Colloque Transport 4.0 : l’apport de l’analytique avancée sur la chaîne d’approvisionnement

Pour Loubna Benabbou, l’analytique avancée est le meilleur choix pour l’aide à la décision.

C’est ce que la professeure titulaire de la chaire de recherche en intelligence artificielle pour les chaînes d’approvisionnement au département des sciences de gestion à l’Université du Québec à Rimouski (UQAR), et professeure associée au département informatique et recherche opérationnelle à l’Université de Montréal, a expliqué lors d’une conférence du colloque Transport 4.0 : l’Ère du numérique à grande vitesse! d’InnovLOG.

L’analytique avancée est un type de science de données qui se base sur l’utilisation d’outils sophistiqués, par exemple l’intelligence artificielle.

«Ce qu’on essaie de faire mathématiquement, c’est de comprendre et de capter la distribution d’origine qui est derrière la donnée», a expliqué Mme Benabbou. «Donc on ne veut pas que notre algorithme ne fasse que prédire ce qu’il a vu dans le passé, parce que ça risquerait d’être ce qu’on appelle du surapprentissage.»

Pour la professeure, l’analytique avancée offre un grand potentiel pour la société Elle estime aussi qu’elle permettra de faire tomber les opinions mitigées que peut amener l’intelligence artificielle, ce qu’elle considère comme une sorte de muraille de Chine. «Mais au fur et à mesure qu’on déploie de plus en plus des outils d’intelligence artificielle, on commence à avoir certains passages à travers cette muraille.»

Améliorer la chaîne d’approvisionnement

Mme Benabbou cherche surtout à optimiser la chaîne d’approvisionnement. «On essaie de développer des algorithmes d’intelligence artificielle pour aider à prendre des décisions dans les chaînes d’approvisionnement. La manière la plus classique, c’est de commencer avec nos modèles de base et de les améliorer. Donc on a des résultats, mais on crée de nouveaux modèles. On va ensuite les appliquer et choisir les modèles qui sont le mieux adaptés. Si ça ne marche pas, on va développer de nouveaux modèles.»

L’analytique avancée améliore notamment le pilotage de la chaîne en sélectionnant des indicateurs de performance stratégiques, tactiques et opérationnels. Le procédé permet également l’optimiser la disponibilité des processus de production de la chaîne via la maintenance prédictive, ainsi que d’améliorer la résilience de la chaîne dans un environnement incertain, notamment en prédisant des variations de la demande à court et moyen terme.

Pour le secteur du camionnage, la principale application est pour l’optimisation de la répartition des routes. «Les variables des décisions vont me dire quel chauffeur va être affecté à quel camion, quel camion va être affecté à quelle tournée, etc.», a expliqué Mme Benabbou. «Dans le cas de l’apprentissage automatique, on n’a pas de modèle; il n’est pas encore codé. Le modèle nait à partir de toutes les affectations du passé que je vais donner à mon ordinateur qui, lui, va construire le modèle.»

Mme Benabbou a notamment appliqué l’analytique avancée afin d’optimiser le transport du bois de la forêt à la scierie. «Ce qu’on essaie de faire, c’est d’optimiser la répartition des ressources et des véhicules par rapport à tous les trajets que nous avons entre la forêt et les scieries», précise-t-elle.

Elle applique aussi le processus pour la livraison sur le dernier kilomètre en ville. «Dans ce projet, avec une compagnie de Montréal, on a essayé de faire de l’apprentissage non supervisé. En gros, avant de faire les routes, on a essayé de faire un regroupement entre les différents clients pour optimiser ces tournées. Et nous avons eu de très bons résultats», a souligné Mme Benabbou.

Une collaboration humain/machine

L’apprentissage par renforcement constitue une bonne utilisation de l’analyse comparative. Il s’agit d’une technique d’apprentissage automatique qui consiste à apprendre les actions à prendre, à partir d’expériences, de façon à optimiser un résultat au cours du temps.

«Avec les questions que vous lui donnez, l’IA générative fait de l’apprentissage par renforcement et vous répond par rapport à ces questions. La force des liens génératifs, c’est qu’ils sont capables de donner des solutions sur des données qui ne sont pas en lien avec la question que vous avez proposée.»

Mme Banabbou ne néglige pas la préparation et l’analyse des données dans le monde réel, car elles permettent de fournir un maximum d’informations dans le cadre de l’apprentissage automatique. «Quand on travaille dans les applications, on va dans les usines, dans les forêts, on est parti voir comment ça se passe réellement. La première étape de la collecte de données, elle doit avoir une influence directe sur l’indicateur de performance.»

La professeure Banabbou a mentionné plusieurs défis qui se posent avec l’implantation de l’analytique avancée. Parmi eux, elle a cité la corrélation entre l’humain et la machine. Pour elle, il faut que les deux collaborent.»

«Ce n’est pas juste une affaire technique de capacité de calcul», a-t-elle souligné. «C’est une affaire de collaboration entre l’équipe qui travaille du point de vue technologique et les gens qui ont l’expertise. Et ça, c’est ce qui fait la différence. On ne peut pas se passer des répartiteurs à 100%, mais c’est eux qui vont nourrir notre algorithme d’apprentissage par renforcement.»

Elle mentionne aussi l’importance de créer des compétences dans le domaine et de faire preuve de maturité numérique face à cette technologie qui ne cesse de se développer. «C’est beaucoup plus large qu’une simple question de données, c’est beaucoup plus large qu’une simple question d’algorithme. Et ce qu’il faut surtout éviter de se dire, c’est qu’on a toute la science quand on travaille avec l’intelligence artificielle.»