MWO2KG et Echidna : Construction et exploration de graphes de connaissances à partir de données de maintenance

Les textes techniques non structurés constituent une source riche de connaissances ingénierie sous-exploitée pour l’analyse de données. Par exemple, les bons de maintenance (MWO, Maintenance Work Orders) contiennent des informations précieuses sur les interventions réalisées sur un équipement et les raisons qui les ont motivées. Les données contenues dans les champs courts des MWO sont non structurées, concises et riches en jargon, ce qui complique considérablement la lecture par les humains comme par les machines. Notre défi consiste à extraire efficacement les informations techniques à partir du champ texte court des MWO, et à les combiner avec les données des champs structurés tels que les dates, l’emplacement fonctionnel, la marque et le modèle de l’équipement. Dans cet article, nous présentons une solution fondée sur le traitement du langage technique pour résoudre ce problème. Echidna est une interface intuitive permettant de formuler des requêtes, qui visualise les données historiques des équipements sous forme de graphe de connaissances. Ce graphe est généré par MWO2KG, un outil qui utilise l’apprentissage profond soutenu par des données d’annotation pour construire automatiquement des graphes de connaissances à partir de textes techniques non structurés combinés aux données structurées. Les outils ont été testés sur des données de bons de maintenance et de suivi des retards fournies par des partenaires industriels. Ils offrent aux ingénieurs de fiabilité une méthode efficace pour rechercher des informations dans les données historiques des équipements, notamment pour l’analyse des modes et effets de défaillance, la validation des stratégies de maintenance et les améliorations de processus. Le code source des deux outils est disponible sur GitHub sous licence Apache 2.0.