Trouver en une heure les causes d’une anomalie qualité, au lieu de six mois

Ce qui a été fait

Dans une étude de cas publiée le 16 septembre 2025, Dataiku décrit le déploiement de sa plateforme chez Michelin, retenue en 2021, d’abord par 35 utilisateurs du digital manufacturing. À la mi-2025, l’adoption dépasse 1 500 utilisateurs dans plus de 50 usines, dont 80 % d’experts métier (ingénieurs process, techniciens qualité, R&D) ; 70 % des utilisateurs sont en usine, sur de la maintenance prédictive, du contrôle qualité, de l’énergie et de l’amélioration des procédés. La plateforme est interconnectée notamment avec le système AVEVA PI, déployé dans plus de 65 usines. Le cas le plus détaillé est le Parameters Analyzer : plus de 600 ingénieurs process et techniciens qualité, dans plus de 10 usines, s’en servent pour identifier les causes profondes de défauts récurrents (température d’atelier, âge du produit, type de machine, etc.). « Instead of sifting through thousands of production variables manually, a process that used to take up to six months, they can now run analyses in about an hour. » L’outil classe les variables les plus corrélées, permet de tester des scénarios et de partager les résultats. Michelin prépare aussi des agents génératifs (dialogue avec des séries temporelles, analyseur piloté par un chatbot, indexation de documentation R&D), présentés comme des étapes suivantes, non comme le cœur de ce cas.

Avant de commencer

Outil cité par la source : Dataiku (Parameters Analyzer) ; autres outils cités : Dataiku. Éléments entre crochets à remplir : [description, ligne, période], [coller]. Retirez les données confidentielles qui ne sont pas utiles et vérifiez les conditions d’accès de votre outil. Les fonctionnalités et abonnements disponibles peuvent évoluer.

La méthode, en trois étapes.

1. 01

   Rassembler le contexte

   Repérez les éléments entre crochets du prompt ([description, ligne, période], [coller]) et préparez ce qu’ils demandent.

2. 02

   Adapter le prompt

   Copiez le prompt ci-dessous, remplacez les éléments entre crochets, puis collez-le dans l’assistant IA que vous utilisez. L’outil cité (Dataiku (Parameters Analyzer)) n’est pas forcément accessible au public.

3. 03

   Relire avant d’utiliser

   Relisez le résultat, corrigez-le si besoin et gardez la décision finale. Les points de vigilance sont détaillés plus bas.

Votre point de départ.

Remplacez les éléments entre crochets, puis adaptez la proposition à votre situation. Ce prompt est rédigé par la rédaction d’iadujour, ce n’est pas une citation de la source.

Anomalie qualité : [description, ligne, période]. Variables de production disponibles (extrait) : [coller].

1. Classe les variables les plus associées au défaut, en précisant qu’il s’agit de corrélations, pas de causes prouvées.
2. Propose 3 scénarios à tester en atelier, avec ce qu’il faudrait mesurer.
3. Liste les données manquantes pour aller plus loin.
N’invente aucune valeur de capteur et ne recommande pas un réglage définitif.

Ce qui mérite votre attention