.png)
Succès IA
Bonjour à toutes et à tous,
Bienvenue dans cette nouvelle série consacrée à l'intelligence artificielle et à ses applications dans le monde de l'entreprise.
Cette série vous fait découvrir les histoires à succès réalisées par les équipes du CRIM.
Le CRIM célébrera bientôt ses 40 années d'existence, ce qui en fait l'une des plus anciennes institutions québécoises dans le domaine de l'IA.
Situé à Montréal, au cœur du quartier, regroupant les plus grands acteurs de l'IA, à la réputation internationale, le CRIM est un partenaire privilégié pour les entreprises et les industries en quête de solutions à leurs défis technologiques et stratégiques.
Chaque jour, le CRIM imagine et conçoit des solutions sur mesure en intelligence artificielle pour répondre aux objectifs de ses clients.
Vous souhaitez en savoir plus sur les dernières avancées en application de l'IA ? Vous êtes passionné par les histoires à succès qui transforment notre monde, alors ne manquait pas une seule de nos émissions captivantes.
Abonnez-vous dès maintenant à notre chaîne pour ne rater aucun épisode de succès IA.
Partons ensemble à la découverte d'histoire inspirante en intelligence artificielle, à la rencontre de succès IA !.
Succès IA
Comment Bridgestone Canada optimise sa production grâce à l'intelligence artificielle
Bonjour et bienvenue dans ce nouvel épisode de Succès IA, votre rendez-vous pour vous dévoiler de dessous des projets innovants en intelligence artificielle réalisés par les équipes du CRIM. Aujourd'hui, nous avons le plaisir d'accueillir Bridgestone Canada, un acteur clé de l'industrie manufacturière. Avec nos invités, nous allons vous partager comment l'IA peut améliorer la qualité de fabrication des pneus.
Alors, sommes-nous en train de réinventer la roue ? C'est ce que nous allons découvrir ensemble.
Bonjour Alexandre, bonjour Samuel
Vous travaillez tous les deux pour Bridgestone Canada, une entreprise manufacturière clé au Québec. Nous allons discuter de votre collaboration avec le CRIM dans le sujet de l'optimisation des paramètres de production. Sur la fabrication des pneus grâce à l'intelligence artificielle.
Mais avant tout, est-ce que vous pourriez nous parler un petit peu de Bridgestone Canada ? Oui, avec plaisir. Donc, Bridgestone Canada est une entreprise, à la base, Bridgestone est une grosse corporation mondiale. 72 entreprises manufacturières à travers le monde, au Japon, en Europe, en Amérique du Nord.
Donc, l'usine de Bridgestone à Joliette au Canada, la seule usine de pneus à Joliette au Canada. Donc, on est à Joliette, et on fait partie d'une de ces entreprises manufacturières. Bridgestone est une entreprise japonaise, à la base.
Oui. Puis, il y a récemment eu une acquisition entre Bridgestone et Firestone. L'usine à Joliette était une usine Firestone avant.
Et donc, Bridgestone, Firestone, ou le nom de Bridgestone, plus général. Et vos activités principales, donc, ce sont la fabrication de pneumatiques ? Donc, passés, camions légers et voitures passagers, plus pneus spéciaux. Parce qu'il existe différentes gammes de pneus plus spécialisés à Bridgestone.
Pneus miniers, pneus pour camions. Mais camions légers et voitures passagers, ce qu'on a sur notre équipe, de façon générale, c'est ce qu'on produit à l'usine. Que vous pouvez retrouver sur les autos de M. et Mme Tout-le-Monde.
Exactement. Et au sein de Bridgestone Canada, est-ce que vous pouvez nous expliquer votre rôle, finalement ? Je peux commencer. Donc, mon rôle, directeur TI à l'usine de Joliette.
Donc, je suis responsable des technologies de l'information, mais aussi de la stratégie numérique pour l'usine à Joliette. On a l'occasion d'approfondir le champ. Oui, bien sûr.
Et de mon côté, donc, scientifique de données, le premier dans une usine manufacturière de Bridgestone. Donc, très fier aussi d'avoir pu obtenir ce rôle-là. Puis, ça fait en tout six ans, donc, que je suis chez Bridgestone.
Oui, c'est rare un scientifique de données dans le milieu manufacturier. Effectivement. Elle est dans le bureau chef, mais dans les usines comme telles, c'est une première.
Et justement, dans votre secteur, comment est perçue l'intelligence artificielle ? Comment cette dimension est-elle accueillie ? Au niveau plus manufacturier québécois ? Oui, puis plus particulièrement dans votre industrie à vous. Je peux parler un peu plus sur Bridgestone. Le reste du secteur manufacturier, je le connais à tout le monde.
Mais pour Bridgestone, en fait… Ça revient un peu aux bases fondamentales de Bridgestone. Donc, il y a quatre piliers fondamentaux de Bridgestone, et un de ces piliers-là, c'est créativité et innovation, donc, « Creative pioneering », où on va encourager, évidemment, à aller au-delà, et innover dans nos pratiques. L'intelligence artificielle, c'est un des moyens de pouvoir innover.
Bonjour et bienvenue dans ce nouvel épisode de SucceIA, votre rendez-vous pour vous dévoiler le dessous des projets innovants en intelligence artificielle réalisés par les équipes du CRIM. Aujourd'hui, nous avons le plaisir d'accueillir Bridgestone Canada, un acteur clé de l'industrie manufacturière.
Speaker 2:Avec nos invités, nous allons vous partager comment l'IA peut améliorer la qualité de fabrication des pneus.
Speaker 1:Alors, sommes-nous en train de réinventer la roue? C'est ce que nous allons découvrir ensemble Intelligence artificielle Données.
Speaker 2:Tannes.
Speaker 3:Vision par ordinateur.
Speaker 4:Parole.
Speaker 3:Données structurées, séries temporelles IA multimodal, géospatiale. Ia générative Géospatiale. Ia générative IA de confiance, innovation, succès, ia une production du crime.
Speaker 2:Bonjour Alexandre, bonjour Samuel. Bonjour. Vous travaillez tous les deux pour Bridgestone Canada, une entreprise manufacturière clé au Québec, manufacturière clé au Québec. Nous allons discuter de votre collaboration avec Lecrime, dont le sujet est l'optimisation des paramètres de production sur la fabrication des pneus grâce à l'intelligence artificielle. Mais avant tout, est-ce que vous pourriez nous parler un petit peu de Bridgesound Canada?
Speaker 3:Oui, avec plaisir. Donc, Bridgesound, canada, est une entreprise à la base. Bridgesound est une grosse corporation mondiale, 72 entreprises manufacturières à travers le monde, au Japon, à l'Europe et à l'Église du Nord. Donc, l'usine de Bridgestone à Joliette, au Canada, la seule usine de deux Joliettes au Canada. Donc, on est à Joliette et on fait partie d'une de ces entreprises manufacturières. Bridgestone est une entreprise japonaise à la base, oui. Puis, il y a récemment eu une acquisition entre Bridgestone et Firestone. L'usine de la Joliette était une usine Firestone là-bas, et donc Bridgestone, oui, bridgestone plus général.
Speaker 2:Et vos activités principales, donc, ce sont les fabrications de pneumatiques.
Speaker 3:Pneumatiques pneus passés, camions légers et voitures passagères plus spécialisées, parce qu'il y a différentes gammes de pneus plus spécialisées à travers Bridgestone Pneus miniers, pneus pour camions, mais camions légers et voitures passagères, ce qu'on a sur nos véhicules de façon générale, c'est ce qu'on produit à l'usine.
Speaker 2:Que vous pourrez retrouver sur les autos de monsieur et madame tout le monde.
Speaker 3:Exactement.
Speaker 2:Et au sein de Bridgestone, canada. Est-ce que vous pouvez nous expliquer votre rôle finalement?
Speaker 3:Je peux commencer Donc mon rôle directeur TI à l'usine de Joliette. Donc je suis responsable des technologies de l'information, mais aussi de la stratégie numérique pour l'usine Mageliol On a l'occasion d'approfondir le sujet.
Speaker 2:Oui, bien sûr.
Speaker 4:De mon côté scientifique de données, le premier dans une usine manufacturière de Bridgestone, Très fier aussi d'avoir pu obtenir ce rôle-là. Ça fait en tout six ans que je suis chez Bridgestone.
Speaker 2:Oui, c'est rare, un scientifique de données dans le milieu manufacturier.
Speaker 4:Effectivement scientifique de données dans le milieu manufacturier. Effectivement, elle est dans le bureau chef, mais dans les usines comme telles, c'est une première Et justement dans votre secteur.
Speaker 2:Comment est perçue l'intelligence artificielle? Comment cette dimension est-elle accueillie Au niveau plus manufacturier, québécois? Oui, et plus particulièrement dans votre industrie, à vous.
Speaker 3:Je peux parler un peu plus sur Bridgestone. Le reste du secteur manufacturier, je le connais un peu, mais pour Bridgestone, en fait, ça revient un peu aux bases fondamentales de Bridgestone. Donc, il y a quatre piliers fondamentaux de Bridgestone Et un de ces piliers-là, c'est créativité et innovation. Donc, creative pioneering, où on va encourager évidemment à aller au-delà, innover dans nos pratiques, les universités artificielles, c'est un des moyens de pouvoir innover. Donc, c'est fortement un peu la partie de la culture de l'art.
Speaker 2:Et, justement, cette culture, comment vous la faites vivre, cette culture d'innovation, est-ce que vous avez des projets, en particulier, sur lesquels vous investissez du temps? Est-ce que vous, dans certaines entreprises, on dégage du temps aux employés pour qu'ils travaillent sur des projets personnels qui font naître de l'innovation. Comment ça se marie avec votre? C'est intéressant votre question.
Speaker 3:Dans la culture japonaise, il y a ce qu'on appelle le Kaizen, donc il y a de l'amélioration continue et ça, c'est quelque chose qui n'est pas recommandé. C'est obligatoire pour Bridgestone que les employés fassent des Kaizen dans les manières sans continu. C'est un effort continu. Dans chacune des zones manufacturières, il y a un représentant japonais qui est là pour faire vivre cette culture. Donc, c'est un élément qui est extrêmement encouragé et nécessaire.
Speaker 2:On m'a dit je vais dévoiler un secret, je pense. mes collègues m'ont dit que vous étiez à la pointe au niveau technologique, mais surtout sur l'efficacité énergétique. Est-ce que vous pourriez m'en dire quelques mots là-dessus?
Speaker 3:On est à l'usine à Joliette. Très bonne question, merci Vous en prie. On est à l'usine à Joliette, dans notre groupe, numéro un au niveau de ce qui est situation énergétique, puis tout ce qui est économie environnementale. Donc, on est l'usine la meilleure dans notre groupe. Évidemment, l'hydroélectricité, ici, donc, au niveau des rebuts, c'est très, très faible. Et au niveau de l'innovation, on a un gros projet qui a commencé en 2016. C'était ce qu'on appelle le projet rénovation, donc, c'était de remplacer nos équipements désuets par des équipements de fin pointe de la nouvelle technologie. Donc, on a pratiquement terminé cette phase-là qui a pris presque huit ans. Et puis, là-dedans, c'est des AGV, donc des véhicules autoguidés, des machines d'assemblage complètement automatisées Je vais en mettre un tel autre, mais complètement automatisé. On a tout ce qui est le volet aussi, informatiser ces solutions. Donc, on a créé ce qu'appelle un digital twin de l'usiné.
Speaker 3:Donc, ça fait plusieurs années qu'on a ça. On a raffiné nos outils et nos outils qu'on utilisait pour le concrétiser. Mais ça, c'est en place en ce moment à l'usine Et on est reconnu parmi le groupe comme étant l'une des usines qui est la plus innovante et qui a le plus d'innovation technologique, installée et fonctionnelle sous un même toit. Donc, il peut y avoir des bons coups dans d'autres usines, des technologies qui marchent bien, mais de voir autant toutes ces technologies-là sous un même toit, dans un même site et qui fonctionnent bien on est reconnus pour ça ici au Québec Ça donne envie de vous visiter en tout cas.
Speaker 3:À chaque fois qu'il y a quelqu'un qui vient faire une visite, ils sont toujours bien impressionnés. Nous, on est au quotidien dans l'usine, c'est correct, on vit avec nous. On n'est pas si impressionnés, mais quand les gens viennent, ils sont impressionnés. Je pense que les gens ressortent avec des acquis. C'est possible de faire telle affaire. De faire telle affaire, c'est toujours des visites qui sont très intéressantes pour nous de redonner à la société société qui est le secteur manufacturier au Québec, en tant que Et alors, quelles étaient les circonstances ou les défis spécifiques qui vous ont amené à prendre contact avec le crime?
Speaker 2:Est-ce que vous pouvez nous mettre en contexte? Si on refait l'histoire ensemble, vous étiez dans un contexte. En général, c'est soit un problème, soit une recherche de solution, mais dans les deux cas, on se fait sortir d'une situation. Est-ce que vous pouvez nous l'expliquer?
Speaker 3:je peux en parler un peu avec comment on a rencontré l'agence. ça date de 2022, donc il y a deux ans. j'ai participé avec l'ancien directeur général de l'usine, robert Vérot, qui est une conférence pour nous expliquer nos avancements, puis notre stratégie, puis cette initiative d'innovation vers l'intelligence artificielle. ça vient de d'anciens directeurs général. donc, robert verroux, qui était là pendant 15 ans, je pense, je pense que, oui, 15 ans directeur général de l'usiné, dans ma vie reste pour autant que ça, ils vont se promener général d'une usine. Maintenant, il ne reste pas longtemps que ça. Ils vont se promener dans d'autres usines. Mais le contexte, la langue française, c'est pas une blague. Et puis, robert Leroux, il était un grand visionnaire, il ne savait pas comment faire, mais pour amener l'intelligence artificielle, il était convaincu à 100 %. On va faire notre présentation.
Speaker 3:Les gens nous ont approchés, peut-être, nous ont aidé dans vos petits temps problématiques que vous vivez. Et puis, on a fait un projet. Curieusement, si je ne me trompe, on a fait le projet Numéria Exact Avec Alexia. on a fait le projet pour, justement, vérifier si le problème qu'on avait ciblé était un candidat intéressant et, en même temps, ça donnait de la formation aussi. Et puis, à ce moment-là, on a trouvé ce projet-là. Et là, je vais laisser la parole un peu à Alexandre, parce qu'il va parler du côté très technique de la problématique et puis de comment aussi on En fait, comment ça se vit en Brugage de l'IA, comment on identifie qu'on a des problèmes, puis comment on identifie le problème qu'on va avoir. C'est pour ça que je vous propose Rencontre. après ça, je vais vous dire l'exemple, je vais vous dire le projet.
Speaker 4:Bien sûr. Donc, oui, le projet. je vais aller sans rentrer dans le détail de la fabrication d'un pneu. juste, de façon générale, la façon dont on fabrique un pneu, c'est qu'on en met différentes couches de caoutchouc de façon successée, on les enroule. À chaque fois qu'on vient enrouler une couche de caoutchouc, évidemment, il y a un joint qui est créé à l'endroit où la couche va venir se refermer.
Speaker 4:très précisément, parce qu'on a des tolérances, m'a sur le pouvoir, on doit obtenir, dans le fond, fois le procès déterminé et puis, sur nos nouvelles machines d'assemblage, dont on avait de la difficulté à rencontrer, c'est pas les rassements, le donc, c'est difficile d'être toujours constat dans l'intolérance, mais les rappeurs, vraiment de très bonne qualité, peut dire que le produit est de bonne qualité, mais donc, on voulait optimiser, dav dire que le produit était de bonne qualité, mais disons qu'on voulait optimiser davantage encore le produit qu'on faisait. Donc, c'est là, dans le fond, où on a lancé le projet avec le crime, dans le but d'optimiser les paramètres de fabrication afin de toujours, ou de plus souvent, passer d'un pain dans le joint qui est parfait pour optimiser notre produit au final.
Speaker 2:Je vais rebondir sur ce que disait Samuel. Au début, on était sur on veut implémenter l'intelligence artificielle, mais on ne sait pas vraiment où et comment. On sait que l'IA nous intéresse. Là, des gens du crime vous ont contactés. Il y a une discussion qui s'opère, puis là, on met en place un programme qui s'appelle Numeria, qui permet d'explorer les cas d'usage dans l'organisation, puis avoir cette discussion autour des défis d'affaires, puis aussi la valeur qu'on peut aller chercher dans un cas d'usage professionnel, et c'est typiquement le cas d'usage qui a été trouvé.
Speaker 4:Exact. Oui, dans le fond, la raison principale pourquoi ça a été un état d'usage qui est retenu, c'est qu'à chaque fois qu'il y a une des couches qui n'est pas dans le joint, il faut corriger le joint. Ça cause un arrêt de la machine. L'opérateur doit intervenir À ce moment-là. Il y a des pertes de production qui sont engendrées par cette problématique-là. En adressant cette problématique-là.
Speaker 2:Le souhait, c'est justement de venir réduire ces pertes de production là, pour que la machine roule de façon autonome le plus longtemps possible. Oui, je suppose que ça engendrerait des coûts importants à chaque fois de s'arrêter de corriger?
Speaker 3:Tu peux nous permettre d'informer? c'est intéressant. On avait recensé combien de fois Les machines d'assemblage automatiques sont supposées être automatiques, donc jamais arrêtées Normalement, le pré, le problème, c'est qu'elles marchent toujours à la fin. Et puis, ce cas-là particulier du joint non conforme faisait arrêter la machine. En moyenne, je crois que c'était à tous les 5 pneus. Oui, environ 5 à 10 pneus selon les machines. À tous les 5 pneus, la machine arrête. Et ce que doit faire l'opérateur à ce moment-là, s'il est présent à côté de la machine, parce que normalement il se promène autour de la machine, c'est un machine quand même assez volumineuse, en super-piscine, et là la machine arrête. Mais pendant ce temps-là, c'est du temps, non d'aucune opération possible, que de productivité, le produit à tombe, on en a dit. Donc, l'hypothèse, c'était si on est capable d'augmenter de 5 à 10 pneus déjà, là on va gagner un temps énorme et une production énorme. Ce n'est pas dit que l'opérateur est juste à côté pour régler le problème non plus.
Speaker 3:Des fois, ça peut prendre 30 secondes. On va venir intervenir parce qu'il n'y a rien qui l'avait averti, qui avait une problématique. Et tous ces calculs-là de non-productivité, qu'on appelle, font partie du quotidien du génie industriel et des départements. Alexandre vient du génie industriel, il connaît très bien cette problématique-là. Et puis, c'est comme ça qu'on décèle des opportunités. On sait où est notre problème, et puis là, il y en a plein des problèmes identifiés de cette manière-là, et là, il faut déterminer comment on va réussir à le régler. Le projet, ou l'assistance d'intelligence artificielle dans ce projet-là, a permis de devenir, justement, une belle intention. C'était de diminuer cette quantité de nombre d'opérations qu'on appelle pour l'aménagement de la production.
Speaker 2:Merci pour les explications. Ça nous met en contexte. Mais là, on a des incertitudes autour de ce projet-là. Est-ce que vous pourriez nous rappeler des incertitudes technologiques qu'il y avait autour de ce projet?
Speaker 4:Certainement, une des principales, c'est que le caoutchouc qu'on utilise, c'est une matière qui est vivante. Donc, c'est très difficile de prédire le comportement de cette matière-là. Ce n'est pas, comme exemple, du métal ou du plastique. Si on le dimensionne d'une certaine façon, on sait qu'il devrait être à peu près dans ces dimensions-là. Le caoutchouc, lui, est élastique. Donc, selon la température à laquelle il a été fabriqué, selon les conditions aussi, l'humidité, etc. Ça peut causer énormément de variations qui sont très difficiles à expliquer, qui sont très difficiles aussi à maîtriser.
Speaker 2:Il y a énormément de paramètres dans la fabrication d'un pneu. C'est ce que je comprends bien.
Speaker 4:Effectivement Juste sur nos machines d'assemblage. on parle de plusieurs centaines de paramètres qui sont réglés soit par notre division technique à l'usine, ou certains paramètres qui peuvent aussi être contrôlés par l'opérateur sur la machine.
Speaker 3:Il y a aussi différentes machines dans le procédé complet de la fabrication Ici. Notre problématique, c'est aussi, au niveau de l'assemblage, Les couches de caoutchouc pour l'assemblage. Ces couches de caoutchouc, ce n'est pas du caoutchouc pour l'assemblage du coup, Ces couches de caoutchouc, ce n'est pas du caoutchouc qu'on trouve comme ça. Ce caoutchouc, il est extrudé avec d'autres machineries. Donc, en avant, on a d'autres machineries qui vont extruder les différentes composantes. Répète-moi combien de composantes on a de la fabrication du coup.
Speaker 3:C'est juste du caoutchouc. donc, toutes ces différentes couches sont appliquées à l'assemblage, mais ils ont été produits par d'autres machines en amont qui sont produits à notre usine, et puis, si on remonte, ça, c'est du caoutchouc qui a été mélangé avec des produits chimiques, en amont aussi de ces machines làlà. Et là, on arrive au caoutchouc synthétique et au caoutchouc naturel qui est utilisé dans l'âme. Donc, l'imprédictibilité ou la variabilité de l'idée, c'est de commencer à maîtriser ces paramètres-là. Maîtriser le caoutchouc, c'est ce qu'on essaie de faire de façon très générale. C'est un cas très particulier, mais je pense que c'est un bon endroit pour commencer aussi, essayer de maîtriser.
Speaker 2:Oui, l'assemblage, c'est déjà un bon cas d'usage. Personnellement, je méconnaissais toute cette chaîne de valeur qu'il y avait derrière un pneu. On a tendance à regarder ça de façon basique. Je pense que c'est simple, mais c'est peut très complexe.
Speaker 3:Quand on réserve l'usine, on comprend l'ampleur, puis, à chacune des étapes, les tolérances sont très, très serrées. On ne peut pas se permettre aucunement qu'un pneu qui sort de l'usine ne soit pas conforme et tue une famille à titre d'exemple. Donc, il y a une responsabilité extrêmement importante dans la délocation du pneu. Donc, les procédés sont très, très contrôlés.
Speaker 2:Et, justement, vous parliez tout à l'heure de l'usine et qu'il fallait visiter l'usine absolument pour la comprendre, le crime n'a pas pu s'empêcher d'aller vous visiter pour, effectivement, mieux comprendre. Est-ce que, pour vous, vous pensez que cette visite a permis de contribuer au succès du projet? Est-ce que vous pensez que, quand on collabore avec vous, il faut venir voir chez vous comment ça se passe, comment ce monde opère, pour pouvoir ensuite collaborer sur des aspects de projet?
Speaker 4:Je dirais que je pense que c'est même capital que l'équipe vienne sur place parce que, comme je disais tantôt, c'est un procédé qui est excessivement complexe. Samuel aussi, je pense, l'a bien démontré. Donc, si on ne le voit pas, c'est très dur de le comprendre juste sur des explications ou des images du procédé. Puis, en même temps, ce que ça a permis aussi, c'est que les gens du crime ont pu venir rencontrer nos opérateurs de machines, donc nos employés. On peut discuter avec eux. Donc, ça leur a permis aussi de comprendre si ce n'était pas le raisonnement en arrière des ajustements qu'ils faisaient sur les machines.
Speaker 2:Mais ça, ça fait partie et c'est super intéressant, parce que on fait souvent de la technologie sans l'humain. C'est un petit peu l'histoire de la tech Aujourd'hui. On se rend compte de plus en plus qu'il faut intégrer l'humain dans le process de développement de technologie. Puis, vous êtes dans cette dynamique-là. D'ailleurs, On a pu en parler tout à l'heure, en off Au crime, on a une pratique qui s'appelle l'IA de confiance. C'est une pratique qui est transversale à tous les domaines d'activité, Et puis, c'est surtout fait dans tous les projets, mais encore plus dans un environnement normé, ce qui est votre cas. Le crime a pris les rétrospectives de vos opérateurs, vous en parliez. Est-ce que ça aussi, vous pensez que c'est une démarche qui a contribué au succès? Est-ce que cette boucle de rétroaction avec ceux qui utilisent les machines, finalement, c'est quelque chose qui a été important pour vous définitivement.
Speaker 4:Ça permet justement de créer un produit que nos opérateurs vont comprendre. Ce n'est pas juste. On met une boîte noire sur la machine. Elle va interagir avec on ne sait pas trop ce qu'elle fait, pourquoi elle va réagir de cette façon-là. Versus là, en ayant discuté avec les opérateurs, on a pu développer un produit qui est plus facilement compréhensible, avec des variables qu'on dit Faut comprendre pourquoi on a choisi ces variables-là, au final, pour les intégrer dans le modèle. Donc, les gens vont avoir une nettement meilleure confiance dans le produit qu'on va leur livrer. Puis, ils vont être capables aussi de comprendre ah bien, pourquoi la machine a réagi de cette façon-là? Ah bien, c'est parce que j'ai tel paramètre dans la fabrication qui est rentré, qui faisait en sorte que la machine a réagi comme ça.
Speaker 2:Oui, c'est les fameux 3U, c'est le utilisé, l'utilisable, utilisé.
Speaker 3:C'est l'interaction entre l'intelligence artificielle et les opérations. Il y a une difficulté des fois de compréhension, et un des objectifs pour intégrer l'intelligence artificielle de façon efficace au niveau des opérations, au niveau de la machinerie, c'est de créer ce lien-là, que chacun, de part et d'autre des côtés, soit capable de s'entendre et de se comprendre Plus, en parlant évidemment avec l'opérateur, mais aussi en lui fournissant, à titre d'exemple, je dois te fournir le feedback de l'intelligence artificielle. Comment va-t-il interagir? nous, on a fait la décision d'utiliser le concept des agents intelligents. On a fait, on a personnalisé un peu l'intelligence artificielle. Et bien, ça, c'est ton assistant à toi, assistant à la machine, mais il va être là pour t'aider dans tes fonctions, entre autres, de régler le problème du joint. Mais on va te créer, on va te personnaliser une interface, si tu veux.
Speaker 3:On n'a pas encore une interface qui parle, on n'a pas une interface qui chauffe, mais l'idée, c'est de commencer dans cette optique-là, donner de la métrique, le faire vivre en quelque part sur un écran de machinerie, que l'opérateur ait accès à voir ce qui se passe. Ça, c'est un élément qui est extrêmement important. Si c'est une boîte noire, comme Dixord disait, ça ne marche pas, ça ne marche pas. Mais si c'est une boîte qui est semi-ouverte, dans le sens où je vois ce qui se passe, je suis capable de comprendre, je vais peut moi de contribuer à l'améliorer, en tant qu'opérateur, par exemple. Donc, on a fait ça sur d'autres machineries où on a donné un feedback visuel de l'agent intelligent puis de comment il interagissait Avec ce projet-là aussi, c'est une idée de s'amener vers cette interaction-là, cette communication-là entre le monde réel puis le monde numérique. En fait, cette ligne est très importante.
Speaker 2:Et ce que je trouve super intéressant dans cette explication-là, c'est qu'à travers les dispositifs qui ont été en place pour vos emplois de vie, ça permet aussi d'activer une culture de la donnée, parce que pour comprendre comment l'intelligence artificielle fonctionne, il faut avoir quelques connaissances sur la donnée pour ensuite s'approprier l'intelligence artificielle fonctionne. Il faut d'avoir quelques connaissances sur la donnée pour ensuite s'approprier l'intelligence artificielle. Et je trouve ça fascinant, c'est une sensibilité qu'on a.
Speaker 3:Puis, souvent, dans certains cas, on n'a pas cette sensibilité-là. Il faut qu'on se la rappelle, il faut qu'on y revienne. Il ne faut pas oublier cette connexion-là. Oui, il faut qu'on y revienne, nous autres. Il ne faut pas oublier cette connexion-là. Oui, parce que c'est un élément qu'on a tendance à oublier. On va mettre ça dans les serveurs, en quelque part, ça va rouler, ça va passer à l'oeuvre, mais la personne qui l'utilise, tout ce lien-là, est à ça. Il faut se reméandrer toujours.
Speaker 2:Je le répète souvent, il faut le ramener Et d'informer sur vos collègues. On va leur faire un petit clin d'œil. Ça prend quand même des compétences et des connaissances particulières quand même pour opérer sur vos machines.
Speaker 3:C'est une machine d'assemblage. C'est-tu six mois de formation avant d'avoir quelqu'un qui, environ six mois avant, quelqu'un qui est complètement apte à être autonome. Parce qu'en tant que machine d'assemblage, c'est relativement complexe, les paramètres il y a.
Speaker 4:Tu m'avais dit combien de paramètres d'ajustement, c'est quelques centaines de paramètres d'ajustement Il y en a à peu près une cinquantaine qui sont accessibles à l'opérateur pour être ajustés. Ça fait quand même beaucoup de choses à prendre en considération, outre ce qui se passe dans l'environnement autour de la machine le champ de composants, ce genre de choses-là.
Speaker 3:C'est beaucoup de paramètres que l'opérateur ou l'opératrice peut changer pour ajuster une problématique due au fait que le caoutchouc est dynamique. Il doit se rappeler que tous ces paramètres-là, ils sont des fois interreliés, puis un peut affecter un peu l'autre. Donc, de comprendre tout ça, ça prend du temps, il y a de l'énergie, mais aussi, après ça, les bons opérateurs, opératrices, ils ont une capacité à bien comprendre la machine, à filer la machine. la ressentir, ce n'est pas donné à tout le monde. L'idée de l'agent ou l'assistant intelligent, c'est d'un peu de venir accompagner tout le monde pour être capable de comprendre ce qui se passe au niveau de la machine. Donc, les gens qui sont très expérimentés et qui vont continuer à bien comprendre les gens, que des fois, c'est un petit peu plus difficile de comprendre la totalité de l'ensemble, apportons-leur des outils qui vont leur permettre de démystifier la machine, de faire parler la machine après ça, dans un langage que l'humain est capable de comprendre, qui est la langue, la parole, l'écriture. Donc, c'est ce texte-là qu'on a utilisé, qu'on essaie d'utiliser.
Speaker 2:Et on va nous axer de préjugés, mais c'est un environnement masculin.
Speaker 3:De moins en moins, ah.
Speaker 2:Ne trompe pas là.
Speaker 3:Et là la forte ouverture pour mentionner qu'entre autres, dans nos machines d'assemblage, les opérateurs opératifs de performance sont des opératifs Oh Et là. Je ne sais pas le pourcentage féminin et masculin, mais de plus en plus, on a des opératrices, elle les aime.
Speaker 3:Notre machinerie requiert de moins en moins qu'on soit physiquement très musclé ou c'est de moins en moins physique. Donc c'est une interface avec des machines, c'est des machines qui sont automatiques. Donc c'est vraiment quelqu'un qui est très versatile, très bon pour gérer à peu près un peu de tout. Puis, c'est une observation qu'on fait à notre usine Les vins sont très bonnes.
Speaker 2:Il faut le souligner.
Speaker 3:On est bien, très, très fiers.
Speaker 2:Avec le recul, que retenez-vous du principal impact de ce que vous venez au Bridgestone sur le plan opérationnel? développement de compétences, peut-être stratégique, ces trois dimensions-là, si on peut en parler.
Speaker 3:Je peux parler un peu de l'aspect. Moi, c'est des beaux acquis qu'on a. On a vécu des expériences professionnelles avec d'autres joueurs, qui n'étaient pas nécessairement des joueurs du Québec, mais avec le crime, on a senti que c'était différent. Peut-être que tu pourrais mettre la main sur ce que c'était pas exactement, mais on a senti que la solution, on avait une équipe d'experts en arrière très forte. Quand on parlait avec les gens, les gens comprenaient bien, l'équipe était très présente, ils ont bien compris la problématique. Puis, ils nous ont livré quelque chose qui fonctionnait déjà bien avec les données qu'on avait Et le transfert. Moi, je suis un peu à l'extérieur de la relation entre l'équipe et Alexandre, mais ce que j'ai vu, c'est qu'Alexandre est rentier à travers, donc, des outils qui ont été utilisés dans le cadre des analyses. On n'était pas au courant, on n'était pas au courant. Maintenant, il est apte à utiliser ces outils-là pour probablement faire d'autres genres de projets similaires. Donc, ça, je pense que ça nous a permis de grandir en tant que Bredstone.
Speaker 3:Et puis Bredstone, de façon très générale, a présenté les bons coups qu'on a à travers tout le groupe Bridgestone. C'est favorisé. Donc, on a cette ouverture-là, cette chance-là de venir présenter nos projets Et ce projet-là, on l'a présenté. On a présenté qu'on a travaillé dessus, puis on a travaillé avec un partenaire, on a commencé à avoir des résultats, et puis, au fil des mois, on donnait ces updates-là. C'est pas juste pour les années, mais pour tout le groupe, en Amérique du Nord, en Europe et au Japon aussi. Donc, on est fiers de présenter ces outils-là, puis de présenter les résultats. Ça, c'est mon observation, puis mon expérience aussi que j'ai eue, alexandre, pour jaser du bois à 30 cents.
Speaker 2:Oui, parce que je suppose que la problématique doit se produire dans d'autres usines de fabrication dans le monde.
Speaker 3:Je dirais que l'Europe est plus. Il y a plus ce genre d'activité qui se produit dans l'Europe. Je ne sais pas, en Amérique du Nord, c'est surtout Joliette qui a ce genre d'initiative-là. En Amérique aux Nouveaux-États-Unis aussi, mais c'est aussi étanche. On ne retient pas qu'on a autant de profondeur dans l'exercice pour un site, le CIEP, on a autant de profondeur dans l'exercice pour un site. Donc, le cercle clavier peut avoir, peut avoir fait des analyses pour un site manufacturier comme Juliette aux États-Unis. Tu n'as pas ce genre de même, ce genre de même feeling-là.
Speaker 2:Il y a un certain leadership dans d'autres démarches, quand même.
Speaker 3:Je crois que oui aussi, ça vient des gens en place. Au Québec, on a une belle expertise, on a des gens qui sont passionnés, qui sont intéressés aussi, qui sont très curieux. Peut-être que ça fait que le Québec, on est un petit peu plus comme ça. C'est peut-être pour ça qu'à Juliette, on s'est démarqué du groupe, mais effectivement, ça prend des gens intéressés, passionnés.
Speaker 2:Curieux, pas peur de prendre des risques non plus.
Speaker 3:Aussi, pour prendre des risques dans la vie, il faut Au Japon. C'est pas le temps non plus. Il y a beaucoup de dizaines qui sont au Japon aussi. Ils n'ont pas la même vision des choses, mais Europe, on ressemble un peu plus à l'Europe dans ce genre d'expérience ou d'expérimentation de vision. Comment on réagit.
Speaker 2:C'est très intéressant la dimension culturelle autour de l'innovation. Mais oui, on peut dire qu'il y avait du leadership dans cette démarche-là. Est-ce que vous pensez que ça va permettre de nourrir d'autres réflexions parmi d'autres usines du groupe? Est-ce que c'est un peu un modèle, c'est une intention?
Speaker 3:L'usine de l'ODS fait partie de quatre usines qui produisent le même genre de pneus, donc les pneus passagers, et puis les quatre autres usines sont aux États-Unis, en Amérique latine. Donc, on a été identifié parmi notre groupe comme étant l'usine qui doit être le flagship innovation et technologie. Ok, parce qu'on faisait, parce que les technologies viennent de chez nous, puis on les prend comme ce projet. On le prend, on le fait fonctionner, on l'implémente. Moi, je suis convaincu que ça va fonctionner, parce qu'on est en implémentation et il reste un an de résultats. Mais oui, c'est encouragé et on nous pousse à montrer nos résultats et à les partager, et l'idée, c'est de faire vivre ce projet-là et de l'amener dans d'autres sites, parce que dans d'autres sites, il y a aussi des machines similaires. Donc, effectivement, quand on fait un produit, on a aussi ça en tête. Est-ce que c'est portable vers d'autres usines? Ça, ça dirige un peu nos décisions, mais oui, c'est quelque chose qu'on veut mettre dans d'autres usines.
Speaker 3:Oui, en beaucoup, c'est peut-être Il faudra avoir la collaboration forte des autres usines et c'est là qu'on devra travailler. Ce leadership-là que vous mentionnez est peut-être pas tant là dans les autres usines. Il faudra le développer dans les autres usines pour qu'on puisse être capable de transférer les connaissances et les projets.
Speaker 2:Vous y êtes, vous hésitez? Oui, ça fait partie.
Speaker 3:Je dirais que la coved bloqué beaucoup des de cette une, de cette pratique c'est une grande pratique de bretton d'envoyer des gens dans d'autres visites pour voir partager ce qu'on fait. Donc, mais là, ça a freiné. Non, ça reprend tranquillement cette volonté de retourner voir ce qui se fait, regarder les bons points, discuter le partage est extrêmement important. C'est important. Ce projet-là, en fait, on l'appelle en anglais, c'est le Body Splice 2.0. C'est pas 2.0, parce que c'est la deuxième essai qu'on va faire avec une poche différente. Le premier essai, ce n'est pas traduit avec un succès En innovation. On a des séchés, ça en fait partie. Ça a été développé à une autre usine avec le siège social. On dirait que il n'y avait pas l'engouement ou l'intérêt, ou le partage avec l'opérateur. C'est ça. Ça a plus été imposé.
Speaker 3:Voici ce qu'on fait Des fois, il faut ouvrir des portes, des fois c'est un déclencheur. On sait peut-être que ça ne va peut-être pas fonctionner. Des fois, il faut qu'il force un peu les choses, puis forcer un peu les choses, puis après ça, on l'a mis. Dans ce cas-là, peut-être qu'il y aurait dû forcer les choses, mais travailler un peu plus conjointement avec les opérateurs. Maintenant qu'on connaît tout ça, qu'on connaît un peu ce qui a marché et ce qui n'a pas marché, on réessaye une deuxième exercice, mais avec un modèle qui semble être plus performant. Mais là, avec un approche où on fait des efforts pour impliquer l'opérateur, l'opératrice, dans le projet assez tôt, avant de dire voici, c'est ça que tu utilises.
Speaker 3:Donc, malheureusement, comme on a implémenté la solution 1, qui n'a pas marché, là, les gens peut-être, ils ont une mauvaise perception. On va leur travailler un petit peu plus fort pour une mauvaise perception. On va vouloir travailler un petit peu plus fort pour changer cette perception-là et leur donner une idée qui va fonctionner. Donc, là, on pense que la nouvelle technologie ou la nouvelle approche qu'on a avec l'intelligence artificielle va donner des meilleurs fruits et va donner quelque chose que l'opérateur va pouvoir se fier plus facilement, il va avoir confiance, le lien de confiance.
Speaker 3:Je ne l'aiérateur va pouvoir se fier plus facilement, il va avoir confiance. Le lien de confiance je ne vais pas mentionner La confiance en l'intelligence artificielle, des clés. Si tu n'as pas confiance que ça ne marchera pas, le projet va être un échec. C'est les gens qui ont besoin de confiance. Il faut bâtir cette confiance. Des fois, il ne faut pas faire des projets qui sont trop complexes, parce que sinon on risque que ce soit un échec. C'est pour ça que je pense qu'il y a quelque chose qui est plus simple et plus concret, mais qui fonctionne pour partir, ce lien de compte, si je peux ajouter.
Speaker 4:je pense aussi qu'il y a un volet très important qui est, justement Samuel l'a bien mentionné lors du point de la première solution. il a peut-être manqué justement ce contact humain avec les opérateurs, donc, d'aller vraiment, l'expression, c'est d'aller sur le plancher, puis de voir la solution en action, de parler avec les gens, puis d'avoir la réproaction, justement. Puis, il y a eu aussi de voler, justement avec le crime, il va dire que les gens du crime ont pu se déplacer. Je pense qu'il y avait une proximité aussi qui permettait d'avoir un meilleur canal de communication entre nous, le client, puis après ça, entre nous et nos opérateurs. Donc, ça, je pense que ça a grandement facilité le projet. Ça fait en sorte qu'aujourd'hui, je pense, quand je vais voir les opérateurs, ils ont, oui, une certaine réticence, mais ils ont quand même une volonté de dire'on va donner une deuxième chance, on va voir qu'est-ce qu'ils peuvent apporter.
Speaker 2:Oui, parce que ça a été inclusif, c'est pour la seconde itération. Mais je pense que aussi, et puis, beaucoup de gens se retrouvent dans cette dimension-là. L'intelligence artificielle, c'est une démarche qui est un peu abstraite pour beaucoup de monde, mais c'est le concret, finalement, monde, mais c'est le concret, finalement, qui finit par convaincre. Donc, je pense que vous touchez du doigt le concret.
Speaker 3:On a fait d'autres projets qui sont plus des projets de vision, donc l'utilisation de la décalerie pour des projets de vision qui, selon moi, ont des grandes chances de succès parce qu'il y a tellement de recherches, donc ça donne de bons résultats. On a mis ça en place dans certaines machines, on a donné un feedback à l'opérateur pour voir ce qui se passait, on a travaillé cette approche et on travaille avec le feedback au niveau des employés. Pour ça, c'est la même chose. Avec ce genre de projet, c'est complètement différent. On est dans une tale qui a un peu plus d'incertitude, qui a un peu plus d'incertitude, mais qui, jusqu'à date, donne de bons résultats. Donc, l'idée, c'est de refaire un peu le même exercice qu'on a fait avec les projets de vidéo.
Speaker 2:C'est une démarche qui se coupe au demi-final.
Speaker 3:On essaie de retrouver ce qui a fait qu'il a bien fonctionné. Encore une fois, le lien de confiance, la rétro, travailler fréquemment avec l'opérateur pour voir si c'est bien ou pas, le laisser comprendre à notre opérateur ou opératrice, le laisser comprendre que si ça ne marche pas, on peut faire quelque chose, c'est ça et c'est ça. Au Québec, on est bon de dire que ça ne marche pas, cette affaire-là, s'il y a une ouverture, on dit que si, dis-moi, je peux l'améliorer, et là, je vais faire encore du bon. Aussi, les apprentis, avec le KIN, vont permettre de. Je parle pour Alexandre. Il peut maintenant améliorer le modèle. Donc, il a acquis des connaissances pour être capable de OK, on veut rejeter un paramètre, on utilise notre dataset, on réentraîne le modèle, on est capable de le faire. Cet acquis-là est pour moi extrêmement important, extrêmement important pour l'équipe et l'équipe de Brichon.
Speaker 2:Oui, il y a une augmentation de la connaissance, de la compétence, il y a l'autonomie à la fin, exact. C'est ça qui est important. Et si vous aviez dû faire les choses autrement pour X raisons, qu'est-ce que vous auriez changé dans le projet, dans l'approche?
Speaker 3:Moi, j'ai trouvé que la poche était pratiquement parfaite. C'est sûr que ce n'était pas un nouveau projet, on avait déjà du background. Mais c'est un peu toujours les projets qu'on a à l'usine. On a souvent beaucoup de background. On a essayé plein de choses. Ça ne marche pas. Puis là, on est rendu à l'étape où on utilise des technologies plus avancées. De mon point de vue, je n'ai pas vu. Peut-être que je ne toucherais pas à cette recette-là. Elle semble bien.
Speaker 2:Et quels conseils vous donneriez aux auditeurs, aux auditrices qui nous écoutent, qui ont peut-être des souhaits ou qui envisagent d'intégrer l'intelligence artificielle? Qu'est-ce que vous leur diriez si vous deviez leur donner des conseils?
Speaker 4:Je pense que les éléments qui ont été clés dans notre projet à nous, c'était la disponibilité des informations, donc la quantité de données qu'on avait disponible pour le projet. Donc, on avait à l'usine la chance d'avoir au-dessus d'un an de données qu'on pouvait utiliser. Donc, ça, ça a été vraiment d'une grande aide. Puis, je dirais aussi le fait, justement, de canal de communication qui soit bien ouvert entre autant les ressources à l'interne qu'avec le crime ou les autres partenaires, puis aussi avec les gens qui vont être les utilisateurs finaux de la solution. Donc, je pense que c'est vraiment essentiel d'avoir ce canal de communication-là, de bien comprendre chacune des réalités, pour que les gens croient finalement à la solution, puis que ce ne soit pas juste un projet tablette.
Speaker 4:Ok, on a fait de l'intelligence artificielle, mais est-ce que ça a une application pratique? Plus ou moins parce qu'il n'y a pas eu, justement, cette communication-là, cette compréhension du projet. Puis, juste pour revenir un petit peu sur les données, je pense qu'il y a aussi l'importance d'avoir la compréhension des données, parce que c'est beau d'avoir de l'information, si on ne sait pas ce qu'on a entre les mains, ça va être très difficile de faire parler ces données-là pour développer un modèle. Donc, c'est important d'avoir les gens, les bonnes ressources comprendre les données puis pouvoir les exploiter.
Speaker 2:Donc encourager le recrutement scientifique de données comme un manufacturier.
Speaker 3:Il n'y a pas toutes les industries ou les entreprises qui peuvent se permettre ça. Le crime est un. Mais il faudra développer cette expertise dans l'interne, tranquillement, pas vite, dans toutes les entreprises. Des fois, on va trouver des ingénieurs industriels qui peuvent pas juste des ingénieurs, mais d'autres personnes qui ont de l'intérêt, puis qui ont de la facilité ou de l'intérêt à jouer avec les données, puis les comprendre. Trouver ces gens-là qui sont passionnés par ça, trouver ces gens-là, impliquer dans ces projets-là, ils vont grandir, mais ils vont aussi avoir de la passion, ça va être très rentable pour l'entreprise. Alexandre mentionnait les données. Ça, c'est peut-être une des recommandations. Je l'ai fait dans le passé aussi, j'ai mentionné cet aspect-là. Des fois, si on n'avait pas eu les données, on n'avait pas collecté les données. À chaque plus, on collectee. Je crois que c'est 700 paramètres d'informations.
Speaker 4:On collecte les paramètres, on collecte des données de production. Il y a plusieurs milliers de données qui sont collectées à chaque pneu.
Speaker 3:C'est sûr que notre machine d'assemblage nous donne beaucoup d'informations. On en a beaucoup des machines d'assemblage, donc ça fait beaucoup d'informations. Mais de mettre en place un système de collecte de vos données en temps réel, collecter des données des formations de machines, des capteurs, n'importe quoi qu'on peut penser Et de garder cette information-là, parce que quand tu as besoin de l'information, tu as besoin de six mois d'historique de données et que tu ne les as pas pour un projet, il va falloir que tu attendes un an. Donc, là, est-ce qu'on peut se permettre d'attendre aussi longtemps que ça? Donc, commençons à collecter. Ça a été mon. Ce que je demandais à l'équipe, c'est qu petite idée, à cause du feu qu'il y a de la chambre, on doit assurer la traçabilité de tout ce qui est fait. Pour un truc, on a été obligés de collecter une table pendant deux ans, une information.
Speaker 3:Il ne faut pas s'arrêter, il faut continuer à collecter de plus en plus, parce que, des fois, quand on va utiliser l'intelligence à petit peu dans la mixte, a besoin d'énormément de paramètres à l'entrée, mais il ya peut-être des paramètres qu'on n'aura pas pensé qu'ils ont un impact significatif. De la voir va être un arrêt. Je comprends que en magasiner cette quantité d'informations, c'est pas gratuit non plus. Donc, faut de faudra tout juste le milieu, l'aspect financier, et d'investir dans l'infrastructure ou pas. Il y a des moyens, mais il faut trouver juste un milieu.
Speaker 3:Mais de collecter donc, et collecter des données, force à faire la connectivité avec la machine. Je pense qu'il y a encore beaucoup, et c'est quelque chose qui m'était rapporté depuis la personne il y a encore beaucoup d'endroits où les machines sont pas connectés, on peut pas interfacer avec cette machine. C'est une machine, c'est une boîte noire en fait, mais il n'y a pas de capteur que je peux sortir des capteurs, mais je n'ai pas l'information. Donc, si on veut faire des projets d'IA, il va falloir faire cette connectivité là. Se donner l'objectif de collecter et distoriver les informations force nécessairement à faire la connectivité. Et puis ça, je pense que c'est un des étapes clés, mais une étape importante. Une fois que c'est passé, ça va être beaucoup plus rapide d'implémenter de l'intelligence artificielle parce que les données vont être là, la connectivité va être là.
Speaker 4:C'est pas important de faire un petit peu de pouce sur ce que tu dis, samuel. Je pense aussi, aujourd'hui, il y a tellement d'outils je vais dire en anglais open source qui sont disponibles, qui rendent cette étape-là plus facile qu'avant et plus accessible aussi à des plus petits joueurs. Je pense que ça, c'est une grande force qu'on a aujourd'hui, versus avant, où il fallait peut-être aller avec des solutions commerciales qui peuvent être très dispendieuses pendureuse à long terme.
Speaker 3:C'était une belle. On utilise Open Source, on peut le mentionner. Puis, dans certains cas, évidemment, c'est contrôlé, pas tous les outils qui sont Open Source, mais il y a une collectivité, une communauté très, très intéressante. Puis, il y a un amalgame de produits très intéressants aussi, qui peuvent être réutilisés à différents. C'est sûr que quand on utilise son point de vue commercial, des fois il est très puissant, c'est des côtés, non, mais c'est parti d'arrêter, des fois pour expérimenter, faire un prototype, on peut se permettre de regarder, on peut regarder les cours, les coûts de l'effraie de sens. Maintenant, dans ce cas là, ça nous permet d'accélérer rapidement l'utilisation de technologies.
Speaker 2:Donc, pas forcément avoir un réflexe. Le réflexe de la donnée, c'est un premier conseil, pas forcément un projet très dispendieux, très complexe. Dans un premier temps, démontrer que ça fonctionne, c'est absolument ça qu'il faut qu'on aille chercher pour aller chercher l'agrément des collègues Et puis avoir une culture de l'innovation, une belle culture de l'innovation, comme chez vous, que je trouve très intéressante Mettre les moyens d'être créatif, d'être curieux, de s'intéresser, d'être passionné, parce que je pense que vous êtes deux professionnels avant tout passionnés par votre métier, ça s'entend.
Speaker 3:On a une grosse équipe passionnée. aussi On est deux représentants qui tiennent le plan.
Speaker 3:Beau, mais les gens, on a la chance d'avoir des gens qui sont passionnés. L'initiative, c'est surtout haïti en ce moment, surtout un pays, mais on commence à faire, à faire des gens qui croient dans le secteur au niveau de la production, qui commence à s'approprier nos termes, tranquillement, pas vite, avoir des idées de job. Il ya en effet tel projet. Donc, on a juste commencé à faire des exemples de projets. C'est peut-être pas le projet le plus rentable, mais il était court. Puis il a dit ça donne des idées aux autres, puis ça leur permet de comprendre un peu qu'est-ce que c'est, puis, qu'est-ce que ça peut faire. Là, ça commence à donner des idées, ça fait qu'on commence à envoyer un peu des idées dans les autres secteurs.
Speaker 3:Puis la compréhension aussi, donc, opérations, services techniques, séance qualité, c'est une opération manufacturale, les opérations. Mais ils commencent à utiliser le programme, ils commencent à être intéressés par ce qu'ils ont vu. Et là, ça va être juste de dire on va bien, on va laisser pas punir, laisser nourrir des idées. Puis on les analyse d'inventabilité, si on a fait tel projet, nul, pas spécifique à leur secteur, fait que tu sais, on réussit à faire ça. Ça prend un peu de temps, mais on l'intérêt.
Speaker 2:Et Samuel Alexandre, comment vous voyez l'avenir de la collaboration entre le CRIM et Bridgestone Moi?
Speaker 3:suivant le succès qu'on a eu, c'est sûr que j'avais envie de continuer cette collaboration. Finalement, ça va dépendre de la situation financière à chaque année, bien sûr, à partir du moment où les budgets sont là, puis qu'on a des problématiques où on n'a pas les capacités, à l'interne, de résoudre le problème. Je pense que c'est un peu une mise à temps de face au crime d'être toujours en avance sur ce que nous, on comprend. Quand on ne comprend pas quelque chose, que le crime puisse venir nous aider.
Speaker 4:C'est comme ça que je vois la relation de même aussi, je vois beaucoup, je pense, de potentiel dans cette relation là, je le disais tantôt encore là, la proximité aussi, le fait qu'on est à Joliette, vous êtes à Montréal, il n'y a pas de grande distance, donc c'est facile de communiquer puis d'avoir accès à ces ressources-là, je pense qu'il y a un beau potentiel. Il y a eu tellement de belles relations durant le projet que ça n'a peu qu'à s'améliorer, comme on dit.
Speaker 2:En tout cas, ce sera avec plaisir de continuer à collaborer avec vous, parce que je pense qu'au-delà de l'intelligence artificielle qui nous réunit, on partage un autre aspect, c'est la passion. On est des passionnés, vous êtes des passionnés de votre domaine et je pense que ça, particulièrement de la passion dans le travail et dans les collaborations, ça fait naître des choses qui ont de la valeur. Finalement, samuel Alexandre, on arrive à la fin de notre entrevue. C'était un réel plaisir de vous accueillir ici, de vous entendre. J'ai personnellement beaucoup appris, beaucoup appris sur votre industrie.
Speaker 3:Et puis c'était un plaisir.
Speaker 2:Je vous remercie beaucoup Productivité.
Speaker 3:Opportunité, impact social et économique Croissance. Sous-titrage ST' 501.