La percée de l'IA dans la Supply Chain - enseignements du Forum d'été

Quantmetry était présent à la 13e édition du Forum d’été dédié à l’utilisation de l’IA au service de la Supply Chain. C’était l’occasion de confronter avec le marché nos propres convictions, forgées au cours de nos différentes missions. Nous vous résumons ci-dessous les grandes thématiques évoquées autour de l’utilisation de l’IA en Supply Chain, qui était au coeur des conférences.

Les acteurs que nous avons rencontrés

La population était en très grande majorité composée d’acteurs spécialisés dans le développement logiciel (plateforme ou application) afin de résoudre des problèmes récurrents du secteur. Les solutions présentées cherchaient à adopter au maximum des démarches génériques de type “plug & play” dédiées à la supply chain. Quantmetry adopte à l’inverse des démarches sur-mesure autour d’une problématique donnée et indépendamment du secteur d’activité. Notre positionnement multi-sectoriel tranchait donc avec le reste, une source de curiosité débouchant sur des échanges riches tout au long du salon.

Les grands objectifs aujourd’hui confiés à l’IA

Parce que l’objectif de la supply chain est d’être toujours plus intégrée, depuis l’amont jusqu’à l’aval, de nombreuses sources sous-jacentes de données sont créées et mises à disposition. L’intelligence artificielle doit donc contribuer à extraire la valeur contenue au sein de ce patrimoine afin d’assister dans la prise de décision. Trois grandes typologies de cas d’usages ont été évoquées au cours de la journée:

• La détection d’anomalies dans le déroulement des process, grâce au suivi de données IoT en temps réel afin d’identifier un dysfonctionnement (ex: une ligne de production inactive) ou un bottleneck (ex: une immobilisation trop longue dans un entrepôt) au sein de la supply chain. L’objectif étant de réussir à obtenir une vision d’ensemble des différents flux de la logistique pour prioriser les actions ;
• L’optimisation sous contraintes, mobilisable à chacune des étapes de la supply chain: remplissage de camion afin d’éviter les trajets à vide, planification et orchestration des commandes pour activer les leviers pertinents par la suite en achats, usine de production et entrepôt ;
• La prévision qui a bien entendu était l’un des sujets stars de la journée avec une table ronde dédiée à laquelle nous avons participé. Les thématiques abordées concernaient entre autres la réconciliation des prévisions entre différentes mailles d’agrégation produits, l’implémentation de régresseurs externes, l’identification de signaux faibles, la mesure du niveau de cannibalisation entre les produits/promos, etc… L’enjeu étant de fiabiliser au maximum le processus de S&OP au coeur de la stratégie d’approvisionnement.

L’IA doit être à la fois considérée sous l’angle technologique et de la transformation

Le succès d’implémentation de l’IA dans les métiers de la supply repose autant sur la technique pure que sur la conduite du changement associée. La réflexion doit inclure:

• Une composante organisationnelle: quel positionnement du data scientist en interne? qui doit maintenir les modèles en production ? quel doit être le degré d’internalisation/externalisation des compétences data science ?
• Les ressources humaines car une évolution à la hausse du niveau d’éducation à poste égal est constatée par les acteurs. Un poste historiquement occupé à l’époque par un bac +2 l’est désormais par un bac +5. La tendance des recruteurs est désormais de prioriser le potentiel d’adaptabilité des candidats plutôt que leur compétences actuelles: en effet l’IA bouleverse en continu les métiers en éliminant les tâches à faible valeur ajoutée. Une réflexion doit de plus être menée autour de la rétention des talents associés car toute les entreprises ne sont pas aujourd’hui suffisamment matures pour occuper de manière satisfaisante leurs équipes de data scientist (ex: problème de gouvernance de la donnée, culture d’entreprise data insuffisante, etc.)
• Des efforts d’acculturation en interne pour expliquer les tenants et aboutissant autour d’un projet IA afin de démystifier son fonctionnement et de responsabiliser les métiers sur la production d’une donnée de qualité sans laquelle rien n’est possible. Rappelons que l’IA est aujourd’hui monotâche et vise à éliminer la réalisation des opérations à faible valeur ajoutée. Elle ne va donc pas faire disparaître les métiers, bien au contraire, mais les renforcer dans leur quotidien.

Nous avons été agréablement surpris de constater la présence d’un accent fort autour des problématiques d’interprétabilité de l’IA. En effet, il s’agit d’un facteur clé d’adoption pour prouver sa valeur ajoutée. L’objectif n’est pas de déposséder les métiers de leur savoir-faire à travers l’utilisation de logiciels type “boîte noire”. Les résultats doivent pouvoir être compréhensibles et donc remis en question par les experts afin qu’une relation de confiance puisse se créer. Un sujet qui nous tient à coeur depuis l’année dernière et que nous avons abordé dans notre livre blanc.

Nos convictions autour du déploiement de l’IA dans les processus logistiques

Une performance pérenne de l’IA en entreprise, quel que soit son secteur d’activité, repose avant tout sur un socle multidisciplinaire incluant gouvernance, organisation, acculturation, algorithmie et un suivi continu de la performance des modèles. Dans le cadre appliqué de la logistique, nous aimerions exposer nos convictions autours de trois enjeux clés: la performance, l’interprétabilité et le cadrage indispensable en amont de tout projet d’IA.

Enjeu 1 – Performance:

La recherche de performance dans la prévision doit s’orienter aujourd’hui vers les méthodes hybrides couplant à la fois approches statistiques classiques et de machine learning intégrant des données complémentaires (endogènes et exogènes). Un message notamment porté par les résultats de la compétition internationale de prévision “M4”, ou la combinaison de méthodes statistiques et modèles de machine learning permettent de gagner des points de performance.

Enjeu 2 – Interprétabilité:

Fournir au prévisionniste des moyens de mieux comprendre les variables influentes sur sa prévision est un enjeu clé (ex: à travers les modèles LIME ou SHAP). L’objectif est de passer d’un paradigme où il corrige manuellement la prévision pour qu’elle reflète ce qu’il pense, à une situation où il peut au contraire l’enrichir au fur et à mesure avec de nouvelles informations afin qu’elle s’adapte sur le long terme et lui libérer un temps opérationnel.

Enjeu 3 – Cadrage et préparation des projets IA ou d’intégration de solution:

Les métiers de la supply chain requièrent des outils d’aide à la décision, qui doivent être alimentés par des données justes et cohérentes. Les phases de cadrage et de préparation des projets sont clés afin de comprendre et structurer les données (par exemple prix d’achat vs prix de vente) selon l’usage qui en sera fait. Cela vaut d’autant plus pour les projets IA que pour les projets plus classiques d’intégration de solution dans le SI.

par Jehan Augustin Latour, Data Consultant et Charlotte Ledoux, Senior Data Consultant @Quantmetry