L'IA au service de la logistique et de la chaîne d'approvisionnement

La transformation digitale de la chaîne logistique est l'un des piliers de toute activité industrielle, commerciale ou logistique. L'IA en devient une brique clé. Selon le Gartner, elle sera intégrée à 25% des solutions de supply chain d'ici 2023.

Aujourd'hui, nous nous trouvons dans une nouvelle ère de transformation digitale de la chaîne logistique (SCM) qui est plus que jamais un des principaux piliers de toute activité industrielle ou commerciale. Une chaîne logistique performante et agile représente pour les entreprises un avantage concurrentiel majeur. 

Les entreprises sont en quête d’outils efficaces et abordables leur permettant de disposer de prévisions précises et d’outils l’aide à la décision de façon à améliorer l’efficacité opérationnelle, la satisfaction client, la réduction de l’empreinte carbone ainsi que l’optimisation de la consommation d'énergie. Une chaîne logistique efficace peut s'avérer critique pour le succès ou l'échec d'une organisation et devient ainsi un facteur de différentiation et un moteur de création de valeur important pour les organisations.

En même temps, l'intelligence artificielle (IA) est sortie des laboratoires de recherche pour devenir omniprésente dans nos vies privées, et a pris de plus en plus de place au sein de l’entreprise. Tout comme les révolutions agricoles et industrielles qui l'ont précédée, la révolution IA redéfinit de nombreux aspects de la vie moderne à travers le monde.

Pour la SCM, Le Gartner prédit qu’en 2020, 95% des fournisseurs d’outils de planification s'appuieraient sur l'apprentissage automatique dans leurs solutions. Le Gartner prévoit également d'ici 2023, que les techniques d'IA seraient intégrées dans 25% de toutes les solutions technologiques de la chaîne d'approvisionnement.

L'intelligence artificielle, c’est quoi

L’IA se réfère à la notion de système entraînable, pouvant être vu comme une boite noire avec en entrée des données réelles, par exemple des images, une série temporelle, ou du texte, et en sortie la représentation de la catégorie de l’objet dans l’image, la valeur à prédire, ou le sujet dont parle le texte. L’apprentissage machine (machine learning) a montré une grande capacité de généralisation puisqu’une fois entraîné, il est capable par exemple de classifier correctement des images de produits qu’il n’a jamais vu durant la phase l’apprentissage.

Les techniques en vogues de nos jours, telles que le deep learning, permettent de traiter le langage, de classer des images ou de la vidéo (vision par ordinateur), de reconnaître des formes, de résoudre des problèmes de régression et de prévisions ou de réaliser des opérations de regroupement (clustering).

L’une des principales caractéristiques de l’IA est que ses algorithmes peuvent déterminer automatiquement des patterns dans les masses de données traitées et d’améliorer ses propres performance (auto-réglage) au fur et à mesure de l’apprentissage. Il n’est pas obligatoire que les données soient annotées (nous parlons d’apprentissage supervisé), l'apprentissage non supervisé est efficace et applicable pour certaines classes de problèmes.

De plus, l'apprentissage par transfert (Transfer Learning, en anglais) a permis d’accélérer l’adoption de l’IA. Il consiste à partir des modèles et connaissances obtenus en effectuant une tâche afin de résoudre un problème différent, mais qui présente des similitudes. En partant de modèles pré-entrainés, la phase d’apprentissage se trouve ainsi fortement accélérée et moins "gourmande" en puissance de calcul.

L’abondance, en open source, de frameworks performants implémentant les algorithmes IA et la disponibilité de modèles pré-entrainés ne doit pas occulter la principale exigence d’un projet IA ou data-science, qui reste la disponibilité des données de qualité.

Les processus SCM gérèrent énormément de données

Cela comprend les données sur les clients, les ventes, le marché et les concurrents, les fournisseurs, les prix, les promotions, la fidélité des consommateurs, les stocks, l'utilisation des capacités, la planification des processus, les ressources humaines et l'inventaire des compétences, les flux financiers, les calendriers, le nombre de magasins et le mode de distribution…

A cela s’ajoute des données externes telles que la météo, les données de géolocalisation, les mesures issues des objets connectés, les tendances de la mode, ou bien celles obtenues via les points de contact clients, concernant leur niveau d'intérêt pour les campagnes de vente.

Aujourd’hui, grâce aux technologies de web scraping et de natural language processing (NLP), même les discussions en temps réel sur les forums et les réseaux sociaux sont analysées pour obtenir des données sur le client.

Ces types de données conduisent à un grand nombre de variables de décision à explorer pour améliorer la précision des prévisions.

Applications de l’IA dans la SCM

Les applications de l’IA à la SCM sont aujourd’hui nombreuses et variées. Nous présentons ci-dessous quelques exemples d’utilisation.

Du contrôle de la qualité à l’analyse de comportement

Le traitement d’image est le domaine de prédilection de l’IA. C’est le domaine qui a bénéficié le plus des avancés du deep learning, du transfert learning et de la disponibilité en libre-service de modèles pré-entraînés basés sur des frameworks IA open source tels que Pytorch (Fracebook) ou de Tensorflow (Google).

Les systèmes de vision par ordinateur peuvent automatiser le processus de lecture des codes-barres et, par conséquent, l'accélérer et le simplifier. Couplé à des algorithmes IA, ils peuvent également surveiller le périmètre de l'entrepôt et suivre les déplacements des produits et des employés, analyser les données et prévenir les vols ou les violations des règles de sécurité.

Dans les secteurs industriels comme dans la logistique, les dommages et l'usure des actifs opérationnels au fil du temps sont tout simplement inévitables. L'inspection visuelle optimisée par l'IA représente dans ce contexte une technologie à fort potentiel dans l'environnement opérationnel logistique. À l'aide de caméras de surveillance de surveiller les flux de marchandises, l'IA est en mesure d'identifier avec succès les dommages, de les classer par type et de déterminer les mesures correctives appropriées pour réparer ces actifs.

L’IA permet de créer des outils de suivi comportemental via l’analyse vidéo : Les algorithmes de vision par ordinateur peuvent reconnaître les visages et les caractéristiques des personnes telles que le sexe ou la tranche d'âge. Ils peuvent suivre le parcours des clients dans les magasins, détecter les sens de la marche et la direction du regard des clients pour comprendre comment ils interagissent avec lui.

Cela permet de répondre à la question "Où placer les différents articles ?" qui est une question cruciale pour les détaillants physiques, qui recherchent toujours des moyens efficaces pour comprendre le parcours d'achat du client. Les détaillants peuvent utiliser ces informations pour restructurer l'agencement des magasins ou pour mesurer l'intérêt pour leurs produits. Ils peuvent également découvrir des endroits qui reçoivent beaucoup de trafic et d'attention visuelle. Une autre application consiste à exploiter des images pour analyser l'utilisation de l'espace de rangement et identifier les configurations optimales ou bien effectuer des inventaires en continu.

La prévention du vol est un problème courant dans le commerce de détail avec un fort retour sur investissement. Un système de vision est également en mesure d'identifier qui entre et sort du territoire de l'entrepôt ou du magasin. Un système basé sur l'apprentissage automatique peut alerter en temps réel le personnel ou les responsables de la sécurité et leur envoyer des extraits vidéo afin qu'ils puissent prendre les bonnes décisions.

De nouvelles façons de faire de la prédiction

Pour améliorer l'efficacité de la chaîne d'approvisionnement, il est primordial de pouvoir améliorer la prévision de la demande. Ce qui a un impact sur la production, la planification des stocks, l’équilibrage de la demande et de l'offre, l’optimisation des processus de livraison et la réduction de ses délais, la prédiction des heures de pointe dans les centres logistiques et la planification des ressources humaines.

Les méthodes traditionnelles de prévision, y compris les techniques de séries chronologiques et de régression, ont été largement utilisées dans la prévision de la demande. Naïve, moyenne mobile, tendance, régression linéaire multiple, Holt-Winters, lissage exponentiel, ARIMA et ses variantes, font partie de ces techniques traditionnelles.

Les approches basées d'apprentissage automatique telles que la SVM (Support vector machine) ou LSTM (Long Short-Term Memory) et les réseaux de neurones en général, font office de challengers dans le domaine de la prévision de la demande. Elles ont montré leur supériorité lorsque le nombre de variables prédictives est très grand, et quand les sources de données sont multiples. C’est le cas en environnement très variable, par exemple pour les produits sensibles aux intempéries ou les produits saisonniers, ou lorsque des dizaines de facteurs motivant les comportements d'achat ou de nombreux types de données sont impliqués, rendant la planification de la demande trop complexe pour être effectuée avec succès avec des outils classiques.

Le machine learning, en se basant sur les données historiques, est maintenant utilisé pour déterminer quel sera le meilleur itinéraire d'expédition d'un colis, optimiser la tournée d'un livreur, ou affecter les marchandises à tel ou tel entrepôt intermédiaire dans leurs trajets vers les clients.

Une autre situation où l’IA s’avère utile, est l’Introduction de nouveaux produits. Dans ce cas n'avons aucun historique de vente. Or Les prévisions traditionnelles nécessitent plusieurs années de données de vente pour garantir un niveau de précision acceptable. Nous pouvons alors utiliser l’IA pour identifier des clusters de prédécesseurs ayant des propriétés et des courbes de cycle de vie de produit similaires. Les algorithmes de clustering automatiques peuvent extraire des modèles spécifiques d'énormes volumes de données non structurées, trouver des similitudes et développer des prédictions, en tenant compte d'autres sources d'informations pertinentes telles que l'analyse Web et les médias sociaux. Cela offre un degré de précision plus élevé et réduit le temps nécessaire pour créer des prévisions de plusieurs jours à plusieurs heures.

Maintenance prédictive

Tirer parti de l'apprentissage automatique pour anticiper les pannes et prévoir la maintenance préventive des machines de fret et de logistique améliore l'utilisation des actifs, augmente la disponibilité et réduit les coûts d'exploitation.

Les modèles peuvent être entraînés en combinant les données des capteurs avancés de l'IoT (Internet des objet), les journaux de maintenance, les données de performances historiques, ainsi que des sources externes. Une augmentation de la productivité des actifs pouvant atteindre 20% est possible et les coûts de maintenance globaux peuvent être réduits jusqu'à 10%.

Classification et clustering des clients : analyser le comportement

Classifier les clients et prédire les besoins des consommateurs est une tâche difficile où les algorithmes d'apprentissage automatique sont d'une grande aide. Ils sont déjà couramment utilisés pour prédire le comportement des clients dans le commerce électronique.

L'apprentissage automatique offre la capacité de découvrir rapidement, sans intervention humaine et sans besoin de labelliser les données, des patterns et les tendances qui ne sont pas facilement identifiables avec les méthodes analytiques ou statistiques traditionnelles.

L'objectif d'un système de prédiction du comportement des clients est d'estimer le comportement futur des acheteurs à partir de données de comportements antérieurs. Ces systèmes permettent aux détaillants de segmenter leurs clients et d'effectuer des actions marketing personnalisées plus efficaces que les approches générales. Une application typique consiste à prévoir les achats. Par exemple, pour savoir quels clients sont susceptibles d'effectuer un achat dans les 7 prochains jours. Prendre des mesures en fonction des besoins prédits des clients augmente la fidélité et la rétention.

Opérations back-office et RPA cognitive 

Les fonctions internes des entreprises telles que la comptabilité, les finances, les ressources humaines, le juridique et les technologies de l'information sont en proie à de grandes quantités de tâches répétitives et axées sur le détail. Beaucoup de ces processus sont déjà automatisés grâce à la RPA (automatisation des processus).

L'IA fait passer la RPA à un niveau supérieur d’efficacité en permettant l’automatisation cognitive qui fait référence à l'automatisation intelligente des processus métier. Ici, l'IA présente une opportunité importante de gagner du temps, de réduire les coûts et d'augmenter la productivité et la précision grâce à l'automatisation cognitive.

Détection d'anomalies financières

L’IA est de plus en plus utilisée pour réduire la fraude et les créances non recouvrables. Amazon l’applique depuis plus d’une décennie et revendique une augmentation considérable de la fiabilité de sa chaîne logistique, une réduction massive des erreurs d'expédition, et une diminution des fraudes et des créances non recouvrables liées à l'approvisionnement et aux commandes. Et donc, au final, une amélioration de son efficacité opérationnelle.

Les technologies d'IA comme le traitement du langage naturel peuvent extraire des informations critiques telles que les montants de facturation, les informations de compte, les dates, les adresses et les données incluses dans les factures reçus par l'entreprise. Une fois ces données classées par l’IA, un robot RPA peut les prendre et les valider vis-à-vis des contrats fournisseurs pour vérifier les prix et les remises, les injecter dans un logiciel de comptabilité existant pour générer une commande, exécuter le paiement et envoyer au client un e-mail de confirmation, le tout sans intervention humaine.

Nettoyage des données en langue étrangère

Dans certains cas, les barrières linguistiques peuvent être très difficile à gérer. En conséquence, un malentendu peut entraîner de graves problèmes et des décisions commerciales inefficaces. Le traitement du langage naturel, ou NLP, est une excellente solution lorsqu’il faut déchiffrer des masses de données en langues étrangères. Cela permet d’éviter les problèmes potentiels et rationaliser les actions de conformité et d'audit qui n'étaient pas disponibles auparavant en raison de problèmes de langue.

Des nouvelles approches inédites

Les logiciels de planification des itinéraires de livraison, en se basant sur les données historiques soumises par les clients, les conducteurs et les véhicules, exploitent des algorithmes IA pour créer les itinéraires optimisés les plus à jour en fonction des conditions routières et d'autres facteurs.

Des robots utilisant la technologie LIDAR et des algorithmes IA de reconnaissance d’obstacles et de prise de décision sont maintenant utilisés pour livrer des articles dans des environnements urbains surpeuplés. Ajoutons à cela, les solutions du dernier kilomètre avec des drones qui sont actuellement explorées en raison de leur capacité à se déplacer rapidement et à contourner presque tous les obstacles au niveau du sol.

Au-delà des données, Approchez un projet IA avec méthode

Bien que les données constituent un élément important dans un projet IA, il ne faut jamais oublier la nécessité d’une approche méthodologique structurée.

La principale étape reste la définition des objectifs métiers inhérents car elle conditionne la sélection des types de données à utiliser. La récupération, l’exploration et la préparation des données, sont les étapes la plus fastidieuse, on parle de 70 à 80% de l’effort alloué au projet.

Risque et limite

L’IA est à la base d’une nouvelle génération de technologies pouvant contribuer à résoudre des problèmes complexes de la logistique et de chaîne d'approvisionnement.

Les domaines d’application sont très nombreux et très variés et ne demandent qu’à être explorés.

Ce type de technologies se présentant sous forme d’une boite noire difficilement explicables, a besoin d’une approche agile d’expérimentation et de test afin de révéler son potentiel et valider ses résultats.