L’IA pour aider à la prise de décision dans le transport

L’intelligence artificielle peut s’avérer un excellent outil pour aider à la prise de décision dans l’industrie du camionnage.

C’est ce qu’a expliqué Emma Frejinger, conseillère scientifique pour IVADO Labs, lors d’une conférence prononcée à l’évènement La place de l’intelligence artificielle dans l’industrie du transport routier de marchandises, organisé par le Carrefour logistique de HEC Montréal et la Fondation pour la formation en transport routier.

Elle a précisé que le type d’intelligence artificielle utilisé dans le domaine des transports n’est pas l’IA générative, qui fait parler d’elle dans les médias, mais plutôt celle qui est au service des humains et qui aide à prendre des décisions.

Identifier les problèmes

La meilleure manière d’utiliser l’IA, c’est pour résoudre un problème impliquant une prise de décisions en vue d’atteindre un certain objectif, tout en respectant des contraintes. Par exemple, quelle séquence de points de livraison doit suivre un camion en minimisant sa distance parcourue dans une fenêtre de temps précise.

Mme Frejinger a fait part des principaux problèmes liés au camionnage : la gestion de la flotte (quels types de véhicules selon vos besoins), la consolidation (combiner les lots pour utiliser le mieux possible les capacités de la flotte), la planification de la maintenance (prévoir la maintenance sur les véhicules), la planification des routes (quelles routes vont être le plus rentables) ainsi que la gestion de la demande et de la tarification des routes (réduire les coûts dans les endroits présentant le plus de demandes).

Les points en communs de ces problèmes, c’est qu’ils ont un fort impact potentiel sur les opérations, qu’ils présentent des incertitudes autour de certains aspects clés, c’est-à-dire des informations qui ne sont pas présentes au moment de régler le problème, et qu’il est difficile d’y trouver des solutions de bonne qualité.

Optimisation et apprentissage automatique

Pour résoudre ces problèmes, l’IA doit faire appel à l’optimisation et à l’apprentissage automatique. L’optimisation fait en sorte de trouver des solutions optimales aux problèmes, alors que l’apprentissage automatique est un modèle qui permet faire des prédictions.

Ces deux aspects sont facilités par la qualité des données utilisées par l’IA ainsi que d’autres outils informatiques. «La qualité des données n’est pas nécessairement liée à la quantité», a indiqué Mme Frejinger. «Le succès de l’apprentissage automatique, tout comme l’optimisation, repose sur essentiellement sur les mêmes facteurs, comme des données de qualité, des modèles et des algorithmes qui sont très performants et des fortes puissances de calcul.»

Elle a aussi averti qu’il faut être attentif avec ses données, notamment parce que l’optimisation basée sur les prédictions qui ignore des incertitudes, c’est-à-dire des éléments qui peuvent être imprévisibles, peut mener à des solutions fragiles, donc inefficaces. «Si je fais de l’apprentissage automatique et que je fais des prévisions, je m’attends à avoir des erreurs qui sont très petites. Je peux considérer que ces erreurs ne sont pas importantes, donc j’ignore l’incertitude. Ça, ça peut mener à des solutions IA qui sont très fragiles.»

Facteurs de réussite

Mme Frejinger tient à rappeler que la réussite d’un projet d’IA ne se fait pas sans embûches. «Il y a un certain temps, j’aurais pensé que le chemin vers la réussite d’un projet IA était une ligne droite seulement si la technologie était assez bonne. Ce n’est pas le cas, même si j’ai une très bonne solution IA. Personnellement, je n’ai jamais vu un projet qui va vraiment en ligne droite. Souvent, on doit s’ajuster en fonction de ce qu’on apprend dans le processus.»

C’est pour cela que la conseillère scientifique a identifié des facteurs de réussite qui permettront de mieux guider les projets d’intelligence artificielle. «Il faut identifier un problème qui, si je le résous avec une bonne précision, va m’apporter de la valeur», a indiqué Mme Frejinger

Il y a plusieurs facteurs qui influencent la réussite d’un projet d’IA, comme gérer un problème à fort impact potentiel et que les parties prenantes soient alignées; faire en sorte que la technologie soit adaptée; engager les utilisateurs dès le départ; avoir des données de qualité et une solution efficace et s’ouvrir à un processus itératif, collaboratif et évolutif.