Le secteur international des semi-conducteurs est en pleine expansion. Les ventes annuelles devraient atteindre 975 milliards de dollars en 2026 et 2 billions de dollars d’ici 2036, selon Deloitte.1
Pour répondre à cette demande, SEMI rapporte que les entreprises dépenseront plus de 156 milliards de dollars en équipements de fabrication de semi-conducteurs en 2027 afin d’accélérer la construction d’usines de nouvelle génération.2 Ces investissements ciblent les principaux changements technologiques actuels : l’IA, le calcul haute performance et le secteur automobile.
Cependant, l’infrastructure de données existante ne peut pas gérer cette complexité. Les minutes passées à identifier les causes profondes mettent le rendement en danger, tandis que les heures passées à corréler les capteurs aux défauts augmentent les coûts.
McKinsey rapporte que la fabrication est le principal moteur de coûts du secteur des semi-conducteurs. Les cas d’utilisation de l’IA et de l’apprentissage automatique apportent environ 40 % de cette valeur.3 Cependant, capturer cette valeur nécessite plus que des solutions ponctuelles. Les entreprises ont besoin d’une infrastructure de données unifiée pour permettre la détection en temps réel, la recherche sémantique et les agents d’IA autonomes.
Le coût caché des données fragmentées
Lorsqu’une anomalie se produit, les ingénieurs assemblent le contexte de cinq systèmes différents. Les ingénieurs finissent par perdre des heures à rechercher des documents avec des mots-clés qui ne correspondent pas à la façon dont un autre individu a décrit la même panne il y a trois ans. En fin de compte, le problème est résolu grâce à l’expérience et à l’intuition.
Cette approche fonctionnait à petite échelle. Cependant, lorsque les coûts de temps d’arrêt imprévus atteignent 1 million de dollars par heure et une seule plaquette de pointe vaut 17 000 dollars, l’entreprise ne peut pas attendre qu’un humain repère le modèle sous-jacent. Avec des centaines d’outils fonctionnant 24 h/24, des milliers de plaquettes par jour, et des fenêtres de traitement mesurées en angströms, la corrélation manuelle ne peut pas évoluer.
Le principal défi n’est pas un système unique, mais plutôt l’intégration entre eux. Chaque requête qui franchit les frontières du système ajoute de la latence. IBM rapporte que 82 % des entreprises déclarent que les données cloisonnées perturbent les flux de travail critiques. Chaque tâche de synchronisation introduit une dérive. Chaque nouvelle source de données nécessite des mois d'efforts d’intégration. McKinsey a découvert que 80 % des projets de développement de semi-conducteurs ne respectent pas leur calendrier initial en raison d’une complexité sous-estimée.
Lorsque les entreprises déploient un agent d’IA pour raisonner sur ces données, l’agent nécessite un accès en temps réel aux capteurs, aux images de défauts, aux connaissances historiques et à la mémoire de conversation simultanément. Une étude de Gartner indique que 61 % des dirigeants déploient des agents d’IA, mais la fragmentation et le cloisonnement des données nuit au retour sur investissement. Une automatisation de 15 % est attendue d’ici 2028. Les architectures fragmentées ne peuvent pas répondre aux exigences de ces agents.
La couche de données agentique : une nouvelle architecture pour les usines intelligentes
Les agents d’IA modernes ont besoin de plus qu’une base de données. Les agents nécessitent une couche de données convergente qui sert simultanément de mémoire, de moteur de recherche, et de déclencheur d’évènement.
MongoDB Atlas fournit cette base. En tant que base de données documentaire et vectorielle, Atlas prend en charge les différents formats de données nécessaires aux agents : télémétrie structurée, images non structurées, intégrations sémantiques et état de conversation. Grâce aux flux de changement pour les architectures pilotées par évènements, les agents peuvent percevoir les changements de données et agir sans intervention humaine, rendant les systèmes proactifs plutôt que réactifs.
Figure 1. L’architecture agentique complète.
Qu’est-ce qui rend cette architecture différente ?
La plupart des piles de données relatives à la fabrication sont composées d’outils dédiés. Chacune est de premier ordre pour une tâche, mais collectivement elles sont un cauchemar à intégrer, sécuriser et synchroniser.
En consolidant toutes les données sur une seule plate-forme, les agents peuvent raisonner sur un contexte complet en temps réel. Cette approche ne vise pas à remplacer les bases de données individuelles, il s'agit d’éliminer la complexité d’intégration qui ralentit chaque analyse.
Au cœur de l’architecture
Retraçons le flux de données complet entre une anomalie de capteur et une analyse des causes profondes générée par l’IA.
Niveau 1 : détection des anomalies en temps réel
Figure 2. Atlas Stream Processing en action.
Les données de télémétrie des capteurs passent par Atlas Stream Processing, le service de traitement de flux entièrement géré de MongoDB. Les pipelines d’agrégation continue au sein des processeurs de flux évaluent les données entrantes par rapport à des seuils en temps réel. En utilisant des fenêtres glissantes, le système permet de détecter des anomalies durables, telles qu’une température moyenne supérieure aux limites pendant 30 secondes ou des pics de comptage de particules sur plusieurs relevés.
Lorsqu’une violation de seuil se produit, le processeur de flux achemine les données traitées vers MongoDB Atlas en tant que collecteur, produit des documents d’alerte pour une diffusion immédiate via WebSocket vers les tableaux de bord, et il écrit la télémétrie traitée dans une collection de séries temporelles pour une analyse historique. Les collections de séries temporelles offrent une compression automatique et des requêtes efficaces sur des plages de temps, préservant les données pour l’analyse des tendances et les investigations des agents sans affecter la latence de détection.
Les recherches menées dans le secteur indiquent que les usines qui utilisent la rétroaction de l’IA en boucle fermée obtiennent des résultats plus stables, les densités de défauts restant dans des limites de contrôle étroites malgré les variations en amont. Les principaux fabricants ont démontré des réductions significatives de la variabilité des processus grâce à un contrôle des processus en temps réel piloté par l’IA. La détection en temps réel constitue la base de ces améliorations.
Niveau 2 : recherche de similarité multimodale
Figure 3. Génération d’intégrations multimodales avec Voyage-AI.
La recherche traditionnelle par mots-clés échoue lorsque le signal est un motif sur la carte d’une plaquette décrit de manière incohérente par les équipes et dans le temps. Par exemple, les équipes peuvent qualifier le même évènement de défaillance en bordure au lieu de défaillances des puces périphériques, ou de dysfonctionnement du refroidisseur au lieu de problème de refroidissement.
Ce problème est résolu grâce à des intégrations multimodales. En utilisant le modèle voyage-multimodal-3 de Voyage AI, le système encode les images des plaquettes et leur contexte textuel en un seul vecteur dense. Le modèle fusionne « ce à quoi ressemblait cette défaillance » avec « ce qui se produisait lorsqu’elle est survenue ».
Des recherches récentes valident cette approche. FabGPT, un grand modèle multimodal pour la fabrication de semi-conducteurs, a démontré que la combinaison d'images de microscope électronique à balayage (MEB) avec un contexte textuel permet à la fois la détection de défauts et l’analyse des causes premières dans un seul cadre. De même, SEM-CLIP applique l’apprentissage contrastif pour projeter des images de défauts des semi-conducteurs et des descriptions en langage naturel dans un espace d’intégration partagé.
Le principal défi concerne les modèles de défauts décrits de manière incohérente au sein des équipes et dans le temps. Par exemple, défaillances en bordure au lieu de perte des puces périphériques représentent souvent le même problème sous-jacent. La recherche par mots-clés traditionnelle échoue dans ces scénarios. MongoDB Atlas utilise des intégrations vectorielles pour capturer la signification sémantique. Cette approche permet une recherche de similarité sur les cartes de plaquettes pour identifier les véritables ressemblances, indépendamment de la façon dont les ingénieurs ont initialement décrit le défaut.
La recherche de récupération d’images basée sur le contenu (CBIR) indique que la combinaison de caractéristiques visuelles extraites par un réseau neuronal convolutionnel (CNN) avec une recherche sémantique améliore de manière significative la classification des défauts. Ceci est essentiel lorsque les données de formation sont limitées, une contrainte courante dans la fabrication des semi-conducteurs où de nouveaux types de défauts apparaissent en permanence.
L’architecture intégrée permet aux ingénieurs de passer rapidement de l’identification d’une anomalie, telle que « il semble y avoir un problème », à l’accès aux cinq défaillances historiques les plus similaires.
Niveau 3 : l’analyse agentique des causes profondes
L’architecture se différencie en déployant un agent LangGraph ReAct. Cet agent d’IA permet de raisonner, de planifier des enquêtes en plusieurs étapes et de mener des actions autonomes.
Figure 4. Root Cause Agent doté de multiples outils.
L’agent dispose de quatre outils alimentés par MongoDB :
Le modèle ReAct
Le raisonnement, puis l’action permettent à l’agent de planifier sa propre enquête :
La mémoire des conversations de l’agent persiste dans MongoDB. Grâce au point de contrôle MongoDB de LangGraph, chaque fil d’enquête est enregistré avec son contexte complet.
Les ingénieurs peuvent reprendre les investigations. Les auditeurs peuvent retracer le cheminement qui a mené aux conclusions. Les questions de suivi se résolvent instantanément sans relancer une requête.
Quels changements pour les équipes ?
Cette transition affecte l’ensemble de l’entreprise.
Les équipes opérationnelles passent de la consultation de tableaux de bord et de la réaction aux rapports de fin de quart à la réaction aux évènements en temps réel. Les exceptions deviennent exploitables dès qu’elles se produisent.
Les ingénieurs de processus n’ont plus besoin de faire des recherches dans cinq systèmes différents avec des mots-clés qui peuvent ne pas correspondre. Ils effectuent une seule recherche en utilisant deux méthodes : la correspondance exacte pour les identifiants connus et la recherche sémantique pour tout le reste.
Les équipes RCA remplacent les heures de corrélation manuelle et les connaissances confidentielles par des enquêtes pilotées par des agents et fondées sur des preuves, qui se concluent en quelques secondes et fournissent une piste d’audit complète.
Les équipes chargées des données passent des migrations trimestrielles à l’intégration de nouvelles sources à des intégrations le jour même qui deviennent immédiatement consultables.
Pour aller plus loin
Consultez le tutoriel pour mettre en œuvre cette solution. Pour en savoir plus sur le rôle de MongoDB dans l’industrie manufacturière, visitez la page MongoDB relative à l’industrie manufacturière et automobile.
1 Source : Deloitte (février 2026)
2 Source : SEMI (décembre 2025)
3 Source : McKinsey (avril 2021)