Maintenance prédictive de systèmes mécaniques ou électroniques

Tous les systèmes ont tendance à se dégrader au cours du temps, mais les entreprises n’ont souvent pas d’information sur différents états de dégradation, et sont dans l’impossibilité de prévenir les différentes pannes qui pourraient survenir​. Les activités de maintenances se font la plupart du temps à intervalle régulier, sans prise en compte de l’état de chaque système, et de façon réactive, pour réparer une panne.

Grâce à des technologies de pointe d’apprentissage automatique, Aqsone propose un outil basé sur des méthodes de Machine Learning, qui permet de prévoir le nombre de cycles restants avant une panne du système. Ces indicateurs permettent ainsi aux entreprises de prévoir les pannes et d’effectuer des opérations de maintenance uniquement quand elles sont nécessaires.

Anticipation de risques informatiques

Les systèmes d’information supportant le développement et la fabrication de programmes industriels complexes doivent être maintenus et mis à jour pendant des décennies. Ils doivent être capables de supporter les montées en cadence des programmes et donc les volumes de données croissants. Ils n’ont souvent pas été conçus pour faire transiter de tels flux de données. Un des objectifs majeurs des DSI est d’anticiper les risques au niveau des interfaces et des applications, pour éviter que la chaîne de développement et de fabrication ne soit mise en danger.

Aqsone a mis en œuvre des outils basés sur des technologies innovantes de Machine Learning et de visualisation avancée qui permettent d’identifier quelle machine du système d’information a un risque de défaillance. On obtient une meilleure visibilité et capacité de projection sur les risques informatiques.

Détection des commandes à risque de retard​

L’une des activités clés de la fonction logistique est d’assurer que les commandes passées arrivent en temps et en heure, et donc d’anticiper les risques d’avoir des commandes livrées en retard. S’il est possible de détecter ou de prédire les retards des commandes, alors le gestionnaire de commandes peut prendre des actions en anticipation au lieu de subir les retards et de courir après les fournisseurs. ​

Aqsone a développé un modèle prédictif basé sur un historique de données variées (commandes, bons de réception, prévisions, fiche fournisseur, données articles, etc.) et différentes sources (SAP, CRM, etc.).

Le modèle prédictif estime le risque de retard de nouvelles commandes, et propose des causes racines. La fonction logistique peut maintenant prendre des actions de prévention en interne ou auprès de ses fournisseurs.

Optimisation de l’achat des matières premières​

Les acheteurs des grands groupes ont accès à plusieurs milliers de références article, auprès de dizaines de fournisseurs différents, et doivent respecter de multiples contraintes contractuelles (parts de marché, qualification, …). Le nombre de combinaisons possibles étant quasi illimitées, trouver la meilleure solution qui permet de minimiser le prix total d’achat est chose impossible manuellement.

Nous avons développé une solution basée sur des calculs d’optimisation sous contrainte qui propose la meilleure offre globale en termes de fournisseur et prix, tout en prenant en compte l’ensemble des clauses contractuelles. Les gains affichés sont de l’ordre de 10%.

Analyse des accidents au travail et constitution d’un plan d’action correctif

La sécurité au travail est un aspect primordial sur une chaîne de production ou d’assemblage. L’analyse des causes racines des accidents est un défi difficile à surmonter, tant la quantité de données à intégrer est importante. Aqsone a développé une solution qui intègre un nombre important de données (RH, production, prévention et sécurité, localisation…) pour pouvoir mieux comprendre l’accidentologie et identifier des leviers d’actions qui permettront de réduire les risques d’accidents au maximum. Des analyses de traitement automatique du langage ont été réalisées en Python, notamment pour identifier les circonstances des accidents, les outils en cause lors de ces accidents, et les zones du corps impactées par ces blessures.

Identification du port d’équipements de sécurité (casque, gants) sur chantier grâce aux vidéos

Les plans de sensibilisation à la sécurité au travail sont d’autant plus efficaces s’ils sont bien ciblés. Dans ce sens, Aqsone a conçu un algorithme capable d’analyser les vidéos de caméras de surveillance pour mesurer de manière anonyme le port des équipements de sécurité, comme les casques ou les gants. La solution mise en place consiste en un modèle réseaux de neurones qui a été ré-entraîné pour identifier les personnes portant ou ne portant pas un casque.

Protection des données personnelles

Les employeurs sont dorénavant soumis à certaines obligations vis-à-vis de leurs salariés en matière de protection des données personnelles. L’une d’elles étant l’information des salariés sur les traitements et éventuelles violations de celles-ci.

Aqsone a développé un outil basé sur des technologies avancées de deep learning qui permet d’identifier sur les différents serveurs de l’entreprise les documents qui contiennent des données personnelles, comme des adresses e-mail, des identifications personnelles, des données à caractère bancaire ou santé. Ces développements ont été réalisés en langage python, et utilisent différentes techniques de Machine Learning, Deep Learning, et traitement automatique du langage, ainsi que la reconnaissance de caractères (OCR). L’entreprise maitrise ainsi entièrement le contenu de ses répertoires, qu’ils soient publiques ou privés et est en adéquation avec le règlement général sur la protection des données (RGPD).

Détection de fraude des notes de frais

La gestion des notes de frais dans la majorité des entreprises est inefficace, et n’arrive pas à contrer les fraudes, malgré des investissements assez importants (charge de travail manuelle, outils dédiés, etc.). Au-delà des montants financiers qui sont très importants, c’est l’image et l’éthique de l’entreprise qui sont en jeu.

Aqsone développe des techniques de data analytics afin d’améliorer cette gestion et détection des fraudes en analysant directement les justificatifs à l’aide d’algorithmes en Machine Learning et Deep Learning poussés. Les cas d’usage sont très nombreux : catégorisation des tickets scannés, identification des doublons, extraction de données dans les scans, analyse de la localisation de la note de frais, vérification de la TVA déductible, etc. Les technologies en jeu vont du NLP (Traitement Naturel du Langage) aux Réseaux de Neurones.

Les solutions implémentées permettent une réduction importante des coûts de gestion des notes de frais pour l’entreprise et une amélioration de la performance