Revue de littérature ✒️

Dès 1996, Wirth et al. ont soutenu qu’une approche basée sur la connaissance de l’AMDEC pourrait améliorer la méthode conventionnelle de réalisation d’une AMDEC en utilisant diverses bases de connaissances pour soutenir des descriptions précises des produits à l’aide d’un vocabulaire contrôlé, et pour faciliter la réutilisation ultérieure des connaissances collectées lors d’une AMDEC [Wirth et al., 1996]. Les développements récents en matière d’IA et d’apprentissage automatique ont ouvert de nouvelles possibilités pour l’amélioration de l’AMDEC. Liu et al. ont souligné comment les méthodes de prise de décision multicritère peuvent soutenir l’évaluation des risques dans l’AMDEC [Liu et al., 2019], tandis que Soltanali et al. ont proposé une plateforme intelligente d’AMDEC avec des modèles hybrides, combinant quantification de l’incertitude, techniques d’apprentissage automatique et prise de décision multicritère [Soltanali and Ramezani, 2023]. Na’amnh et al. ont introduit des modèles améliorés d’évaluation des risques utilisant l’inférence floue et les réseaux neuronaux, surpassant les méthodes classiques, le modèle flou se révélant supérieur pour la prise de décision [Na’amnh et al., 2021]. De plus, les chercheurs ont exploré des approches basées sur les données en utilisant l’apprentissage automatique pour mettre à jour et prédire en continu les numéros de priorité des risques (RPN) pour de nouveaux modes de défaillance [Peddi et al., 2023]. Hassan et al. ont utilisé avec succès des données historiques et des réseaux neuronaux convolutionnels pour automatiser la priorisation des exigences contractuelles [Hassan et al., 2023]. Yucesan et al. ont utilisé des méthodes floues de meilleur-pire et de réseau bayésien flou pour évaluer les paramètres de risque dans l’AMDEC [Yucesan et al., 2021]. La conception basée sur les données a également retenu l’attention, comme le démontre Filz et al., qui ont montré les avantages de combiner les données d’événements de maintenance passés avec l’expérience des employés pour soutenir la planification de la maintenance [Filz et al., 2021]. De plus, Hodkiewicz et al. ont présenté l’application d’approches ontologiques pour améliorer la représentation explicite des concepts liés à l’AMDEC [Hodkiewicz et al., 2021]. L’intégration de LLMs, en particulier ChatGPT, dans le processus d’AMDEC suscite de l’intérêt. ChatGPT utilise des algorithmes d’apprentissage profond pour générer des réponses textuelles de type humain [Zhao et al., 2023]. La capacité de ChatGPT à comprendre le contexte et à apprendre de nouvelles données offre des avantages potentiels dans les tâches d’AMDEC [Thomas, 2023]. La mise en œuvre de ChatGPT dans l’AMDEC implique l’utilisation de sa fonctionnalité de base et son renforcement avec des connaissances spécifiques à l’entreprise [Diemert and Weber, 2023]. La combinaison d’outils d’IA tels que ChatGPT et de l’expertise humaine renforcerait les points forts des deux dans le processus d’AMDEC. Les travaux combinant l’AMDEC avec l’utilisation de techniques LLM sont encore rares. Un exemple est l’étude de Spreafico et Sutrisno, qui présentent une méthode utilisant un chatbot pour l’analyse automatique des défaillances sociales dans la durabilité des produits [Spreafico and Sutrisno, 2023]. Trois études de cas ont confirmé son potentiel tout en soulignant les limites du chatbot.

La littérature examinée met en évidence l’importance des outils logiciels dans le soutien du processus d’AMDEC, améliorant la collaboration, l’évaluation des risques et l’efficacité globale. De plus, l’intégration de LLM offre des perspectives pour améliorer davantage l’AMDEC en exploitant les capacités avancées de traitement du langage naturel. La combinaison d’outils d’IA avec l’expertise humaine est considérée comme un moyen d’obtenir des résultats supérieurs dans l’AMDEC. Cependant, malgré les progrès réalisés dans les approches basées sur l’IA pour l’AMDEC, des lacunes subsistent. Tout d’abord, la littérature actuelle.