Lorsqu’un détecteur de métaux rejette un sachet contenant 45 bâtonnets, le détecteur n’a accompli qu’une partie du travail : il a identifié un produit qui doit faire l’objet d’une enquête.
Il n’a pas identifié le bâtonnet exact, la machine, le matériau, l’intervention de maintenance ou la condition de procédé à l’origine du rejet.
Pour une professionnelle de la qualité comme Deborah Akande, qui travaille avec les méthodes HACCP et SQF, l’analyse des causes profondes, les essais en laboratoire et l’amélioration continue, l’étape suivante peut nécessiter la consultation des dossiers de production, de l’historique de maintenance, de la généalogie des matériaux, des vérifications du détecteur, des changements de produit et des incidents antérieurs.
Lors de notre entrevue, Deborah Akande a expliqué qu’une enquête sur un rejet de détecteur de métaux peut prendre de 3 à 4 heures lorsque les dossiers de production, de maintenance, de matériaux et de qualité sont répartis dans plusieurs systèmes.
Cette situation crée une occasion légitime d’améliorer la technologie.
Mais la première question n’est pas :
Que pense l’IA être la cause du rejet?
Les premières questions sont opérationnelles et liées à la salubrité alimentaire :
- Le produit concerné est-il sous contrôle?
- La procédure approuvée de rejet et d’enquête est-elle suivie?
- Le détecteur a-t-il été vérifié conformément aux exigences de l’usine?
- Quelle portée de production ou de matériaux doit éventuellement être mise en retenue?
- Quelles preuves sont nécessaires pour déterminer la source et la décision finale concernant le produit?
Ce n’est qu’une fois ces contrôles en place que l’IA devient pertinente.
Son rôle ne devrait pas être de décider si le produit est sûr, de libérer un produit retenu ou de remplacer la professionnelle ou le professionnel de la qualité compétent.
Son rôle le plus utile est plus précis :
indiquer à l’enquêtrice ou à l’enquêteur où commencer et réunir plus rapidement les preuves pertinentes.
Voilà à quoi devrait ressembler, en pratique, une enquête qualité assistée par l’IA dans une usine alimentaire.
Ce qu’un système d’enquête assisté par l’IA ferait réellement
Une enquête commencerait lorsque le rejet du détecteur est enregistré.
Idéalement, l’événement recevrait un identifiant unique lié au contexte de production de base :
- heure du rejet,
- détecteur,
- ligne,
- produit,
- lot de produit fini,
- ordre de fabrication,
- résultat du détecteur,
- nombre de rejets.
Le système pourrait ensuite récupérer le contexte de production entourant l’événement.
Selon la capacité de traçabilité de l’usine, il pourrait déterminer :
- les bâtonnets contenus dans le sachet rejeté,
- la machine ou le groupe de machines qui aurait pu les produire,
- la fenêtre de production pertinente,
- les lots d’ingrédients utilisés dans le lot de fabrication,
- les lots de matériaux d’emballage,
- les travaux de maintenance récents,
- le dernier changement de produit,
- les rejets antérieurs du détecteur concernant le même SKU,
- les actions correctives ouvertes liées à l’équipement,
- et les résultats des vérifications avec pièces étalons du détecteur.
L’expression importante est selon la capacité de traçabilité de l’usine.
Toutes les usines ne peuvent pas déterminer la machine et l’heure exactes associées à chaque bâtonnet.
Ce niveau de généalogie peut nécessiter la synchronisation des horodatages des machines, une intégration avec un automate programmable ou un système MES, des données fiables sur l’acheminement entre les lignes, la sérialisation, l’identification des contenants ou un autre mécanisme de traçabilité.
Une usine doit donc distinguer :
Capacité actuelle : ce que ses systèmes peuvent démontrer de manière fiable aujourd’hui.
Capacité cible : ce qu’elle aimerait éventuellement pouvoir retracer.
Un système d’enquête doit être conçu à partir de la première, et non de la seconde.
Ce que l’enquêtrice ou l’enquêteur devrait voir
La sortie du système ne devrait pas prétendre prouver la cause profonde.
Elle devrait organiser l’enquête.
Par exemple :
Les secteurs d’enquête les plus pertinents
- Machine d’emballage 6
À examiner parce qu’un rejet antérieur a suivi une intervention de maintenance sur l’ensemble de scellage. - Lot d’ingrédient A142
À examiner parce que ce lot est associé à des enquêtes antérieures sur des matières étrangères. - Activité récente de changement de produit
À examiner parce que le produit actuel a suivi une production utilisant un emballage d’ingrédient doublé d’aluminium.
Les preuves à examiner
- le dossier de maintenance de la machine 6,
- les dossiers de réception et d’inspection du lot d’ingrédient A142,
- la vérification du changement de produit,
- les résultats de vérification du détecteur,
- les autres rejets survenus pendant la même période de production.
Il s’agit d’une liste de priorités pour l’enquête.
Ce n’est pas une preuve.
La professionnelle ou le professionnel de la qualité décide toujours quelles inspections, quels essais, quelles entrevues ou quels dossiers supplémentaires sont nécessaires.
Le système crée de la valeur lorsqu’il réduit le temps passé à chercher des dossiers et à tester des explications peu probables.
La première étape technique n’est pas le choix d’un modèle d’IA
La première étape technique consiste à définir l’événement de rejet.
Chaque rejet devrait avoir un identifiant unique permettant de relier le signal du détecteur aux dossiers de production pertinents.
Une structure minimale pratique pourrait comprendre :
| Catégorie de données | Information habituelle |
|---|---|
| Rejet | ID de l’événement, heure, détecteur, résultat, nombre de rejets |
| Produit | SKU, client s’il y a lieu, formule, lot, ordre de fabrication |
| Emballage | ID du sachet ou du contenant lorsque disponible, ligne ou machine d’emballage |
| Matériaux | Lots d’ingrédients, lots de matériaux d’emballage, fournisseurs |
| Opérations | Quart, période de production, vitesse de ligne, changement de produit, réglages importants |
| Équipement | Historique de maintenance, temps d’arrêt, réparations récentes ou changements de composants |
| Qualité | Vérification du détecteur, résultats d’inspection, quantité mise en retenue |
| Enquête | Mode de défaillance, état de l’enquête, cause confirmée si connue, action corrective, vérification, décision concernant le produit |
Les champs exacts varieront d’une usine à l’autre.
Ce qui compte, c’est que les dossiers puissent être reliés de manière fiable.
Le champ souvent oublié par les usines : le résultat confirmé de l’enquête
Il ne suffit pas d’enregistrer qu’un emballage a été rejeté.
Le dossier historique doit montrer ce que l’enquête a réellement conclu.
Cette information ne devrait toutefois pas être stockée dans un seul champ vague de « cause profonde ».
Les différents concepts doivent être séparés.
Par exemple :
| Champ de l’enquête | Exemple |
|---|---|
| Mode de défaillance | Matière ferreuse détectée |
| Source soupçonnée | Machine d’emballage |
| Cause profonde confirmée | Élément de fixation endommagé sur l’ensemble de scellage |
| État de l’enquête | Confirmée |
| Portée concernée | Produit fabriqué entre une heure de début et une heure de fin définies |
| Action corrective | Élément de fixation remplacé |
| Vérification | Équipement inspecté et essai de provocation du détecteur terminé |
| Décision concernant le produit | Libéré, repris, détruit ou autre décision approuvée |
D’autres enquêtes peuvent conclure à :
- une contamination métallique associée à l’usure de l’équipement,
- une matière étrangère introduite pendant la manipulation d’un ingrédient,
- un composant endommagé de la machine d’emballage,
- un faux rejet du détecteur,
- une source non confirmée après l’enquête.
Une déclaration comme « produit autorisé après un nouvel essai » relève de la décision concernant le produit ou de la vérification.
Ce n’est pas une cause profonde.
Cette distinction devient particulièrement importante si les enquêtes historiques doivent éventuellement servir à entraîner un modèle prédictif.
Quelle technologie convient à chaque partie du problème?
Le projet ne devrait pas s’appuyer sur un seul modèle d’IA pour tout faire.
En fait, plusieurs composantes utiles du système ne relèvent pas du tout de l’IA.
Les différentes parties du processus nécessitent des outils différents.
1. Les règles devraient gérer les exigences connues
Utilisez des règles déterministes lorsque l’exigence correcte est déjà définie.
Par exemple :
- la vérification requise du détecteur doit avoir été effectuée,
- le produit actif doit correspondre à l’ordre de fabrication approuvé,
- la production ne peut pas commencer avant l’approbation préopérationnelle requise,
- un lot retenu ne peut pas être libéré sans autorisation.
Ces contrôles ne nécessitent pas d’apprentissage automatique.
Utiliser l’IA pour une exigence fixe ajoute de la complexité sans améliorer le contrôle.
2. La recherche devrait organiser les dossiers existants
La recherche pourrait être le premier secteur où un logiciel avancé crée une valeur importante.
Une enquêtrice ou un enquêteur pourrait demander :
Montrez-moi les incidents antérieurs liés au détecteur de métaux et à la machine 6 au cours des six derniers mois, y compris les causes confirmées, les actions correctives et les résultats de vérification.
Un système de recherche pourrait trouver les dossiers internes approuvés et présenter les résultats les plus pertinents.
Un grand modèle de langage pourrait aider à résumer ces dossiers.
Mais les documents contrôlés d’origine devraient demeurer la source de vérité.
Le modèle de langage devrait récupérer et organiser les dossiers approuvés.
Il ne devrait pas devenir le dossier qualité lui-même.
Cette approche est également plus sûre que de demander à un chatbot généraliste d’inventer une cause profonde à partir d’une courte description d’incident.
3. La détection des anomalies devrait repérer les conditions inhabituelles
La détection des anomalies compare le comportement actuel de la production à un profil normal établi.
Elle pourrait aider à signaler :
- une hausse inhabituelle des rejets du détecteur,
- des défaillances de scellage ou d’emballage concentrées autour d’une machine,
- une distribution inhabituelle du poids des emballages,
- un nombre de corrections de codage supérieur à la normale pendant le démarrage,
- un comportement anormal des défauts après une intervention de maintenance,
- ou un lot de fournisseur qui se comporte différemment de lots historiques comparables.
Une anomalie n’est pas une cause profonde confirmée.
C’est une raison d’examiner une condition plus attentivement.
Cette approche peut être utile lorsque l’usine dispose de suffisamment de données de procédé pour reconnaître un comportement anormal, mais pas de suffisamment de cas historiques confirmés pour prédire une défaillance précise de façon fiable.
4. L’apprentissage supervisé pourrait éventuellement classer les causes probables
Un modèle supervisé apprend à partir d’incidents historiques dont les résultats sont fiables et correctement étiquetés.
Pour un nouveau rejet, il pourrait classer des pistes d’enquête comme :
- équipement d’emballage,
- source de l’ingrédient ou du matériau,
- activité de changement de produit,
- problème lié au détecteur,
- source non résolue ou autre.
Ce classement peut aider à déterminer où l’enquêtrice ou l’enquêteur commence.
Mais l’article ne devrait pas afficher des probabilités d’apparence précise comme 48 %, 27 % ou 15 % à moins que le modèle ait réellement été entraîné, calibré et validé assez rigoureusement pour que ces probabilités aient un sens.
Sinon, la précision mathématique peut créer une fausse confiance.
Le modèle n’est utile que lorsque les dossiers historiques sur les causes profondes sont cohérents, que les étiquettes sont fiables et qu’il existe suffisamment d’exemples représentant les modes de défaillance pertinents.
Il n’existe pas de nombre universel de cas historiques qui rende automatiquement fiable un modèle de classement des causes.
Quelques dizaines de cas peuvent suffire à tester la disponibilité des données et la recherche.
Cela ne suffit pas automatiquement à entraîner un modèle prédictif fiable.
Pourquoi des dossiers de causes profondes de mauvaise qualité feront échouer le modèle
De nombreuses usines utilisent déjà des modèles normalisés de rapport d’incident.
Cela améliore la cohérence, mais un formulaire préparé n’est pas la même chose que des données de qualité analytique.
Comparez deux dossiers.
Dossier A
Le détecteur de métaux a rejeté un sachet. Le produit a été soumis à un nouvel essai. La machine a été vérifiée. Le personnel a reçu une nouvelle formation.
Dossier B
Une contamination ferreuse a été confirmée dans un bâtonnet associé à la machine 6. L’enquête a identifié un élément de fixation endommagé sur l’ensemble de scellage. Le produit provenant de la fenêtre de production définie a été mis en retenue. L’élément de fixation a été remplacé, l’équipement a été inspecté, la vérification du détecteur a été effectuée et le produit concerné a fait l’objet d’une décision documentée.
Le dossier B fournit beaucoup plus d’information utile.
Il précise :
- le mode de défaillance,
- la source soupçonnée et la source confirmée,
- l’équipement concerné,
- la portée concernée,
- l’action corrective,
- la vérification,
- et la décision concernant le produit.
Le dossier A ne le fait pas.
Avant d’utiliser les rapports historiques pour l’analyse ou l’apprentissage automatique, vérifiez :
- si la cause profonde a été confirmée ou seulement présumée,
- si l’équipement concerné a été identifié de façon cohérente,
- si les limites du produit concerné ont été documentées,
- si les actions correctives sont précises,
- si les résultats de vérification ont été enregistrés,
- si les enquêtes non résolues sont clairement identifiées.
Ne forcez pas chaque enquête dans une catégorie « confirmée ».
« Inconnue après l’enquête » est plus utile qu’une étiquette de cause profonde incorrecte.
La certitude artificielle crée de mauvaises données d’entraînement.
Un modèle d’apprentissage automatique entraîné à partir de dossiers d’enquête faibles reproduira les faiblesses de ces dossiers à grande échelle.
Comment le processus d’enquête changerait
Le processus actuel peut obliger la professionnelle ou le professionnel de la qualité à ouvrir plusieurs systèmes, à examiner les dossiers du détecteur, à inspecter la documentation de production, à communiquer avec la maintenance, à retracer les matériaux et à reconstituer ce qui se passait au moment du rejet.
Un meilleur processus numérique réduirait cet effort de recherche sans modifier l’autorité de l’usine en matière de salubrité alimentaire.
Étape 1 : Enregistrer et contrôler le rejet
Le rejet du détecteur est lié à un événement contenant l’heure, la ligne, le produit, le lot et l’ordre de fabrication exacts.
Lorsque cela est techniquement possible, les renseignements de base devraient être saisis automatiquement plutôt que retranscrits manuellement.
La procédure approuvée de l’usine continue de régir :
- la maîtrise du produit,
- les vérifications du détecteur,
- la mise en retenue du produit,
- l’escalade,
- l’enquête,
- et la décision concernant le produit.
Le système d’enquête ne remplace pas ces contrôles.
Étape 2 : Établir la chronologie de production
Le système récupère les événements importants d’une période définie autour du rejet.
Il peut notamment s’agir :
- d’un changement de produit,
- du démarrage d’une machine,
- d’une intervention de maintenance,
- d’une vérification du détecteur,
- de l’introduction d’un ingrédient,
- d’un réglage effectué par un opérateur,
- de rejets mineurs antérieurs,
- d’une interruption de production.
La fenêtre d’enquête devrait être fondée sur le procédé de l’usine, sa capacité de traçabilité et son évaluation des risques.
Elle ne devrait pas être un réglage arbitraire de l’IA.
Étape 3 : Repérer les produits et les matériaux liés
Le système indique quels autres produits partagent des conditions pertinentes avec le produit rejeté.
Selon les données disponibles dans l’usine, il pourrait s’agir d’un élément partagé, comme :
- une machine,
- un lot d’ingrédient,
- un lot d’emballage,
- une période de production,
- un ordre de fabrication,
- ou une intervention de maintenance.
Cette information peut aider l’équipe qualité à établir la portée appropriée de l’enquête et de la retenue.
Le système fournit les preuves.
L’équipe compétente de l’usine détermine la portée officielle conformément aux procédures approuvées.
Étape 4 : Classer les pistes d’enquête
Le système apporte les preuves les plus pertinentes à l’enquêtrice ou à l’enquêteur.
Au départ, cela peut reposer surtout sur la recherche et les règles.
Plus tard, une détection d’anomalies validée ou des modèles de classement des causes peuvent ajouter une priorisation.
La professionnelle ou le professionnel de la qualité décide toujours quels essais, inspections, entrevues ou dossiers sont requis.
Étape 5 : Enregistrer le résultat confirmé
À la clôture, l’enquête devrait consigner :
- le mode de défaillance,
- l’état de l’enquête,
- la cause profonde confirmée lorsqu’elle est étayée,
- la quantité ou la portée concernée,
- l’action corrective,
- la vérification,
- la décision finale concernant le produit.
Ces renseignements deviennent des preuves pour les enquêtes futures.
C’est ce qui transforme un système d’enquête en système apprenant.
Où la vision artificielle s’intègre-t-elle?
La vision artificielle est une application voisine de contrôle qualité et non le sujet principal de cet article. Elle peut soutenir la vérification des étiquettes, l’inspection des codes de date, la présence de scellés ou de bouchons, les contrôles de niveau de remplissage, l’intégrité de l’emballage et d’autres contrôles en ligne.
Les mêmes contrôles restent importants : le code approuvé doit provenir d’une source contrôlée, le SKU actif doit être confirmé, le mécanisme de rejet doit retirer le bon emballage et le personnel doit disposer d’une procédure de reprise lorsque les images sont illisibles ou incertaines.
Si une usine choisit la vision comme premier projet pilote, elle doit la valider en fonction des variations réelles de production, de la vitesse de la ligne, de l’éclairage, des conditions d’assainissement, des faux acceptés, des faux rejets, de la confirmation du rejet et de la reprise par l’opérateur. Traitez-le comme un projet pilote distinct, avec ses propres critères d’acceptation.
Comment piloter le système d’enquête sans créer de risque pour la salubrité alimentaire
Le premier projet pilote devrait fonctionner en mode fantôme.
Le système reçoit des données de production réelles ou représentatives et génère un soutien à l’enquête, mais il ne :
- libère pas de produit,
- ne décide pas de la disposition du produit,
- ne redéfinit pas la retenue officielle,
- n’arrête pas la ligne de façon autonome,
- et ne remplace pas la procédure approuvée.
Le personnel qualité continue de suivre le processus établi.
Pour chaque rejet, comparez :
- la piste d’enquête choisie par l’équipe qualité,
- les preuves classées ou récupérées par le système,
- le résultat confirmé,
- le temps économisé ou ajouté,
- les preuves importantes que le système a manquées,
- les recommandations non pertinentes ou incorrectes.
Un projet pilote pratique peut être divisé en quatre phases.
Phase 1 : Reconstituer des cas historiques
Commencez par un ensemble représentatif d’enquêtes antérieures.
De 30 à 50 cas peuvent suffire à faire ressortir des problèmes fondamentaux liés :
- à la correspondance des événements,
- aux horodatages,
- à la généalogie,
- aux champs manquants,
- à la qualité des enquêtes,
- à la recherche de documents.
Cet échantillon peut aider à déterminer si l’usine est prête à recevoir un soutien d’enquête fondé sur la recherche et les règles.
Il ne devrait pas automatiquement être considéré comme suffisant pour entraîner un modèle de classement des causes.
La quantité de données nécessaire à la prédiction dépend :
- du nombre de modes de défaillance,
- de l’équilibre entre les classes,
- de la stabilité du procédé,
- de la qualité des étiquettes,
- des signaux prédictifs disponibles,
- et de la variation entre les produits et les lignes.
Phase 2 : Construire un espace d’enquête axé sur la recherche
Avant de prédire les causes profondes, réunissez les dossiers pertinents.
À partir d’un seul écran d’incident, l’enquêtrice ou l’enquêteur devrait pouvoir consulter les éléments les plus pertinents :
- données du détecteur,
- contexte de production,
- dossiers de matériaux,
- dossiers de maintenance,
- incidents antérieurs,
- actions correctives.
Cette phase crée souvent de la valeur avant que l’IA prédictive soit nécessaire.
Pour un point de vue connexe sur la dépendance des projets d’IA aux données de production connectées, consultez le guide de CPAI expliquant pourquoi l’IA manufacturière commence par les données. Pour tester la traçabilité, consultez le guide sur la généalogie des lots destiné aux gestionnaires des secteurs alimentaire et des boissons.
Cela permet aussi de mettre en évidence les problèmes d’intégration qui doivent d’abord être réglés.
Phase 3 : Ajouter le classement des causes en mode fantôme
Si les données historiques deviennent suffisamment fiables, un modèle de classement des causes peut être testé sans modifier le processus officiel.
Le système classe les pistes d’enquête possibles.
Le personnel qualité documente l’utilité du classement.
L’usine devrait évaluer le rendement à l’aide de cas historiques réservés à la validation et d’événements en direct observés en mode fantôme.
Si le classement est instable, trompeur ou insuffisamment soutenu par les données disponibles, le système devrait rester axé sur la recherche et les règles.
La prédiction est facultative.
Un soutien fiable à l’enquête est l’objectif.
Phase 4 : Ajouter des alertes ou une escalade contrôlées
Ce n’est qu’après avoir obtenu un rendement constant que l’usine devrait envisager de lui permettre de déclencher des actions contrôlées comme :
- demander une inspection supplémentaire,
- signaler des tendances de défaillance répétées,
- aviser le personnel de maintenance ou de qualité,
- demander des preuves supplémentaires,
- faire remonter une condition récurrente.
Les décisions de libération et de destruction du produit devraient rester dans la structure d’autorité approuvée de l’usine.
À quoi devrait ressembler la réussite?
La précision du modèle ne suffit pas.
Le système devrait améliorer le processus d’enquête.
L’usine devrait établir une référence avant le projet pilote et comparer ensuite le rendement à cette référence.
Les mesures utiles comprennent :
| Mesure | Ce qu’elle révèle |
|---|---|
| Temps nécessaire pour déterminer les secteurs d’enquête probables | Si la récupération des preuves est plus rapide |
| Temps nécessaire pour prendre la décision finale concernant le produit | Si l’enquête globale est plus rapide |
| Temps nécessaire pour établir la portée concernée | Si la traçabilité permet de prendre plus rapidement les décisions de maîtrise |
| Temps consacré par l’enquêtrice ou l’enquêteur à la recherche | Si le personnel passe moins de temps à trouver les dossiers |
| Taux de preuves utiles parmi les premiers résultats | Si le classement aide les enquêtrices et enquêteurs |
| Preuves critiques manquées | Si le système crée un risque pour l’enquête |
| Taux de fausses alertes | Si le système génère du travail inutile |
| Dossiers d’incident structurés et complets | Si la qualité des données s’améliore |
| Incidents récurrents | Si les actions correctives empêchent la répétition |
| Quantité inutilement mise en retenue | Si la portée concernée peut être définie plus précisément |
Le modèle le plus utile ne proposera peut-être pas la cause profonde finale comme première suggestion à chaque fois.
Il peut quand même créer de la valeur si les preuves pertinentes apparaissent systématiquement parmi les premiers résultats de l’enquête et si les dossiers justificatifs sont faciles à récupérer.
Au lieu d’adopter une cible arbitraire provenant d’une autre usine, chaque établissement devrait définir ses critères de réussite à partir de sa propre référence.
Par exemple, une usine pourrait viser à :
- réduire le temps consacré à la collecte des preuves,
- raccourcir la durée des enquêtes,
- réduire l’effort de recherche inutile,
- améliorer la précision des limites de retenue,
- augmenter le pourcentage d’enquêtes comportant des résultats structurés,
- réduire les défaillances répétées associées au même équipement ou procédé.
La référence doit être mesurée avant le début du projet pilote.
Pourquoi la rapidité des enquêtes compte
Un sachet rejeté peut sembler être un événement isolé.
Parfois, c’est le cas.
Parfois, la source est liée à une période de production plus large, à un lot de matériaux, à un intrant d’un fournisseur ou à une condition de l’équipement.
Dans ces situations, il est important d’établir rapidement les relations entre les éléments.
Au cours de l’exercice 2024-2025, l’Agence canadienne d’inspection des aliments a signalé 131 incidents de rappel d’aliments et 233 rappels au total. Les données de l’ACIA sur les enquêtes en matière de salubrité alimentaire recensent 1 632 enquêtes concernant des matières étrangères, une catégorie qui comprend des matières étrangères comme le métal.
Un exemple récent est l’enquête de l’ACIA sur le sel Sifto Hy·Grade, au cours de laquelle une contamination métallique a entraîné des rappels secondaires concernant des produits fabriqués avec le sel touché.
La leçon opérationnelle est simple :
Un événement lié à un matériau ou à une contamination qui paraît isolé peut toucher plusieurs produits finis lorsqu’ils partagent un lot de fournisseur, une période de production ou un autre intrant commun.
C’est pourquoi l’usine doit savoir rapidement :
- quels produits partagent le lot,
- quels produits partagent la machine,
- quels produits partagent la période de production,
- et quels dossiers justifient la limite finale de l’enquête.
L’argument commercial n’a pas besoin de reposer sur une ancienne estimation sectorielle selon laquelle chaque rappel aurait le même coût moyen.
L’argument le plus défendable peut être mesuré à l’intérieur de l’usine.
Un meilleur système d’enquête peut aider à :
- établir plus rapidement la portée concernée,
- éviter des retenues inutilement larges,
- réduire le temps de recherche du personnel,
- améliorer la documentation des causes profondes,
- améliorer l’apprentissage découlant des actions correctives,
- et réagir plus rapidement lorsqu’un événement peut toucher plusieurs lots ou produits.
La décision pratique pour les responsables d’usine
Un rejet de détecteur de métaux révèle une occasion technologique précise.
L’usine sait déjà que quelque chose doit faire l’objet d’une enquête.
Le délai vient du fait qu’il faut déterminer :
- où chercher,
- ce qui pourrait être touché d’autre,
- quels dossiers sont pertinents,
- et quelles preuves appuient la conclusion finale.
Avant d’approuver un projet d’IA pour ce problème, les responsables d’usine devraient poser quatre questions.
1. Les événements de rejet sont-ils enregistrés de manière cohérente?
L’usine peut-elle déterminer de façon fiable :
- quand l’événement s’est produit,
- quel détecteur était concerné,
- quel produit était en cours de fabrication,
- quel lot et quel ordre de fabrication étaient actifs?
Si ce n’est pas le cas, le premier projet devrait améliorer la saisie des événements.
2. Les données sur le produit, la machine, les matériaux et la maintenance peuvent-elles être reliées?
Une enquêtrice ou un enquêteur peut-il reconstituer le contexte de production pertinent sans dépendre principalement de la mémoire, d’appels téléphoniques et de feuilles de calcul déconnectées?
Si ce n’est pas le cas, le premier projet devrait porter sur l’intégration et la traçabilité.
3. Les enquêtes historiques contiennent-elles des résultats fiables?
Les causes confirmées sont-elles séparées des suppositions?
Les enquêtes non résolues sont-elles honnêtement étiquetées?
Les actions correctives et les vérifications sont-elles documentées?
Si ce n’est pas le cas, le premier projet devrait améliorer le dossier d’enquête.
4. Des employés compétents sont-ils responsables de la décision finale?
Le système peut récupérer, organiser, signaler et classer les preuves.
Le personnel compétent de l’usine doit continuer d’assumer la responsabilité de :
- la maîtrise du produit,
- l’enquête,
- la mise en retenue du produit,
- les décisions de salubrité alimentaire,
- la libération,
- la reprise,
- la destruction,
- et l’approbation des actions correctives.
La technologie devrait renforcer cette autorité, et non la brouiller.
Quand le premier projet n’est pas un projet d’IA
Lorsque les quatre conditions de préparation ne sont pas réunies, le premier projet devrait porter sur l’amélioration du processus et des données : identification des événements, traçabilité, dossiers de production reliés, champs structurés pour les causes profondes et responsabilités claires. Ces changements peuvent créer de la valeur avant l’introduction de l’apprentissage automatique prédictif. L’objectif est de fournir un soutien fiable aux enquêtes, et non de faire de l’IA pour elle-même.
Le véritable rôle de l’IA dans les enquêtes qualité des usines alimentaires
Lorsque les fondations sont solides, l’IA peut transformer une enquête générale en recherche ciblée. Pour Deborah, cela pourrait signifier passer de plusieurs heures à chercher des dossiers à une liste priorisée de machines, de matériaux, d’événements et de cas historiques, accompagnée des dossiers sous-jacents à examiner.
L’avantage n’est pas qu’un modèle remplace la professionnelle ou le professionnel de la qualité. L’avantage est que cette personne accède plus rapidement aux preuves pertinentes tout en conservant la responsabilité de la maîtrise du produit, des retenues, de l’enquête, de la libération, de la décision concernant le produit et de l’action corrective.
Le bon premier investissement est donc clair : établir des dossiers d’événements fiables, une traçabilité solide, des données de production reliées, des résultats d’enquête honnêtes et une technologie validée avant de demander à l’IA de classer les causes.
Sources et lectures complémentaires
- Agence canadienne d’inspection des aliments : statistiques sur les incidents de rappel d’aliments et les rappels d’aliments.
- Agence canadienne d’inspection des aliments : statistiques sur les enquêtes en matière de salubrité alimentaire.
- Agence canadienne d’inspection des aliments : enquête sur le sel Sifto Hy·Grade.
- Profil professionnel public de Deborah Akande sur LinkedIn.
Prochaine étape : Si votre usine envisage un projet pilote axé sur la recherche, communiquez avec CPAI pour discuter des données, des responsabilités et des questions de validation.
