Blog — Excellence opérationnelle
Excellence opérationnelle
SPC, DMAIC, DOE, capabilité et TRS — les outils qualité, et ce que la data et le ML y ajoutent.
-
SHAP + XGBoost : root cause analysis industrielle
L'Ishikawa identifie les causes possibles. SHAP + XGBoost identifie les causes réelles, chiffrées, hiérarchisées.
Lire l'article → -
XGBoost pour l'ordonnancement de production industriel
Les temps gamme mentent. XGBoost apprend les vraies durées d'opération à partir de l'historique MES.
Lire l'article → -
Stocks et variabilité : le niveau optimal n'existe pas, il se calcule
Pourquoi la plupart des ETI sur-stockent de 30-50% sans le savoir. Les deux variabilités qui dictent le stock, les formules de safety stock.
Lire l'article → -
Le premier combat du lean : équilibrer avant de fluidifier
Pourquoi heijunka doit précéder SMED, TPM et tous les chantiers d'excellence opérationnelle.
Lire l'article → -
One Piece Flow : pourquoi c'est si difficile en vrai
Le flux pièce à pièce divise le lead time par 2 et le WIP par 5. Mais 90% des tentatives échouent.
Lire l'article → -
Le risque bêta : le défaut que votre test statistique ne voit pas
Le risque alpha est connu. Le risque bêta est ignoré. Pourtant c'est lui qui coûte le plus cher en industrie.
Lire l'article → -
Mode opératoire : entraîner un SLM pour l'industrie, de A à Z
Guide pas-à-pas pour fine-tuner un Small Language Model industriel. Du choix du modèle de base au déploiement en production.
Lire l'article → -
XGBoost + CNN : classification de défauts visuels industriels
Combiner vision par ordinateur et XGBoost pour trier les pièces industrielles. Quand le deep learning extrait les features et le gradient boosting décide.
Lire l'article → -
Agréger les données industrielles : moyenne, EWMA, fenêtres temporelles — le guide de choix
Quelle méthode d'agrégation pour quel type de process ? Moyenne mobile, EWMA, percentile, CUSUM. Process continu vs discret.
Lire l'article → -
Construire des agents IA industriels : la méthode RIGO et les frameworks agentiques
Rôle, Instructions, Guardrails, Output — la méthode RIGO pour concevoir des agents IA fiables. Comparatif LangGraph, CrewAI, AutoGen, MCP.
Lire l'article → -
XGBoost + Optuna : optimiser les réglages machine
Quand le plan d'expérience classique ne suffit plus. XGBoost comme surrogate model, Optuna pour l'optimisation bayésienne, et le terrain comme juge final.
Lire l'article → -
XGBoost pour prédire le taux de rebut en production
XGBoost appliqué à la prédiction qualité en temps réel. Feature importance sur les paramètres process, seuils adaptatifs, et intégration dans la boucle SPC.
Lire l'article → -
Cartes de contrôle SPC : détecter la dérive avant le client
Xbar-R, EWMA, CUSUM, règles Western Electric, capabilité Cp/Cpk. Le guide complet du Statistical Process Control pour l'ingenieur qualité.
Lire l'article → -
Plans d'expérience (DOE) : du factoriel complet au plan optimal, guide terrain
Construire un plan d'expérience industriel : factoriel complet 2^k, fractionnaire, Box-Behnken, composite central.
Lire l'article → -
Normalité, linéarité, taille d'échantillon : les trois vérifications avant toute analyse
Avant de lancer un test statistique ou un modèle ML, trois hypothèses conditionnent tout.
Lire l'article → -
Tests statistiques : le guide de choix pour l'ingénieur de production
t-test, ANOVA, chi², Mann-Whitney — quel test choisir, quand, et pourquoi. Arbre de décision, conditions d'application, taille d'échantillon minimum.
Lire l'article → -
Lean Six Sigma × Machine Learning : le combo qui change la donne
Comment le ML augmente chaque étape DMAIC sans la remplacer. Measure, Analyze, Improve, Control revisités avec les techniques modernes.
Lire l'article → -
Lean Six Sigma : les statistiques qui comptent vraiment
DMAIC, capabilité Cp/Cpk, SPC, ANOVA et plans d'expérience. Les outils statistiques qui créent réellement de la valeur en production industrielle.
Lire l'article →