Des processus de qualit\u00e9 tr\u00e8s stricts sont appliqu\u00e9s dans l’industrie a\u00e9ronautique. Les non-conformit\u00e9s observ\u00e9es en cours de production entra\u00eenent des travaux suppl\u00e9mentaires et des retards. Ils <\/b>constituent un obstacle majeur \u00e0 la mont\u00e9e en cadence de la production. Non-conformit\u00e9s<\/b> sont d\u00e9crits en texte libre avec des abr\u00e9viations techniques et beaucoup de codification.<\/p>\n
L’\u00e9quipe de D3S a d\u00e9velopp\u00e9 un Large Language Model pour mesurer la similarit\u00e9 entre les NC<\/strong>, ce qui permet une classification rapide, l’identification des voisins les plus proches et la d\u00e9tection de r\u00e9currences cach\u00e9es.<\/p>\n<\/div><\/div>
<\/div>
DONN\u00c9ES ET STACK TECHNIQUE
\n<\/strong><\/span><\/p>\n<\/div><\/div>
<\/div>
Les donn\u00e9es couvrent x00 000 descriptions de non-conformit\u00e9s dans plusieurs langues.<\/p>\n
Notre stack technologique comprend : PySPark, PyTorch, Palantir Foundry, Workshop, Hubble objects, Hugging Faces transformers, AWS, … et bien s\u00fbr les librairies NLP de notre laboratoire ;<\/p>\n<\/div>
<\/div>
<\/div>
CONTEXTE ET APPROCHE<\/span><\/strong><\/p>\n<\/div><\/div>
<\/div>
Les \u00e9quipes charg\u00e9es de la qualit\u00e9 et des op\u00e9rations doivent d\u00e9ployer des efforts manuels consid\u00e9rables pour tenter d’\u00e9radiquer la non-qualit\u00e9. <\/strong>Le regroupement et l’identification des r\u00e9currences requi\u00e8rent une analyse qui prend du temps et qu’il est presque impossible d’effectuer sur l’ensemble des donn\u00e9es disponibles. De nombreuses initiatives ont \u00e9t\u00e9 lanc\u00e9es par le pass\u00e9 pour analyser ces textes automatiquement \u00e0 l’aide de m\u00e9thodologies standards (RF ou LR sur des mots tokenis\u00e9s ou des n-grams, des r\u00e8gles expertes, etc), mais aucune n’a permis d’atteindre la performance requise.<\/p>\nL’objectif du projet \u00e9tait de d\u00e9velopper des algorithmes avanc\u00e9s pour acc\u00e9l\u00e9rer l’analyse des causes profondes et l’\u00e9radication des <\/b>Non Conformit\u00e9s r\u00e9currentes. Nos algorithmes NLP avanc\u00e9s identifient les patterns pertinents, d\u00e9tectent automatiquement les r\u00e9currences et classent les non-conformit\u00e9s pour organiser les analyses m\u00e9tiers. Les r\u00e9sultats sont stock\u00e9es et expos\u00e9s dans une couche unique de donn\u00e9es (SSOT – Single Source Of Truth), dot\u00e9e d’une ontologie claire et accessible aux utilisateurs par le biais d’une interface interactive.<\/p>\n<\/div><\/div>
<\/div>
R\u00c9SULTATS<\/strong><\/span><\/p>\n<\/div><\/div>
<\/div>
L’\u00e9quipe de D3S a d\u00e9velopp\u00e9 une IA innovante pour regrouper les non-conformit\u00e9s <\/b>avec >90% de pr\u00e9cision par rapport \u00e0 l’ancien travail manuel.<\/p>\n
Les sujets r\u00e9currents et les classes de d\u00e9fauts sont d\u00e9sormais automatiquement identifi\u00e9s. Un ensemble de donn\u00e9es int\u00e9gr\u00e9es et un logiciel sont disponibles pour g\u00e9rer l’analyse des causes profondes et les plans d’action d’\u00e9radication.<\/p>\n<\/div>
<\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>
\n\t\t\t\t\t
\n\t\t\t\t\t\t
<\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div><\/div><\/div><\/p>\n","protected":false},"excerpt":{"rendered":"
Un Large Language Model pour mesurer les similitudes entre les probl\u00e8mes de qualit\u00e9 observ\u00e9s sur les lignes de production. Il permet d’\u00e9radiquer les causes profondes gr\u00e2ce \u00e0 une classification rapide, \u00e0 l’identification des voisins les plus proches et \u00e0 la d\u00e9tection des r\u00e9currences cach\u00e9es.<\/p>\n","protected":false},"author":3,"featured_media":2047,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false},"categories":[32,21],"tags":[],"_links":{"self":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2292"}],"collection":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/comments?post=2292"}],"version-history":[{"count":2,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2292\/revisions"}],"predecessor-version":[{"id":2294,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2292\/revisions\/2294"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/media\/2047"}],"wp:attachment":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/media?parent=2292"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/categories?post=2292"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/tags?post=2292"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"http:\/\/d3s.ai\/wp-content\/uploads\/2017\/12\/light1.jpg\")
<\/a><\/span>