Une variation de qualité peut résulter de plusieurs paramètres : température, matière, outil, machine, réglage, opérateur ou environnement. Lorsque ces facteurs interagissent, identifier les variables influentes devient plus complexe. Ellistat enrichit son module Data Analysis de capacités d’intelligence artificielle pour modéliser ces comportements et accompagner les décisions de production.
L’évolution porte notamment sur l’intégration de réseaux de neurones, aux côtés des méthodes statistiques, du machine learning et de la classification non supervisée. L’objectif est de réunir plusieurs niveaux d’analyse dans un même environnement, du diagnostic courant à la construction de modèles prédictifs.
Analyser les interactions entre paramètres de production
Les statistiques classiques restent le socle du logiciel. Elles permettent de comparer des variables, de mesurer une corrélation, de construire une régression ou de tester l’effet d’un changement. Les plans d’expériences complètent ces méthodes pour étudier l’influence des paramètres du procédé.
Les modèles de machine learning et les réseaux de neurones élargissent les possibilités lorsque de nombreuses variables interagissent. Ils servent à modéliser les relations entre les conditions de production et les résultats obtenus. La classification non supervisée permet, pour sa part, de faire apparaître des regroupements dans les données.
L’utilisateur peut ainsi choisir une méthode adaptée à sa question sans changer d’environnement. Les résultats aident à orienter les investigations et à cibler les paramètres à examiner, en s’appuyant sur la connaissance du procédé.
Une utilisation guidée et des réglages avancés
Data Analysis s’adresse notamment aux techniciens méthodes et aux équipes de production et de qualité. Le logiciel prend en charge les calculs et la construction des modèles pour rendre l’analyse accessible à des utilisateurs qui ne sont pas spécialistes de la science des données.
L’approche est guidée étape par étape. Pour les profils experts, des réglages avancés permettent d’intervenir sur la structure des réseaux de neurones, les fonctions d’activation et le mode d’entraînement. L’utilisateur peut également ajuster l’apprentissage à partir des données ou ajouter des neurones selon le niveau de modélisation recherché.
Ces deux niveaux d’utilisation visent à couvrir des besoins différents : examiner rapidement une variation ou approfondir la représentation d’un comportement industriel complexe
La mission de PEI est de fournir à ses lecteurs des informations sur les nouveaux produits et services liés au secteur de l'industrie et qui sont disponibles sur le marché français. 
