1. Questions soulevées
1.1. Comment l'introduction de l'IA sur la chaîne de fabrication améliore les KPI de la production
1.2. Comment les problèmes identifiés peuvent-être anticipés et résolus ?
1.3. Que faut-il mettre en place pour prédire les arrêts de production ?
2. Mise en forme
2.1. Corrections
2.2. Bibliographie
2.3. Annexes
2.4. Abstract
3. Collecte d'information
3.1. Littérature
3.1.1. Etudes
3.1.2. Livres
3.1.3. Articles
3.1.4. Autres
3.1.5. Startups
3.1.5.1. Wizata
3.1.5.2. DC BRAIN
3.1.5.3. Safran
3.1.5.3.1. BrainCube
3.1.5.3.2. MondoBrain
3.1.5.3.3. Dataiku
3.2. Interviews
3.2.1. Réalisés 4
3.2.1.1. Safran Helicopter Engines
3.2.1.2. Eramet
3.2.1.3. Safrangroup
3.2.1.4. Saint Gobain R&D
3.2.2. Demandés 6
3.2.3. A prévoir
3.2.3.1. Accentuer sur les startup
3.3. Méthodologie
3.3.1. Revoir Plan Mémoire de MS
3.3.2. Liste de mots clés
4. Rédaction du Rapport
4.1. Abstract
4.2. Remerciements
4.3. Introduction
4.3.1. indiquer l'étendu du traitement avec les limites pour éviter les déceptions
4.3.1.1. ne traite pas des réseaux d'Energie et de Trransport et la supply chain
4.4. Chapitres
4.4.1. Problématique
4.4.1.1. Problématique
4.4.1.1.1. ROI de l'IA sur la ligne de production
4.4.1.2. Hypothèses
4.4.1.2.1. Les données de production sont-elles suffisantes ? à reformuler
4.4.1.2.2. L'IA améliore les KPI de la chaine de production
4.4.2. Pré-réquis pour usage de l'IA sur la chaine de prod (Les bonnes pratiques du contrôle qualité avec la computer vision )
4.4.2.1. identifier le Use Case
4.4.2.2. Données
4.4.2.2.1. pertinentes
4.4.2.2.2. inutiles
4.4.2.2.3. Quel quantité ou historique
4.4.2.3. POC
4.4.2.4. Les difficultés
4.4.2.4.1. dispose des données
4.4.2.5. la gestion de projet
4.4.2.6. Industrialisation
4.4.2.7. Aspect RH & Etique
4.4.3. Les algorithmes de computer vision dans le contrôle qualité
4.4.3.1. Quelques startup IA de l'industrie
4.4.3.2. Les architectures
4.4.3.2.1. edge
4.4.3.2.2. cloud
4.4.3.3. Les matériels
4.4.3.4. Type d'algo pertinents
4.4.3.5. Revue de littérature scientifique
4.4.3.6. Le marché de la computer vision
4.4.3.7. Biais de computer vision
4.4.4. ROI & KPI
4.4.4.1. Définitions
4.4.4.2. ROI Qualitatifs
4.4.4.3. ROI Quantifatifs
4.4.4.4. ROI de l'industrie
4.4.4.5. Traiter des KPI
4.4.5. Est-ce que c'est valable dans toutes les industries ?
4.4.6. Ce qu'apporte l'IA sur la chaine de prod (que faut-il mettre en place)
4.4.6.1. ROI Quantitatif
4.4.6.2. ROI Qualitatif
4.4.6.3. Evolution des KPI
4.4.6.3.1. l'industriel a aujourd'hui des KPI ou pas.
4.4.6.3.2. les KPI peuvent faire évoluer les processus ou les méthodes de production
4.5. Les limites et les apports de la computer vision
4.5.1. Les use case de la CV dans le controle qualité
4.6. Conclusion
4.6.1. Ce que l'AI ne fera pas
4.6.2. Ce que l'AI fera
5. Définir et Présenter l'IA brièvement
5.1. Balayer les ressources définissant l'IA
5.2. En faire une synthèse
5.2.1. A l'écrit
5.2.2. infographie
5.3. IA et industrie
5.3.1. Quel use case sur la chaîne de prod
5.3.1.1. Purement prod
5.3.1.1.1. Cause d’arrêt
5.3.1.2. Pas que prod
5.3.1.3. Prévenant les arrêts