéo ci-dessous.

Travailler à la préparation d’un guide de bonnes pratiques Afnor (statut qui valorisera le résultat de ce travail collectif), permettra en outre à tous les participants d’échanger sur leurs problématiques, les solutions et l’état de l’art, d’apprendre de leurs pairs et de se constituer un réseau « apprenant » à l’échelle de la France .

Nous vous proposons donc de nous rejoindre ! 

Si vous êtes tenté de participer à cette aventure, nous vous invitons à compléter le formulaire à la fin de l’article  ci-dessous afin que nous puissions vous mettre en relation avec la responsable de projet  AFNOR Normalisation qui vous présentera alors plus précisément le programme et les conditions de participation.

Contexte

Née quasiment avec la certification Qualité (01/03/1986)¹, la commission de normalisation « Métrologie » de l’AFNOR (X07B) s’est attachée à aider les industriels à répondre aux exigences des auditeurs. Lesdites exigences sont principalement tournées vers la démonstration de la traçabilité des étalonnages, des incertitudes (d’étalonnage) et de gestion des périodicités (FD X 07-014, FD X 07-041).

A l’heure de la révolution numérique (Révolution 4.0), les besoins en matière de « Métrologie », tels que ressentis à ce jour encore, évoluent. Les concepts de « Chaîne numérique » et de « Data Science » imposent de répondre à d’autres attentes, à d’autres besoins. Cette révolution est tellement conséquente qu’il est presque obligatoire de définir un nouveau terme pour évoquer la globalité des sujets/enjeux à traiter : la datalogie.

Mais pour commencer, qu’est-ce que la datalogie² ? Littéralement « Science des données ». La datalogie se définit, dans le champ de la métrologie, comme la science qui se charge d’étudier les nouveaux besoins en matière de données : véracité (Incertitude de mesure), authenticité (Blockchain), inviolabilité (Confiance numérique) et pérennité (Gestion). Inscrite dans la chaîne numérique (l’ensemble des logiciels qui peuvent être mis en œuvre dans une activité industrielle), cette science s’intéresse également à la capacité de réconciliation des données disponibles en interne mais également aux données partagées (Share data) : traçabilité, horodatage, …

« Datalogie » : Science des données/de la mesure, dans l’univers de la métrologie et de la Data Science

Enjeux

La sécurité, la « réconciliation » (la capacité à pouvoir affecter à un même phénomène des données provenant de différentes bases de données, stockées possiblement en des temps différents) et la fiabilité des données disponibles dans la chaîne numérique sont les vrais enjeux d’aujourd’hui. La Data Science offre un outil inégalé à ce jour pour transformer ces données en connaissance (comprendre les phénomènes et les optimiser) mais les données deviennent plus sensibles qu’autrefois (Monde plus « empirique »³). Si les étalonnages, les vérifications et le raccordement des instruments ont satisfait le monde « d’hier » (Commission « Métrologie » X07b), il est impératif désormais d’aller plus loin dans le management des données/mesures.

C’est pourquoi aujourd’hui l’AFNOR propose en partenariat avec Deltamu de constituer un groupe de travail sur la Datalogie, afin, entre autre, de rédiger des fascicules de documentation ayant pour vocation de guider les pratiques.

Mission de la commission « Datalogie »

A ce stade de la réflexion, les missions de la nouvelle commission « Datalogie » seraient principalement la rédaction de fascicules de documentation (ayant pour vocation de guider les pratiques). Il n’est pas improbable que des besoins de normalisation surgissent rapidement, dans le cadre des évolutions permanentes des briques logiciel « Métiers » et des algorithmes de Data Science. La possibilité d’avoir, à termes, des travaux de normalisation « au sens strict » n’est donc pas à exclure a priori.

Premiers guides à rédiger (non exhaustif) :

1 : Déconvolution Mesure / Erreur de mesure pour définir les a priori

2 : Inférence bayésienne généralisée aux distributions empiriques

3 : Surveillance dynamique des processus de mesure

4 : Métrologie : vulgarisation des principaux algorithmes de Data Science

5 : La blockchain dans le monde des mesures

6 : La qualité et l’intégrité des mesures dans le cadre de l’I.O.T

7 : Web sémantique : ontologie des données de la métrologie (Norme)

8 : Métrologie : fiabilité des données dans le cadre des sondages et des enquêtes de satisfaction

9 : Partage de données dans le cadre de l’entreprise étendue (L’entreprise étendue représente l’ensemble des entreprises qui concourent à la réalisation d’un produit)

Cette première liste n’a rien d’exhaustif. Elle sera complétée lorsque les experts auront été identifiés.

Pour en savoir plus

Vous souhaitez en savoir plus, remplissez ce formulaire  :

¹ Cette date correspond environ à la première version de l’ISO 9000. A cette époque, le BNM avait pour mission de vulgariser la métrologie, et surtout le raccordement des instruments de mesure, dans les entreprises industrielles. Les entreprises du secteur de l’armement avaient déjà des obligations en matière de raccordement (Cf les certifications RAC par le SIAR)

² Le terme datalogie fait l’objet d’une esquisse de définition sur Wiktionary : https://fr.wiktionary.org/wiki/datalogie. Un ouvrage est également titré « Datalogie », écrit par Manola Antonioli et Stéphanie Chifflet aux éditions LORO : https://www.decitre.fr/livres/datalogie-9782919507535.html

³ Les anglo-saxons évoquent le monde des « Opinion Driven » (je crois que cela est nécessaire basé sur mon expérience et mon intuition) pour parler du passé, versus les « Data Driven » (je constate, via les données, que cela me suffit) pour évoquer les approches « Data » actuelles.