[EDITION ABONNES] Amazon Web Services (AWS) a annoncé le 8 avril la disponibilité générale d'Amazon Lookout for Equipment, un service qui utilise des modèles d'apprentissage automatique (ML) développés par l’Américain pour aider les utilisateurs à assurer la maintenance prédictive de leurs équipements industriels. ...Le service a été conçu pour ingérer les données issues de capteurs déployés sur un équipement (pression, débit d’un fluide, régime d’un moteur, température, puissance…) et entraîner un modèle ML unique afin de prédire avec précision, à partir de flot de données émises en temps réel par l’équipement utilisateur, les signes avant-coureurs d'une panne de machine ou des performances sous-optimales.

Selon Amazon, les progrès que connaît le domaine de l'apprentissage automatique permettent aujourd’hui d'identifier rapidement les anomalies, mais la plupart des entreprises n'ont pas l'expertise nécessaire pour créer et déployer à grande échelle des modèles ML maison sur leurs différents équipements industriels. Par conséquent, les entreprises seraient rarement en mesure de tirer pleinement parti de leurs investissements dans les capteurs et l’infrastructure de données, et elles passeraient à côté d’un certain nombre d’informations clés exploitables qui pourraient les aider à mieux gérer la santé et les performances de leurs équipements critiques.

C’est tout du moins l’opinion d’AWS qui assure qu’avec Amazon Lookout for Equipment, les industriels et les sites de production peuvent créer rapidement et aisément une solution de maintenance prédictive pour une usine entière ou pour plusieurs sites. Dans la pratique, les utilisateurs doivent envoyer les données de leurs capteurs sur Amazon Simple Storage Service (S3) et fournir l'emplacement S3 approprié à Amazon Lookout for Equipment. Le service pourra alors analyser automatiquement les données, évaluer les modes normaux et créer un modèle d'apprentissage automatique adapté à l'environnement utilisateur.

Amazon Lookout for Equipment utilisera ensuite ce modèle personnalisé pour analyser les données émises par les capteurs entrants et identifier les signes avant-coureurs d'une panne ou d'un dysfonctionnement de la machine. Pour chaque alerte, le service pourra préciser quels capteurs signalent un problème et mesurer l'ampleur de son impact sur l'événement détecté. Par exemple, si Amazon Lookout for Equipment détecte un problème sur une pompe équipée de 50 capteurs, le service sera capable d’indiquer les cinq capteurs qui indiquent un problème sur tel ou tel moteur et corréler ce problème à la température et au courant d'alimentation du moteur. Selon le groupe américain, ce processus permet aux clients d'identifier et de diagnostiquer le problème, de hiérarchiser les actions nécessaires et d'effectuer une maintenance de précision avant que les problèmes ne surviennent, réduction des coûts et amélioration de la productivité à la clé.

Accessible pour l’heure dans certaines zones géographiques (notamment en Irlande pour l’Europe) et dans d‘autres régions dans les mois à venir, Amazon Lookout for Equipment est disponible directement via la console AWS ainsi qu’auprès de partenaires du réseau AWS. Le service sera facturé en fonction de la quantité de données à ingérer, du temps de calcul nécessaire à l’apprentissage du modèle personnalisé et du temps d’inférence utilisé.

Au-delà d'Amazon Lookout for Equipment, AWS propose aux industriels d’autres services de machine learning, comme Amazon Monitron (pour la maintenance prédictive à l'aide d'une solution de bout en bout composée de capteurs, de passerelles et d’un service d'apprentissage automatique), Amazon Lookout for Vision (pour la détection d'anomalies visuelles à l'aide de modèles de vision par ordinateur dans le cloud) et AWS Panorama (pour l'inspection visuelle à partir d’un instrument ad hoc et d'un kit de développement logiciel qui apporte des modèles de vision par ordinateur aux caméras sur site). Parmi les premiers clients d’Amazon Lookout for Equipment, Amazon cite Siemens Energy, Koch Industries, Cepsa, RoviSys, Seeq et TensorIoT.