À l'intérieur de la transformation de l'IA d'une société minière

Jul 26, 2023

L'ambiance était à l'appréhensionalors que des scientifiques des données, des métallurgistes et des ingénieurs de Freeport-McMoRan se rendaient dans la salle de contrôle d'une usine de concentration de minerai de cuivre à Bagdad, en Arizona, le matin du 19 octobre 2018. Ils étaient venus pour apprendre ce qui se passerait lorsqu'ils feraient monter le grand moulin à un rythme de travail qui n'avait jamais été essayé.

La possibilité de causer des problèmes à l'usine pesait dans tous les esprits. Les membres de l'équipe avaient d'abord résisté à l'idée de faire fonctionner l'usine plus rapidement. Ils voulaient empêcher le stock de minerai qui alimente l'usine de tomber en dessous de la taille minimale qu'ils avaient longtemps maintenue. Ils craignaient qu'un stock trop petit n'entrave les performances de l'usine.

La question de savoir si la taille minimale des stocks aidait réellement l'usine à mieux fonctionner était une autre question. Personne ne savait vraiment avec certitude. Les dirigeants et le personnel de l'usine ne pouvaient pas non plus dire ce qui se passerait si le stock diminuait en dessous du minimum traditionnel.

Au fil des semaines, l'usine de concentration de minerai de cuivre a maintenu un rythme plus rapide sans perte d'efficacité. Le modèle de données avait eu raison : l'usine pouvait traiter plus de minerai que ses opérateurs ne le pensaient.

Ce qu'ils savaient, c'est qu'un modèle d'intelligence artificielle (IA) personnalisé, chargé de trois années de données d'exploitation de l'usine et programmé pour rechercher des ajustements opérationnels qui augmenteraient la production, n'arrêtait pas de dire que la production de cuivre augmenterait si l'usine était alimentée avec plus de minerai par minute.

Pour les exploitants d'usines, cette notion semblait assez logique, sauf qu'elle ne tenait pas compte de la taille minimale des stocks qu'ils avaient en tête. Mais le modèle ne savait pas ou ne se souciait pas de la taille minimale des stocks ou des autres idées des opérateurs de l'usine sur la façon dont l'usine devait fonctionner.

Avec l'autorisation des dirigeants de l'entreprise, les membres de l'équipe du site de Bagdad ont décidé d'accélérer le rythme de l'usine comme le modèle l'avait suggéré. Ils se sont également préparés à intensifier les activités d'extraction et de concassage afin que le stock de minerai ne s'épuise pas.

À dix heures du matin, un technicien a cliqué sur une commande sur son écran d'ordinateur pour accélérer le système de bandes transporteuses transportant des morceaux de minerai du concasseur à la réserve et de la réserve à l'usine.

Tout le monde dans la salle surveillait les 13 moniteurs surdimensionnés de la salle de contrôle, qui étaient éclairés par les lectures de centaines de capteurs de performance placés autour de l'usine. La quantité de minerai broyé par le broyeur a augmenté. Aucun avertissement n'a été émis.

Douze heures passèrent. Le moulin a tenu bon. Même lorsque son stock de minerai est tombé en dessous du minimum habituel, la livraison accélérée du minerai du concasseur et de la mine a permis à l'usine de continuer à fonctionner. Au fil des semaines, l'usine a maintenu le rythme plus rapide sans perte d'efficacité. Le modèle de données avait eu raison : l'usine pouvait traiter plus de minerai que ne le pensaient ses opérateurs.

"C'était la percée que nous recherchions", nous a dit Justin Cross, directeur général du site de Bagdad. "Une fois que nous avons commencé à faire fonctionner l'usine à pleine vitesse, nous savions que nous pouvions obtenir des résultats à partir d'un plus grand nombre de recommandations formulées par le modèle."

L'histoire de la façon dont Freeport-McMoRan a appris à s'appuyer sur un modèle d'IA autant que l'intuition d'ingénieurs miniers et de métallurgistes vétérans pourrait ne pas faire sourciller en dehors de l'industrie technologique.

Pour les sociétés minières, cependant, cela illustre un changement discret mais profond vers une ère que nous considérons comme «l'ère de l'opérateur», lorsque les entreprises les mieux gérées tirent des bénéfices du minerai à faible teneur que les mineurs auraient rejeté comme un déchet il y a à peine dix ans.

Une mine où Freeport-McMoRan traitait des teneurs en minerai en baisse est Bagdad, un complexe tentaculaire de l'Arizona où les prospecteurs ont jalonné leurs premières concessions en 1882. Les réserves de minerai à plus haute teneur de Bagdad sont épuisées depuis un certain temps, mais Freeport-McMoRan a maintenu la production de cuivre de la mine en apportant diverses améliorations aux processus.

À la fin de 2017, les dirigeants pensaient que Bagdad était devenu aussi efficace que possible avec son équipement existant. Ils ont donc estimé que l'ajout de capacité serait le moyen le plus sûr d'extraire encore plus de cuivre du site. Au début de 2018, ils ont commencé à planifier une expansion du capital de 200 millions de dollars de l'usine de concentration de minerai de Bagdad, ce qui augmenterait la production de 20 %.

Les prix du cuivre étaient élevés à l'époque. L'investissement semblait certain de porter ses fruits.

Ensuite, les prix du cuivre ont chuté d'un sommet de cinq ans d'environ 3,30 dollars la livre début juin à 2,75 dollars environ un mois plus tard. Tout d'un coup, investir 200 millions de dollars pour agrandir Bagdad ne semblait plus pratique.

Les dirigeants de Freeport-McMoRan ont décidé de trouver de nouveaux changements de processus qui augmenteraient la production de cuivre du site sans injection massive de capital.

Au lieu de cela, les dirigeants de Freeport-McMoRan ont décidé de trouver de nouveaux changements de processus qui augmenteraient la production de cuivre de Bagdad sans injection massive de capital.

Découvrir des améliorations dans une mine efficace ne serait pas facile. Mais Freeport-McMoRan avait beaucoup d'informations de haute qualité à étudier. Une dizaine d'années auparavant, Bert Odinet, directeur de l'information de Freeport-McMoRan, avait coordonné un effort pour normaliser la manière dont chaque site mesure et rend compte de ses performances et pour construire un entrepôt de données central pour stocker ces mesures.

Plusieurs années plus tard, les équipes de maintenance ont fait pression pour l'installation d'équipements réseau supplémentaires et de capteurs de performance sur les camions, les pelles mécaniques et les machines fixes de l'entreprise. Les équipes téléchargeraient manuellement les données de ces capteurs vers l'entrepôt de données afin de pouvoir affiner davantage leurs pratiques de maintenance et améliorer le fonctionnement des équipements.

Lorsque les réseaux maillés sans fil sont devenus rentables et fiables, Freeport-McMoRan les a installés sur tous ses sites. Désormais, l'entreprise pouvait capturer et corréler les lectures de performances seconde par seconde dans l'entrepôt de données, le tout en temps réel.

"Nous avons appris des choses que nous n'aurions jamais prévues", a déclaré Odinet. "Ce projet nous a appris à être plus réceptifs à ce que les données nous disaient. Et cela nous a donné la confiance nécessaire pour essayer des analyses plus compliquées."

Grâce à des techniques d'analyse et d'IA avancées, Freeport-McMoRan a pu analyser la grande quantité de données collectées, identifier encore plus de changements opérationnels susceptibles d'augmenter les performances et les tester sur le terrain.

Bagdad ressemblait à un bon terrain d'essai pour cette méthode. Le site est doté d'ingénieurs, de métallurgistes et d'opérateurs d'équipement créatifs et ouverts d'esprit qui se sont démarqués à Freeport-McMoRan pour leur volonté d'essayer de nouvelles choses. Leurs efforts antérieurs pour améliorer les processus métallurgiques de Bagdad, par exemple, avaient abouti à une meilleure récupération du cuivre.

Et Cross, le directeur général de Bagdad, était un bricoleur naturel qui aimait passer son temps libre à équiper sa camionnette pour une utilisation hors route et à transformer des grumes de mesquite en bois pour une maison qu'il prévoyait de construire lui-même. Depuis qu'il a rejoint Freeport-McMoRan en 2006, Cross a dirigé une série de projets visant à rationaliser les opérations dans les mines de l'entreprise.

Cela a également aidé que les opérations de Bagdad soient stables. Avec peu de problèmes d'équipement ou de problèmes de processus à régler, les travailleurs auraient le temps d'aider à augmenter la production de cuivre.

Les dirigeants ont estimé que des opportunités prometteuses pour stimuler la production de Bagdad pourraient être trouvées dans une partie de l'opération : l'usine de concentration de minerai, une installation bruyante où d'énormes fraiseuses et des cellules de flottation bouillonnant de solutions chimiques transforment des roches de la taille d'un pamplemousse contenant environ 0,4 % de cuivre en un mélange finement broyé de 25 % de cuivre et de 75 % de roche.

Les techniciens de l'usine géraient l'installation strictement selon le livre, un ensemble d'instructions d'exploitation que les ingénieurs de Freeport-McMoRan à Phoenix avaient développé. Il devait y avoir des moyens de s'appuyer sur ces instructions pour améliorer les performances de l'usine.

Après avoir discuté avec des ingénieurs et des spécialistes des opérations de Bagdad et du siège social, le PDG de Freeport-McMoRan, Richard Adkerson, et la directrice financière Kathleen Quirk ont ​​décidé de laisser l'équipe de Bagdad travailler avec McKinsey sur un nouveau type de projet minier : l'exploration de données de manière agile.

Le projet a demandé plus qu'une science des données sophistiquée. Il a également appelé à une nouvelle approche pour résoudre les problèmes opérationnels délicats.

"Habituellement, lorsque nous menons des projets opérationnels, nous les surconcevons. Nous testons tous les scénarios imaginables, intégrons des garanties et faisons tout ce que nous pouvons pour nous assurer qu'un changement de processus entraînera une amélioration avant de le faire", a observé Cross. "C'est un moyen fiable d'obtenir de bons résultats. Mais cela demande énormément de temps, d'efforts et d'investissements en capital."

Les consultants de McKinsey ont estimé que l'équipe de Bagdad pourrait obtenir de meilleurs résultats, plus rapidement, en réalisant le projet d'analyse différemment. Ils ont introduit l'idée de travailler selon des principes agiles, qui mettent l'accent sur le développement rapide de solutions fonctionnelles que les équipes améliorent ensuite, petit à petit, en fonction des retours des utilisateurs.

Le directeur général a réuni une équipe de personnes représentant chaque division de l'usine, ainsi que d'autres parties de l'organisation avec lesquelles ils auraient besoin de travailler, comme la mine et le groupe central de science des données de Freeport-McMoRan.

Une autre caractéristique essentielle des méthodes agiles est la collaboration en face à face au sein d'équipes bien équilibrées. Cross a réuni une équipe de personnes représentant chaque division de l'usine, ainsi que d'autres parties de l'organisation avec lesquelles elles auraient besoin de travailler, telles que la mine et le groupe central de science des données de Freeport-McMoRan.

La composition de l'équipe lui a permis de puiser dans l'expertise et de rendre compte des intérêts de chaque division de Bagdad que son travail pourrait affecter. Cela a également permis à l'équipe de mieux faire face aux défis qui impliquaient différentes divisions et ne pouvaient être résolus par une seule division.

L'approche agile de l'équipe consistait à travailler en « sprints », des périodes d'activité de deux semaines au cours desquelles l'équipe a conçu une fonction de modélisation des données ou un changement opérationnel, l'a testée et a appris ce qui l'améliorerait.

Au fur et à mesure que des améliorations apparaissaient, l'équipe les ajoutait à un backlog. Ensuite, il passerait en revue les éléments du backlog dans les sprints suivants, en commençant par les tâches les plus faciles et les plus bénéfiques.

Pour les membres d'équipage de Bagdad, ce style de travail agile n'était pas seulement différent du statu quo. Cela représentait une rupture radicale avec la façon dont ils faisaient les choses.

"Il nous a fallu un certain temps pour nous familiariser avec l'agilité", a déclaré Cross. "Nous avons dû abandonner beaucoup de vieilles habitudes."

McKinsey a fait appel à des coachs agiles pour l'aider. Les entraîneurs ont expliqué les rudiments de l'agilité - construire un backlog, décider quoi accomplir à chaque sprint, tenir des réunions matinales pour convenir du travail que l'équipage effectuerait chaque jour et noter les difficultés qui pourraient le ralentir - mais étaient principalement là pour rejoindre les activités de l'équipe et apprendre à ses membres à travailler ensemble de manière agile.

Shannon Lijek, partenaire de McKinsey spécialisée dans l'aide aux organisations à appliquer des méthodes agiles, était l'un des coachs venus aider l'équipe de Bagdad à maîtriser l'agilité.

"Nous avons constaté que la meilleure façon d'apprendre l'agilité est de se lancer directement", a déclaré Shannon Lijek, partenaire de McKinsey.

"Agile peut être difficile à adopter au début car ce n'est pas un processus que vous pouvez mémoriser. C'est un ensemble de principes pour minimiser les efforts inutiles et faire plus de travail. Et nous avons constaté que la meilleure façon d'apprendre l'agilité est de se lancer", a déclaré Lijek.

L'une des façons dont l'équipe agile de Bagdad a réduit les efforts inutiles a été d'introduire des solutions dès qu'elle avait construit des "produits minimum viables", ou MVP, qui étaient assez bons pour être utilisés, plutôt que de travailler d'abord pour perfectionner ces produits.

"Si nous avions construit le modèle nous-mêmes, nous aurions essayé de le faire à 100% avant de faire quoi que ce soit avec", nous a dit Cross.

"Shannon et les entraîneurs de McKinsey nous ont encouragés à travailler avec des solutions qui n'étaient pas terminées. Ils disaient : 'Vous pouvez obtenir 60 % de l'amélioration avec un MVP, et c'est beaucoup. Alors commencez simplement à l'utiliser. Ensuite, vous pourrez vous soucier de l'améliorer.'"

Par Red Conger

L'effort de Freeport-McMoRan augmenter la production de cuivre à Bagdad nous a beaucoup appris sur la façon d'utiliser les méthodes agiles et les outils d'IA sur nos sites, où il peut être difficile de modifier les routines acceptées. Voici quelques éléments que nous gardons à l'esprit alors que nous étendons l'utilisation de l'agilité et de l'IA à davantage d'opérations de Freeport-McMoRan :

Congre rougeest président et directeur de l'exploitation, Amériques, de Freeport-McMoRan.

Une fois l'équipe formée par Cross réunie, elle a commencé à étudier la possibilité d'améliorer les performances de l'usine. L'idée était de passer un mois à examiner les données de l'usine à la recherche de modèles révélant des améliorations potentielles. Si ces améliorations semblaient suffisamment prometteuses, l'équipe les poursuivrait.

À partir de fin juin, l'équipe de Bagdad et les scientifiques des données de McKinsey ont construit un modèle d'apprentissage automatique pour vérifier si l'usine fonctionnait vraiment aussi efficacement que les gens le pensaient. Le modèle, un type de modèle de renforcement de gradient extrême, consistait en un ensemble de milliers d'arbres de décision qui avaient été conçus pour inclure une grande quantité de connaissances métallurgiques.

Le personnel de Bagdad et du groupe central des opérations de Freeport-McMoRan pensait que tout le minerai entrant dans l'usine était du même type. Par conséquent, ils avaient défini une seule « recette » de paramètres inférieurs et supérieurs pour les 42 réglages de contrôle du broyeur : le mélange de morceaux de minerai de différentes tailles introduits dans le broyeur, le niveau de pH dans les cellules de flottation, etc.

Mais lorsque l'équipe agile de Bagdad a analysé les données des capteurs de performance de l'usine via son modèle, les membres de l'équipe ont appris quelque chose de nouveau. Du point de vue de l'usine, la mine produisait en fait sept types distincts de minerai.

De plus, la recette standard de l'usine pour les paramètres de contrôle ne correspondait pas aux propriétés de tous ces types de minerai. Un minerai contenant plus de pyrite de fer, par exemple, donnerait plus de cuivre si le niveau de pH dans les cellules de flottation était réglé plus haut que la recette prescrite.

« Penser aux grappes de minerai en termes de données provenant des instruments de l'usine, plutôt qu'en termes de classifications de la géologie traditionnelle, a été un changement d'état d'esprit majeur, et cela a ouvert de nombreuses nouvelles possibilités d'amélioration des performances », a déclaré Sean Buckley, un partenaire de McKinsey qui a dirigé les travaux d'analyse.

Au total, l'analyse de l'équipe a suggéré que l'ajustement des commandes de l'usine pour s'adapter à chacun des sept types de minerai pourrait augmenter la production de cuivre de 10 % ou plus.

Cette perspective a convaincu les dirigeants de Freeport-McMoRan de laisser l'équipe agile de Bagdad construire un modèle d'IA qui examinerait le minerai entrant dans l'usine et suggérerait des paramètres de contrôle pour augmenter la production de cuivre à partir de ce minerai.

Les membres de l'équipe ont écrit des algorithmes pour discerner les liens entre le type de minerai, les lectures opérationnelles des capteurs de l'usine, la quantité de minerai traversant l'usine et la quantité de cuivre récupérée. Ensuite, ils ont développé d'autres algorithmes pour prédire les performances de l'usine sur la base des mesures des capteurs.

Après plusieurs semaines de sprints de développement, les membres de l'équipe avaient augmenté la précision des prévisions de performances du modèle à 96 %, un niveau suffisamment élevé pour savoir que le modèle interprétait correctement les données provenant des capteurs de l'usine et les reliait aux paramètres de contrôle de l'usine.

Pour déterminer la quantité de cuivre que Bagdad pourrait produire, le personnel a décidé de définir un nouveau mandat : ​​maximiser la production de cuivre à un coût raisonnable, avec peu de nouveaux investissements en capital.

L'équipe a alors tourné son attention de la prédiction de la performance vers l'amélioration de celle-ci. Le personnel a commencé par poser une question simple que personne n'avait posée depuis un certain temps : quelle mesure de performance voulons-nous optimiser ?

Pendant des années, l'équipe de Bagdad avait orienté ses décisions et ses activités vers des objectifs particuliers de production de cuivre et de coûts d'exploitation. Cette approche avait un certain sens. Cela signifiait que Bagdad générait constamment des profits.

Maintenant, pour déterminer la quantité de cuivre que Bagdad pourrait produire, l'équipe a décidé d'établir un nouveau mandat : ​​maximiser la production de cuivre à un coût raisonnable, avec peu de nouveaux investissements en capital.

Cross et Cory Stevens, vice-président de l'amélioration opérationnelle de Freeport-McMoRan, savaient que la maximisation de la production pouvait réduire les performances de Bagdad dans d'autres domaines. Le taux de récupération de l'usine, c'est-à-dire le pourcentage de cuivre extrait du minerai, pourrait chuter. Ou toute l'opération pourrait s'arrêter pendant des heures.

Stevens est allé voir d'autres cadres pour expliquer que l'expérience de Bagdad pourrait être coûteuse. Les chiffres de performance qu'ils verraient pour les prochains mois pourraient être lamentables, a-t-il averti.

Néanmoins, les dirigeants ont convenu avec Stevens que si Bagdad pouvait atteindre l'augmentation de 10 % de la production prévue par le modèle, le coût à court terme en valait la peine. Ils lui ont donné le feu vert pour essayer de maximiser la production.

Avec cette approbation, Cross a accordé au personnel de Bagdad la latitude nécessaire pour apporter des changements opérationnels qui s'écartaient des procédures standard et pourraient faire en sorte que l'usine rate ses objectifs de performance. La sécurité des travailleurs et l'intégrité de l'équipement étaient les seuls domaines où aucun compromis ou expérience ne serait autorisé. Tout autre changement était un jeu équitable.

Au cours d'une série d'itérations au cours du mois suivant, l'équipe a conçu, testé et affiné des algorithmes qui examineraient les données générées par les capteurs et recommanderaient des paramètres de contrôle pour maximiser la production de cuivre. Les nouveaux algorithmes, connus sous le nom d'algorithmes génétiques, utilisaient les principes de la sélection naturelle pour "faire évoluer" les paramètres qui produiraient le plus de cuivre, compte tenu d'un type particulier de minerai.

Début septembre, l'équipe avait étendu le modèle de prédiction en un MVP d'un modèle d'optimisation, appelé TROI, capable d'émettre des recommandations toutes les 12 heures, une fois pour chacun des deux quarts de travail quotidiens de l'usine.

Lorsque chaque nouvelle série de recommandations sortait, les ingénieurs, les opérateurs d'équipement et les métallurgistes de l'équipe se réunissaient et décidaient quoi en faire.

TROI était un travail en cours, de sorte que ses premières recommandations n'étaient pas entièrement fiables. À chaque quart de travail, les métallurgistes de Freeport-McMoRan et de McKinsey étudiaient les recommandations du modèle et se demandaient si elles étaient crédibles. Ensuite, les métallurgistes prendraient note des recommandations de problèmes afin que l'équipe agile puisse les examiner.

Certaines recommandations ont amené les membres de l'équipe à découvrir des failles dans la logique de TROI, qu'ils ont ajoutées à leur backlog et corrigées lors des sprints de développement ultérieurs. D'autres ont indiqué que les données de performances sous-jacentes étaient défectueuses et ont incité l'équipe à rechercher des correctifs.

"TROI nous aide à améliorer la qualité de notre instrumentation et met en évidence les capteurs qui nécessitent une attention", a déclaré Frank Ochoa, l'un des ingénieurs en contrôle de processus et en instrumentation de Bagdad.

Le plus difficile était les recommandations du modèle de s'écarter de la recette opérationnelle que le personnel de Bagdad suivait depuis des années. L'équipe agile a passé beaucoup de temps à débattre de ce qu'il fallait faire avec ceux-ci.

Les plus difficiles étaient les recommandations de s'écarter de la recette opérationnelle que le personnel suivait depuis des années. L'équipe agile a passé beaucoup de temps à débattre de ce qu'il fallait faire avec ceux-ci.

Au fur et à mesure que l'équipe affinait TROI, ses recommandations sont devenues plus plausibles et le personnel de Bagdad a commencé à les suivre. Pourtant, bon nombre de ces recommandations ont entraîné de faibles gains de performances, voire aucun.

La mi-octobre est arrivée. L'équipe était loin d'atteindre l'augmentation de production de 10 % qu'elle croyait possible.

Cross et Stevens ont décidé qu'il était temps d'agir sur une recommandation importante que personne n'était particulièrement désireux d'essayer : accélérer le flux de minerai de la mine et du concasseur vers le broyeur. Cross a demandé aux exploitants de la mine d'encadrer leurs activités et les a rassurés sur le fait qu'ils ne seraient pas blâmés pour avoir dépensé plus d'argent ou provoqué des pannes opérationnelles.

Les exploitants de la mine ont intensifié le dynamitage, même s'ils ont dû utiliser plus d'explosifs. Ils ont fait la queue des camions pour transporter les pierres à l'usine de concassage, en violation d'une directive de longue date visant à empêcher les camions de rester inactifs. Ils ont étouffé le concasseur géant avec du minerai tout-venant, ou non traité, pour savoir combien il pouvait supporter.

Enfin, le 19 octobre, l'équipe a augmenté le taux de traitement de l'usine. Tout de suite, la production de cuivre a bondi de 5 %. TROI avait aidé l'équipe à débloquer un niveau de performance record.

Après avoir réalisé un gain de performance majeur, l'équipe agile de Bagdad s'est tournée vers l'amélioration de la capacité du modèle à recommander des paramètres de contrôle de l'usine qui augmenteraient la production de cuivre.

L'équipe agile a examiné quotidiennement les enregistrements du modèle de données et les notes des métallurgistes et a continué à travailler sur un arriéré de mises à niveau. En quelques semaines, l'équipe avait affiné le modèle au point que les métallurgistes acceptaient plus de 80 % de ses recommandations.

TROI pouvait déjà identifier quel type de minerai traversait l'usine à tout moment. Lors de la prochaine série de sprints, l'équipe a ajouté des fonctions pour tenir compte d'autres données opérationnelles entrantes.

Chaque fois que TROI recommandait un ensemble de paramètres de contrôle, les métallurgistes de l'usine examinaient les recommandations, choisissaient celles à accepter et les transmettaient aux superviseurs de quart et aux opérateurs, qui ajustaient les contrôles de l'usine en conséquence.

Laisser les métallurgistes décider des recommandations à suivre a aidé l'équipe agile à apprendre plus rapidement. Parfois, les métallurgistes appliquaient des paramètres qui semblaient douteux juste pour savoir s'ils fonctionneraient. Et lorsque les métallurgistes ont rejeté les paramètres recommandés, ils ont tapé des notes dans le modèle pour expliquer leurs décisions.

"TROI ne donne pas toujours des recommandations parfaitement précises, mais il offre une nouvelle perspective sur la façon de gérer l'usine et remet en question nos hypothèses", a déclaré Lulu Raymond, métallurgiste principal à Bagdad.

Pendant tout ce temps, des capteurs évaluaient les performances de l'usine. Les algorithmes d'apprentissage automatique du modèle ont enregistré les paramètres qui ont amélioré les performances et ceux qui ne l'ont pas fait, et si les recommandations ont aidé.

L'équipe agile a examiné quotidiennement les enregistrements du modèle et les notes des métallurgistes, a ajouté des éléments au carnet de mises à niveau qu'elle prévoyait d'effectuer et a continué à travailler sur ces mises à niveau. Début décembre, l'équipe avait affiné le TROI au point que les métallurgistes acceptaient plus de 80 % de ses recommandations.

Il ne fallut pas longtemps avant que les métallurgistes et les opérateurs d'usines commencent à essayer de déjouer TROI. Ils surveillaient le type de minerai passant dans l'usine, anticipaient les paramètres de contrôle que le modèle pourrait suggérer et appliquaient ces paramètres avant que le modèle ne fasse ses recommandations deux fois par jour (plus tard augmentées à toutes les trois heures). C'est devenu une sorte de compétition : qui peut faire fonctionner l'usine mieux que TROI ?

Plus important encore, la production de l'usine a augmenté considérablement. Au quatrième trimestre de 2018, le débit de Bagdad a dépassé 85 000 tonnes de minerai par jour, soit 10 % de plus qu'au trimestre précédent, tandis que son taux de récupération du cuivre a augmenté d'un point de pourcentage et que ses opérations sont devenues plus stables (pièce). Le trimestre suivant, la production de cuivre à Bagdad a encore augmenté.

Ces gains devraient augmenter la production de cuivre de Bagdad de 20 millions de livres par an, une augmentation qui a permis à Freeport-McMoRan d'éviter la majeure partie de l'expansion du capital de 200 millions de dollars du complexe de concentrateurs de Bagdad.

Nous pensons que ce n'est que le début pour Freeport-McMoRan.

Ayant appris à maintenir le TROI au cours du projet, les métallurgistes et les scientifiques des données de l'entreprise exécutent désormais le modèle eux-mêmes, sans le soutien continu de McKinsey. Ils étudient les rapports quotidiens et hebdomadaires qui comparent les performances de l'usine aux prévisions de TROI, et ils continuent d'améliorer la capacité du modèle à faire des recommandations.

Les dirigeants de Freeport-McMoRan ont également parrainé la création d'une deuxième équipe agile à Bagdad pour tester et apporter des améliorations aux processus à la mine. Cette équipe travaille également sans l'aide de McKinsey, en utilisant les méthodes agiles qu'elle a apprises sur le projet d'usine.

Dans une autre des mines de cuivre de Freeport-McMoRan en Arizona, Morenci, les gestionnaires ont lancé un effort agile et analytique comme celui de Bagdad. Et l'entreprise va bientôt lancer son programme le plus ambitieux de ce genre à Cerro Verde, une mine de cuivre au Pérou d'une capacité cinq fois supérieure à celle de Bagdad.

L'âge de l'opérateur est arrivé, et Freeport-McMoRan s'y adapte avec des méthodes agiles et des outils d'IA.

Congre rougeest président et directeur de l'exploitation, Amériques, de Freeport-McMoRan.Harry Robinsonest un associé principal du bureau de McKinsey en Californie du Sud, etRichard Sellschopest un associé du bureau de Stamford.