MétaCan
Menu
Retour à la cohorte
Enregistrement W7061273532

Proposition d'une méthodologie pour le développement d'une plateforme de partage d'information au sein d'un réseau décentralisé de PME

2022· other· fr· W7061273532 sur OpenAlexaboutno aff

Notice bibliographique

RevuePolyPublie (École Polytechnique de Montréal) · 2022
Typeother
Languefr
DomainePhysics and Astronomy
ThématiqueAdvanced Frequency and Time Standards
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCost analysisProduction (economics)Medium term
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

RÉSUMÉ: Ces dernières années, les solutions basées sur les technologies de l'industrie 4.0 deviennent de plus en plus accessibles aux PME. De meilleures stratégies de collecte de données sont développées et une augmentation des données disponibles est observée. Pour certains secteurs industriels, les PME contribuent à une part majoritaire de la valeur économique produite. Les PME de ces secteurs industriels font face à des problématiques communes et évoluent dans des environnements similaires. L'étude des performances de productions des PME de ces secteurs industriels permet d'identifier une grande hétérogénéité de rendements et de qualités de production. Dans ces secteurs, il est possible de considérer les PME comme un réseau de PME décentralisé où les interactions entre chaque entreprise sont limitées. Les systèmes d'information basés sur des technologies de l'industrie 4.0 sont présentés comme des outils potentiels permettant d'améliorer les performances de production des PME faisant partie de réseaux décentralisés. Aussi, l'étude, la comparaison et la valorisation des pratiques de gestion ainsi que des rendements de production de ces PME peuvent être réalisées par le développement d'outils collaboratifs au sein de réseaux de PME décentralisés. Dans ce mémoire, nous proposons une méthodologie pour le développement d'une plateforme collaborative de partage de l'information pour visualiser et améliorer la performance des réseaux de PME. La méthodologie présentée couvre l'ensemble du processus de valorisation des données, de la définition du problème à la mise en production d'un outil collaboratif de visualisation et d'amélioration des performances des PME d'un réseau décentralisé. La méthodologie proposée est constituée de 7 étapes décrivant la compréhension du con-texte, la collecte des données, la préparation des données, la visualisation des données, l'amélioration des performances, le déploiement de l'outil collaboratif et la validation des critères de développement. Finalement, la méthodologie proposée est appliquée sur un cas d'étude dans le secteur agroalimentaire de l'industrie fourragère canadienne. La plateforme collaborative développée permet de visualiser les performances de production, les techniques de gestion et les aspects spécifiques de chaque entreprise appartenant à un réseau de 240 exploitations réparties à travers le Canada. Ensuite, la plateforme permet de soutenir des pistes pour l'amélioration des performances de chaque entreprise à travers les meilleures pratiques qui sont identifiées dans des contextes similaires au sein du réseau. Le produit développé intègre 3 sources de données différentes collectées à l'aide d'outils manuels et automatiques. Parmi les attributs collectés, les paramètres météorologiques tels que le taux de précipitation, la température, la pression ou bien les paramètres de gestions des récoltes tels que les rendements, les pratiques des agriculteurs sont introduites dans les bases de données du projet. Au total, plus de 70 paramètres sont collectés et intégrés à la plateforme de partage d'information développée dans le cadre de ce projet de recherche. L'ensemble de ces paramètres permet de produire 3 outils spécifiques décrivant les rendements de production, les bonnes et mauvaises pratiques ainsi que les caractéristiques des 240 exploitations du réseau d'entreprises étudié." ABSTRACT: In recent years, solutions based on Industry 4.0. technologies are becoming more and more accessible to SMEs. As a result, better data collection strategies are being developed and an increase in available data is observed. For some industrial sectors, SMEs contribute a majority share of the economic value produced. SMEs in these industries face common issues and operate in similar environments. The study of the production performance of SMEs in these industrial sectors allows us to identify a great heterogeneity of yields and production qualities. It is then possible to consider the SMEs of these sectors as a network of decentralized SMEs where the interactions between each company are limited. Information systems based on Industry 4.0 technologies are presented as potential tools to improve the production performance of SMEs in decentralized networks. Also, the study, comparison and valorization of the management practices as well as the production yields of these SMEs can be achieved by the development of collaborative tools within decentralized SME networks. In this thesis, we propose a methodology for the development of a collaborative information sharing platform to visualize and improve the performance of SME networks. The methodology presented covers the whole process of data enhancement, from the definition of the problem to the production of a collaborative tool for visualizing and improving the perfor-mance of SMEs in a decentralized network. The proposed methodology consists of 7 steps describing the understanding of the context, the data collection, the data preparation, the data visualization, the performance improvement, the deployment of the collaborative tool and the validation of the development criteria. Finally, the proposed methodology is applied through a case study in the agrifood sector of the Canadian forage industry. The collaborative platform developed allows to visualize the production performances, the management techniques and the specific aspects of each company. It then proposes ways to improve the performance of each company through the best practices identified in similar contexts within the network.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,016
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,002
Communication savante0,0060,005
Science ouverte0,0030,004
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0190,004

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,019
Tête enseignante GPT0,261
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolyPublie (École Polytechnique de Montréal)Même sujetAdvanced Frequency and Time StandardsTravaux en français237 207