L'avenir de l'industrie commence par la modélisation sémantique

Tout le monde dans l'industrie parle d'IA. Maintenance prédictive. Inspection qualité autonome. Lignes de production auto-optimisées. La vision est séduisante. Mais la plupart des projets d'IA industrielle échouent — non pas parce que les algorithmes sont mauvais, mais parce que les données sont un chaos.

La vérité inconfortable : l'IA ne peut pas raisonner sur des données qu'elle ne comprend pas. Et aujourd'hui, la majorité des données industrielles sont non étiquetées, non structurées et incohérentes d'une machine à l'autre. Une mesure de température de la Ligne 1 n'a rien à voir avec celle de la Ligne 3, même si elles mesurent la même chose sur des machines identiques.

La solution n'est pas une meilleure IA. C'est de meilleures données — précisément, des données modélisées sémantiquement. Et la technologie existe déjà. C'est la modélisation d'information OPC UA.

Qu'est-ce que la modélisation sémantique ?

La modélisation sémantique consiste à donner aux données une signification que les machines peuvent interpréter automatiquement — pas seulement une valeur, mais un contexte.

Considérez un point de données brut : 42.7. Qu'est-ce que c'est ? Une température ? Une pression ? Une vitesse ? Dans quelle unité ? Est-ce normal ? Sans contexte, c'est dénué de sens.

Maintenant, considérez le même point dans un modèle sémantique :

  • Objet : Pompe_3 (type : PompeCentrifuge)
  • Variable : TempératureRefoulement
  • Valeur : 42.7
  • Unité : °C (code UNECE : CEL)
  • Plage : 20.0 – 65.0
  • Statut : Bon
  • Horodatage : 2025-04-22T08:15:32Z

Soudain, tout système — humain ou IA — peut comprendre ce que cette donnée signifie, si elle est dans les limites normales, et comment elle se rapporte aux autres variables de la même pompe.

C'est la modélisation sémantique : transformer des nombres en connaissance.

OPC UA : l'épine dorsale sémantique

OPC UA est le seul standard de communication industrielle qui intègre un cadre complet de modélisation d'information. Il ne se contente pas de transporter des données — il décrit ce que les données sont.

Dans OPC UA, chaque donnée vit dans un espace d'adressage — un graphe structuré d'objets, variables, méthodes et événements. Les objets ont des types. Les variables ont des unités d'ingénierie et des plages de valeurs. Les méthodes ont des arguments d'entrée et de sortie. Les événements portent des payloads structurés.

Ce n'est pas de la métadonnée ajoutée après coup. C'est la fondation du protocole. Quand un client OPC UA se connecte à un serveur, il peut naviguer l'ensemble du modèle de données à l'exécution — découvrant quelles données existent, ce qu'elles signifient et comment elles sont organisées. Pas de documentation requise. Pas de mapping sur mesure.

Companion Specifications : des modèles standardisés par industrie

Mais la modélisation sémantique ne fonctionne que si tout le monde s'accorde sur le modèle. Si chaque fabricant de machines définit « température » différemment, vous revenez au tableur de correspondances.

C'est là qu'interviennent les Companion Specifications. Une Companion Specification est un modèle d'information OPC UA standardisé pour une industrie ou un type de machine spécifique. Elle définit les objets, variables et relations que toutes les machines de ce type doivent exposer.

Exemples clés :

PackML (ISA-88 / ISA-TR88). Définit une machine à états pour les machines d'emballage — états comme Execute, Idle, Held, Aborted. Toute machine qui implémente PackML expose le même modèle d'états, quel que soit le fabricant.

Euromap 77 / 83. Définit des modèles d'information pour les presses à injection et les lignes d'extrusion. Une machine Engel et une machine KraussMaffei exposent les mêmes variables pour le temps de cycle, le poids d'injection, la température du fourreau.

PADIM (Process Automation Device Information Model). Définit des modèles pour l'instrumentation de process — transmetteurs de pression, débitmètres, capteurs de température. Un transmetteur Siemens et un transmetteur Endress+Hauser exposent les mêmes variables de diagnostic et de mesure.

PLCopen. Définit un modèle pour les systèmes de contrôle de mouvement — axes, programmes, statuts.

MTConnect (via OPC UA). Définit des modèles pour les machines-outils CNC — vitesse de broche, avance, usure des outils.

Il existe plus de 80 Companion Specifications publiées, couvrant des industries de la robotique aux équipements de cuisine professionnelle.

Pourquoi c'est fondamental pour l'IA

Voici le lien que la plupart des discussions sur l'IA ignorent :

1. L'IA a besoin de features cohérentes

Les modèles de machine learning nécessitent des features cohérentes et étiquetées. Si « température de refoulement » s'appelle DT_03 sur une machine, temp_discharge sur une autre, et TI_342 sur une troisième, vous passez 80 % de votre temps en préparation de données et 20 % en modélisation réelle.

Les Companion Specifications éliminent ce problème. Chaque machine du même type expose les mêmes variables avec les mêmes noms, types et unités. Votre ingénierie de features devient triviale — ou automatique.

2. L'IA a besoin de contexte, pas seulement de valeurs

Un modèle de détection d'anomalies qui voit une valeur de 42.7 ne sait rien. Un modèle qui sait que la valeur est une température de refoulement sur une pompe centrifuge, que la plage normale est 20–65°C, et que la pompe tourne depuis 3 200 heures depuis la dernière maintenance — ce modèle peut faire une prédiction pertinente.

Le modèle d'information d'OPC UA fournit ce contexte sous forme de métadonnées structurées et lisibles par les machines.

3. L'IA a besoin de se transférer entre actifs

La vraie valeur de l'IA industrielle n'est pas d'entraîner un modèle pour une machine. C'est d'entraîner un modèle sur 50 machines du même type et de le déployer sur la 51ᵉ sans réentraînement.

Cela ne fonctionne que si les 50 machines exposent le même modèle de données — les mêmes variables, dans la même structure, avec les mêmes unités. C'est exactement ce qu'une Companion Specification garantit.

4. L'IA a besoin d'expliquer ses décisions

Un modèle qui dit « Alerte : anomalie détectée dans la variable X17A » est inutile pour un opérateur. Un modèle qui dit « Alerte : la température de refoulement de la Pompe_3 dépasse le 95ᵉ percentile pour cet état de fonctionnement » est actionnable.

Les modèles sémantiques donnent à l'IA le vocabulaire pour s'expliquer en termes que les opérateurs comprennent.

Le fossé de la modélisation

Si la modélisation sémantique est si puissante, pourquoi tout le monde ne la fait pas ?

Modéliser est difficile. Créer un bon modèle d'information OPC UA demande une expertise métier profonde — comprendre l'équipement, le process, et les Companion Specifications pertinentes. C'est une compétence à l'intersection de l'ingénierie d'automatisation, de l'architecture logicielle et de l'expertise domaine.

L'outillage a longtemps manqué. Jusqu'à récemment, construire un modèle d'information OPC UA signifiait écrire des fichiers XML NodeSet à la main — un processus fastidieux et propice aux erreurs qui rebutait la plupart des équipes.

Les bénéfices sont invisibles au début. La valeur d'un modèle sémantique ne devient apparente que quand vous essayez de passer à l'échelle — quand vous ajoutez la 10ᵉ machine, déployez le 3ᵉ outil d'analyse, ou intégrez un nouveau fournisseur. À ce stade, retrofitter un modèle coûte cher.

Cela change. Des outils comme le OPC UA Modeler de Sterfive permettent de définir des modèles d'information en YAML, de les valider en temps réel, de générer automatiquement les fichiers NodeSet, et de les versionner dans Git — le même workflow que les développeurs logiciels utilisent depuis des décennies.

La voie à suivre

Les usines qui mèneront la course à l'IA industrielle ne sont pas celles qui ont les meilleurs algorithmes. Ce sont celles qui ont les données les mieux modélisées.

Le chemin est clair :

  1. Modélisez vos processus en utilisant des modèles d'information OPC UA et les Companion Specifications pertinentes. Commencez par un type de machine. Faites bien le modèle.

  2. Déployez des serveurs OPC UA qui exposent ce modèle au niveau edge. Chaque machine du même type expose le même espace d'adressage.

  3. Construisez les applications par-dessus le modèle, pas par-dessus des listes de tags bruts. Analytique, IA, tableaux de bord, connecteurs MES — tous consomment les mêmes données sémantiques.

  4. Passez à l'échelle horizontalement. Ajoutez des machines, des lignes, des usines. Le modèle est le contrat. Les applications fonctionnent partout où le modèle est déployé.

  5. Laissez l'IA faire ce qu'elle fait le mieux — trouver des patterns, prédire des pannes, optimiser des process — sur des données propres, cohérentes et auto-descriptives.

L'avenir de l'industrie n'est pas l'IA. C'est la donnée modélisée sémantiquement — avec l'IA par-dessus.

Références

  1. OPC Foundation — OPC UA Part 5: Information Model. opcfoundation.org
  2. OPC Foundation — Companion Specifications. opcfoundation.org/developer-tools/documents
  3. ISA — ISA-88 / PackML: Packaging Machine Language. isa.org
  4. Euromap — Euromap 77/83: OPC UA for Injection Molding and Extrusion. euromap.org
  5. FieldComm Group — PA-DIM: Process Automation Device Information Model. fieldcommgroup.org

Sterfive construit les outils qui rendent la modélisation sémantique pratique : OPC UA Modeler pour définir les modèles d'information, node-opcua pour les implémenter en code, et Omni-Edge pour les déployer à grande échelle. Si vous êtes prêt à modéliser vos processus, parlez à notre équipe.