Sur-injecter des additifs coûteux, c'est ce qu'on fait quand on ne peut pas mesurer la bonne dose.
Un groupe multinational mines & métallurgie achetait sa qualité par un excès d'additifs, nous avons construit l'AI qui l'a achetée par la précision.
28 janvier 2026
Le raffinage de nickel à l'échelle industrielle tourne sur de la chimie complexe. Les étapes de sulfurisation et d'oxygénation requièrent des additifs coûteux, et la dose optimale dépend de la variabilité de chaque batch sortant du four. La réalité opérationnelle était que la variabilité des batches dépassait la capacité de l'équipe à doser précisément, donc les additifs étaient systématiquement sur-injectés comme police d'assurance contre l'échec qualité. Une qualité rentable, mais achetée à un coût structurel. Le groupe avait des années de données process dans des historians ; ce qu'il n'avait pas, c'était une façon fiable et data-driven de traduire les caractéristiques du batch en la bonne fourchette d'additifs. La question : l'AI pouvait-elle fermer cette boucle sans mettre la qualité en risque ?
- 01
Curer la donnée d'entraînement, sans concession.
Les batches historiques ont été séparés entre ceux qui respectaient les contraintes qualité et ceux qui ne les respectaient pas. Au sein du set conforme qualité, les quantités d'additifs anormales, la sur-assurance, ont été retirées sur la base de seuils business-driven. Le choix éditorial : modéliser sur ce à quoi ressemble le bon, pas sur ce qui se passe. Nettoyer le set d'entraînement a été la décision à plus haute leverage du projet.
- 02
Construire un modèle par étape chimique.
Sulfurisation et oxygénation ont des chimies différentes, des relations de features différentes et des surfaces d'optimisation différentes. Nous avons construit des modèles prédictifs dédiés pour chacune, prenant l'ensemble des features de sortie de four en input et recommandant des fourchettes optimales d'additifs en output.
- 03
Ancrer les prédictions à la qualité, pas seulement au coût.
Le système n'a jamais optimisé le coût d'additif seul, il optimisait le coût d'additif sous contrainte de qualité maintenue. L'entraînement a été scopé exclusivement aux batches conformes qualité précisément pour qu'aucune recommandation ne puisse dégrader la qualité sortie. Les opérateurs reçoivent une fourchette serrée, pas un nombre unique, préservant leur jugement à la station de dosage.
Réduction de 15 % du coût d'additifs sur les deux étapes de raffinage, sans compromis sur la qualité du nickel. Le gain de profitabilité a composé sur la production continue. Le projet a été reconnu au BFM Business Grand Prize for Digital Acceleration in Industry 4.0, validation indépendante que l'approche était best-in-class pour l'AI industrielle en 2019. Le déclic : un framework AI répétable pour optimiser d'autres process chimiques à travers les opérations du groupe.
“Dans les industries de process, l'AI ne remplace pas l'opérateur, elle lui donne un meilleur cadran. Construisez la recommandation comme une fourchette, entraînez uniquement sur les bons batches, et les économies viennent avec la qualité préservée.
Vous achetez la qualité par de la marge coût parce que la mesure n'est pas assez serrée ? Nous aidons les opérateurs industriels à transformer la donnée process historique en boucles de recommandation qui se resserrent, sans mettre la sortie en risque.
Discutons
