Veniamo da un mondo in cui non esistono incertezze di misura!

Infatti, dal 1837, la metrologia legale, attraverso la sua azione nel contesto del commercio, ha stabilito la totale fiducia nei risultati delle misurazioni che vengono utilizzate per stabilire il prezzo di una transazione. Mentre alla vigilia della Rivoluzione francese, i nostri anziani chiedevano, letteralmente, “un peso e una misura”, la misura sembra proprio sotto gli occhi di tutti oggi.

Ognuno di noi ascolta e utilizza i risultati delle misurazioni su base giornaliera indipendentemente dall’inevitabile incertezza associata. Ciò non rappresenta un problema per il commercio, ma non sembra nemmeno rappresentare alcun problema nel mondo industriale. Mentre è facile capire che le incertezze di misurazione possono essere trascurate per le misurazioni commerciali, è più sorprendente vederlo quando coinvolgono decisioni industriali.

Nel caso di transazioni commerciali, l’errore di misurazione può giocare a favore o contro l’acquirente (simmetricamente a favore o contro il venditore). Puoi avere un po ‘di più, o un po’ meno, benzina nel tuo serbatoio o pomodori nel tuo carrello, niente di molto grave finché il divario tra realtà e misurazione è ragionevole … non c’è morte dell’uomo!

Nelle decisioni industriali, d’altra parte, la posta in gioco può essere molto diversa. Ancora una volta, l’errore di misurazione non ha preferenze. Può indurre a credere che un’entità sia conforme quando non è nella realtà (rischio del cliente) o, simmetricamente, che un’entità dichiarata non conforme nella realtà (rischio del fornitore). Immagina per un momento che sei tu a essere personalmente interessato, ad esempio nel caso di un esame di biologia medica. L’errore di misurazione può suggerire che non sei malato quando lo sei effettivamente. Pertanto non trarrete beneficio dal trattamento che avrebbe potuto apportare milgioramento alla vostra situazione o addirittura salvarvi la vita. Lo stesso vale per una parte critica di un motore aeronautico che può essere considerata conforme quando non lo è … e tu sei sull’aereo! A differenza del commercio, ci possono essere decisioni industriali che portano alla “morte di un uomo”! Questa situazione consente di comprendere il significato dell’espressione “rischio cliente”.

Per “rischio fornitore”, anche se il concetto è attraente in quanto induce una nozione di “condivisione del rischio”, le cose sono più sottili. Tornando all’esempio della biologia medica, il “rischio del fornitore” equivarrebbe a dichiarare un paziente malato quando effettivamente non lo è. Quest’ultimo, perfettamente sano, potrebbe quindi essere inflitto, a causa di un errore nella misurazione, da un trattamento chemioterapico completamente inutile. Possiamo davvero parlare di “rischio fornitore” quando è il paziente (cioè il cliente) a subirlo. Inoltre, non è lo stesso in tutti gli altri casi? Quando uno strumento viene dichiarato erroneamente non conforme a seguito di un’operazione di verifica, è proprio il fornitore (ovvero il laboratorio che ha dichiarato la non conformità) o il cliente a subire realmente le conseguenze di questo errore? Tutti coloro che hanno dovuto gestire uno studio di impatto o sostituire urgentemente un dispositivo ritenuto non conforme sanno che sono loro che hanno pagato, a volte a un prezzo elevato, questo errore di valutazione e non il loro fornitore.

Inoltre, dimostriamo che questi due rischi non si evolvono simmetricamente: guadagnare l’1% su uno di essi può causare la perdita del 10% o più sull’altro. Quando comprendiamo che i due rischi sono a carico del cliente finale, possiamo interrogarci sull’attuale strategia, che è quella di ridurre il più possibile il “rischio del cliente”. Questa strategia porta a un’esplosione del “rischio del fornitore” assunto dal cliente finale. Non possiamo fare di meglio? La Smart Metrology ha un ruolo da svolgere in questa “ottimizzazione del rischio” necessaria? In un momento in cui finalmente ci rendiamo conto che le risorse non sono infinite e che la concorrenza è diventata internazionale, non è forse il momento di cambiare le nostre pratiche per passare infine al “giusto”?

L’apparente inutilità delle incertezze di misura …

In linea con le pratiche “ISO 9001”, la norma UNI EN ISO 14253-1 mirava a risolvere la questione della presa in considerazione delle incertezze di misura, una domanda la cui risposta condiziona il problema della “qualità” delle nostre produzioni: come garantire che le caratteristiche o “entità” prodotte rispettino le loro specifiche?

Figura 1 – Tenendo conto delle incertezze di misura secondo la norma ISO 14253-1

Secondo questo standard, si tratta semplicemente di “sottrarre” l’incertezza di misura U dai limiti della tolleranza al fine di definire una zona, nota come “zona di conformità”, che garantisce che qualsiasi entità il cui valore misurato apparirà all’interno a detta area, verrà dichiarata “conforme”. Intorno ai limiti Tinf e Tsup, in un intervallo di larghezza ± U, lo standard definisce due aree di dubbio e raccomanda, al fine di governare, di misurare nuovamente l’entità usando un processo di misurazione che esprima una incertezza più piccola. Infine, un valore misurato oltre le aree precedenti porta a dichiarare la non conformità dell’entità.

Su base giornaliera, la dichiarazione di conformità segue piuttosto l’approccio descritto nella Figura 2

Figura 2 – Pratica osservata

Dato che l’incertezza di misura non è generalmente considerata nella pratica attuale, senza generare disastri a priori, possiamo dedurre, senza andare troppo lontano, che le tolleranze espresse hanno già le proprietà della “Zona di conformità” descritta nella norma UNI EN ISO 14253-1. Questa scoperta non è sorprendente alla fine. Le tolleranze attuali sono state determinate realizzando entità funzionalmente conformi, iterativamente nella fase di sviluppo da valori misurati considerati “giustizia equa della pace”. Da questo punto di vista, tenere conto dell’incertezza di misura si presenta come una favolosa opportunità di muoversi verso un’espressione più razionale del bisogno funzionale. Inoltre, per coloro che saranno in grado di mettere in discussione questa convinzione in giuste misure, si apre un potenziale significativo per migliorare la produttività industriale. Infatti, specifiche più ampie, “proprio ciò che è necessario”, consentono di prevedere non solo minori costi di produzione, ma anche una migliore gestione dei consumi, sia in termini di energia che di materie prime, necessari per sperare in un futuro migliore ” sostenibile “.

Nel white paper “Objectif Smart Tolerancing” scaricabile gratuitamente, le pratiche in termini di tolleranza sono decifrate e vengono esposte le proposte di modifica. Attualmente, la stragrande maggioranza delle pratiche si dice che sia il “Caso peggiore”. È costoso perché non tiene conto degli effetti casuali che influenzano tutte le produzioni. È necessario considerare che il peggio dei tappi deve essere assemblato con il peggio delle penne, mentre sarebbe più efficiente garantire un tasso accettabile di coppie “Plug / Pen” funzionali. Questa pratica del “caso peggiore” è così impegnativa che si può rinunciare alle incertezze di misurazione. Sono inclusi, in un certo senso, nella sicurezza che circonda questo modo di fare gli oggetti, ma, il più delle volte, senza essere realmente controllati.

Quindi c’è un vero potenziale fintanto che sei disposto a mettere in discussione il tuo modo di pensare. Altri approcci maturi consentono l’ottimizzazione dell’assegnazione della tolleranza, ottimizzando così i costi di produzione. Per questo, devi essere in grado di “modificare il tuo software” e questa non è l’ultima delle difficoltà. In effetti, in conclusione, questo white paper evidenzia: « questi metodi, tolleranza inerziale o “tolleranza di processo”, si sono dimostrati efficaci. Chiedono solo di essere impiegati su larga scala al fine di migliorare la competitività delle imprese industriali. Il loro utilizzo non dipende da investimenti pesanti e rischiosi o da complicati strumenti IT da implementare. L’ostacolo al loro uso è ampiamente identificato: anche la resistenza al cambiamento è giustificata dal classico “abbiamo sempre fatto così, il cambiamento è troppo rischioso! »E chiede un po ‘di coraggio manageriale, potremmo aggiungere!

Le incertezze di misurazione non riguardano solo commercianti o produttori. Nel mondo della ricerca, hanno anche potenzialmente un impatto da cui è indispensabile proteggersi. Discutiamo questo campo con Laurent Leblond nel libro “Smart Metrology, dalla metrologia degli strumenti alla metrologia delle decisioni” citando Georges Charpak, Premio Nobel per la fisica:

« Dans son livre « Devenez sorciers, devenez savants », dont Henri Broch est co-auteur, Georges Charpak écrit : « … Or, il faut rappeler que l’incertitude sur une donnée est toute aussi importante que la donnée elle-même puisqu’elle décide de la fiabilité que l’on peut accorder à cette dernière et, par voie de conséquence, de la fiabilité à accorder à la théorie reposant sur ce résultat …». En interpellant ainsi ses pairs, Georges Charpak souligne que cette question de la fiabilité de la donnée n’est pas forcément toujours au cœur des préoccupations des chercheurs. »

“Nel suo libro” Diventare maghi, diventare scienziati “, di cui Henri Broch è coautore, Georges Charpak scrive:” … Tuttavia, bisogna ricordare che l’incertezza su un dato è importante quanto il dato decide sull’affidabilità che si può garantire a quest’ultimo e, di conseguenza, sull’affidabilità da accordare alla teoria sulla base di questo risultato … ”. Sfidando i suoi colleghi in questo modo, Georges Charpak sottolinea che questa domanda sull’affidabilità dei dati non è necessariamente al centro delle preoccupazioni dei ricercatori.

Pertanto, speriamo che Max Planck si sbagli quando scrive: “una nuova teoria non trionfa mai, sono i suoi avversari che finiscono per morire. “. Il potenziale esiste, ovviamente, ma questo percorso per attuare questo cambiamento di salvataggio è probabilmente ancora molto (troppo?) Lungo …

Intelligenza artificiale: un’interruzione che cambia il mondo

Il mondo in cui viviamo è un mondo che gli anglosassoni descrivono giustamente, crediamo, come “guidato dall’opinione”. È questo modo di pensare che porta ad esigere, per usare l’esempio delle penne di cui sopra, che il peggio dei tappi deve essere in grado di combinarsi con il peggio delle penne. È una convinzione su cui si basano i nostri ragionamenti, requisiti e pratiche..

Allo stesso modo, un disegno sperimentale che cerca di modellare il comportamento di un fenomeno in relazione a fattori di ingresso è opinabile. Lo sperimentatore pensa (crede?) che il suo fenomeno di interesse sia influenzato da tale e tale fattore e quindi costruisce la sua esperienza su questa convinzione. Tuttavia, non vi è alcuna garanzia che non ne abbia dimenticato uno, o anche diversi, che influenzano i parametri. In tal caso, il modello non esprimerà la realtà. Quante situazioni disfunzionali sono causate da credenze incomplete? Nessuno probabilmente può rispondere a questa domanda, ma tutti i produttori, d’altra parte, devono affrontare problemi che non possono risolvere. Queste situazioni esistono senza dubbio!

I Big Data, capacità di archiviazione dei dati, cloud e potenza di elaborazione dei computer hanno aperto nuove possibilità. L’intelligenza artificiale, che si traduce in molti algoritmi di calcolo, consente un approccio completamente diverso. Talvolta parliamo di tecniche ingenue o agnostiche. Questi algoritmi basati sui fatti non impongono altre ipotesi che avere dati e questo requisito da solo è una vera opportunità per la metrologia. In effetti, questi dati forniscono una rappresentazione equa della realtà solo se le misurazioni sono affidabili. Questi dati non vengono utilizzati solo per decidere su un’azione (conformità, rettifica, …) ma rappresentano anche un capitale che si accumula nel tempo per essere utilizzato dall’azienda per comprendere e agire.

Affidabilità dei risultati della misurazione, un imperativo categorico.

Nel luglio 2017, la rivista Science & Vie intitolata « Une nouvelle intelligence est née » ( In Ital. « È nata una nuova intelligenza”). Un dossier completo è stato dedicato all’intelligenza artificiale e alla potenza dei suoi algoritmi. In questo file, un esempio ci spiega che un algoritmo ha imparato a “riconoscere” la presenza di un leone su una foto (ricorda che se vista da un computer, un’immagine è solo un’enorme raccolta di pixel!) , non attraverso il colore dell’animale o la forma della sua criniera, che sarebbe decisivo per un essere umano, ma da una peculiarità dei suoi occhi. L’algoritmo è stato in grado di scoprire questa “firma” sfruttando una libreria fotografica in cui alcuni leoni erano contenuti, altri no.

Questo esempio è particolarmente interessante per due motivi. Mostra, da un lato, la capacità degli algoritmi di trovare elementi differenzianti che non ci appaiono naturalmente. Quanti “segnali deboli” sono ancora nascosti nei processi di produzione industriale e pongono problemi incidendo negativamente sulle prestazioni aziendali a causa di rottami o alterazioni della durata della vita? D’altra parte, evidenzia la necessità di misurazioni molto più affidabili rispetto ad oggi: se la foto è sfocata, come si possono “vedere” gli occhi?

I big data e l’intelligenza artificiale consentiranno un migliore controllo dei fenomeni complicati da comprendere con i nostri strumenti tradizionali. Tuttavia, questi nuovi strumenti hanno nuovi requisiti, inclusa l’affidabilità dei dati. Il metrologo, che è diventato intelligente, ha quindi un ruolo essenziale da svolgere in questo nuovo mondo che non aspetterà un cambiamento graduale. Non si tratta di passare dal “caso peggiore” alla tolleranza statistica. È una vera perturbazione nel modo di pensare, passando da “guidato dall’opinione” a “guidato dai fatti”.

I pionieri dei Big Data hanno riassunto i Big Data con tre caratteristiche, 3 V per volume, varietà e velocità. Sicuramente non ci è voluto molto per ammettere che i loro algoritmi ne hanno impiegato un quarto per funzionare: Veracità!

Dato che gli algoritmi sono agnostici, possono solo “credere a ciò che viene loro detto” … Possono cercare segnali deboli in una moltitudine di informazioni ma sono piuttosto incapaci, e non è il loro ruolo, correggere i dati che hanno. L’adagio “Garbage in, garbage out” assume qui il suo pieno significato. Se metti qualcosa in input, ottieni qualcosa in output. Il metrologo che, fino ad allora, si è occupato principalmente della gestione degli strumenti di misura, deve accettare la sfida di misurazioni affidabili, che gli impongono un nuovo ruolo: essere garante della veridicità dei dati misurati della sua azienda..

Inferenza bayesiana: una rivoluzione copernicana in metrologia

Mentre le incertezze di misurazione dovrebbero essere al centro delle preoccupazioni dei metrologi, dobbiamo ammettere che non prestiamo molta attenzione a loro nella pratica. Quindi a cosa serve fare calcoli, se non usarli?

Per usare queste incertezze, lo standard ISO / IEC Guide 98-4 * apre un campo molto utile in metrologia: l’approccio bayesiano. La nozione di a priori utilizzata in questo approccio per stimare i rischi legati alla dichiarazione di conformità può avere anche molte altre applicazioni..

Il rischio di dichiarare « conforme » un’entità in realtà “non conforme” si riduceva, nella visione classica, alla superficie che supera la zona di tolleranza (vedi Figura 3)

Figura 3: visualizzazione tradizionale del valore misurato, incertezza associata e rischio del cliente

Tuttavia, questa visione è chiaramente incompleta. In effetti, il rischio del cliente esiste solo se l’entità è veramente non conforme. È quindi ovvio che la probabilità che l’entità non sia conforme deve essere presa in considerazione nel calcolo del rischio. Quest’ultima è infatti la realizzazione simultanea di due eventi: misurare conforme (di probabilità P1) un’entità in realtà non conforme (di probabilità P2).

La probabilità P1 può essere calcolata dall’incertezza di misura. La probabilità P2 è invece calcolata da una conoscenza a priori sulla produzione dell’entità. Questo approccio, che combina l’osservazione (misurazione) e a priori sulla realtà da misurare, è chiamato bayesiano. Si tratta quindi di dedurre, dal corpo della conoscenza (misura, incertezza di misura e a priori), la realtà più probabile. Un articolo su questo blog spiega come utilizzare tutte le proprie informazioni per ottenere un valore più affidabile rispetto al valore misurato.

Molto schematicamente:

1. considerare l’equazione di base del metrologo (Vmisurato = V Vero + misurazione),
2. dedurre che esiste una moltitudine di combinazioni (Vero, misurazione) per lo stesso valore misurato,
3. calcolare la probabilità di ciascuno di essi (P1xP2) non appena conosciamo l’incertezza a priori e la misurazione,
4. trovare la combinazione più probabile e dedurre il valore vero più probabile dietro il valore misurato..

Questa postelaborazione del valore misurato richiede la conoscenza a priori dei processi aziendali e dell’incertezza di misura. È un modo originale di utilizzare l’incertezza di misura a fini prestazionali. Il metrologo intelligente dovrà afferrarlo. La competenza di questo futuro metrologo che consiste nella valutazione dei rischi e dei valori più probabili sarà molto più gratificante ed essenziale per la sua attività rispetto alla gestione delle calibrazioni periodiche, spesso inutili ed essenzialmente svolte per soddisfare gli audit.

Monitoraggio dinamico: fine di inutili calibrazioni periodiche

La strategia storica delle “tarature periodiche a calendario” non garantisce l’affidabilità delle misurazioni. Questa pratica rileva problemi a posteriori solo quando devono essere rilevati dinamicamente. In una logica di controllo del rischio, è indispensabile sapere da quando i dati non sono più affidabili, perché perdere la conoscenza dei processi a causa della mancanza di affidabilità dei dati è rischiare di pagare il prezzo elevato di fronte a concorrenti più agili.

Per uscire dalle tarature periodiche, anche le informazioni a priori sono molto utili. Quando sappiamo in anticipo cosa dovremmo trovare, possiamo sempre assicurarci che i risultati siano coerenti con questo a priori. Se questa coerenza viene messa in discussione, significa che il processo cambia (informazioni essenziali per la soddisfazione del cliente) o che il processo di misurazione si evolve (informazioni essenziali per sapere se tararlo o meno). Le statistiche propongono molteplici test per sapere se un campione (misurazioni del giorno, della settimana, dell’ora in base alle frequenze di campionamento) appartiene o meno, con un dato livello di confidenza, ad una popolazione madre nota (a priori). Questi test sono ciò di cui il metrologo ha bisogno per rilevare, non appena si verifica, un’anomalia su uno strumento di misura. Può quindi prendere le misure necessarie.

A priori sono quindi informazioni essenziali per la gestione del rischio e le sue conoscenze consentono di rilevare anomalie “in diretta”. Pertanto, diventa possibile uscire dal mondo delle tarature / verifiche cieche per entrare in quello delle periodicità condizionali.

Conclusione

Tutti i metrologi sanno che le misurazioni sono sbagliate, ma devono sapere, e anche rendere noto, che la maggior parte delle tolleranze sono sbagliate, vale a dire, senza una reale relazione con il bisogno funzionale. Questo mondo di “errori” emerge a spese dell’economia e dello sviluppo sostenibile. Questo “eccesso di requisiti” ha conseguenze negative sulla nostra attuale e futura organizzazione industriale.

Tutti i nostri schemi di pensiero provengono da un’epoca in cui il mondo era pensato senza limiti e in cui il principio “chi può fare di più può fare il minimo” regnava sovrano. Da allora, i confini si sono aperti, la concorrenza è diventata globale e una coscienza ecologica si è progressivamente stabilizzata: fare “troppo” significa renderlo “troppo costoso” economicamente e “di grande impatto” per le nostre risorse comuni..

Ora è il momento di ascoltare la saggezza degli anziani: “Tratta bene la terra: non ti è stata data dai tuoi genitori, ti è stata prestata dai tuoi figli”. Questo principio, ripreso in seguito da Antoine de Saint Exupéry, ci invita semplicemente a considerare le generazioni future nelle nostre scelte e nelle nostre pratiche. L’evoluzione tecnologica che i Big Data rappresentano oggi impone una metrologia rinnovata: Smart Metrology. Quest’ultima può contribuire alla razionalizzazione delle nostre strategie e delle nostre decisioni per tendere al “giusto”.

Essendo la situazione critica, la Smart Metrology non è quindi più un’opzione …