Qu’est-ce que l’Intelligence Artificielle ?
L’intelligence artificielle (IA) est une technologie qui simule, par le biais d’ordinateurs, les capacités de résolution de problèmes et de prise de décision propres à l’esprit humain et qui peut être utilisée à des fins diverses. Jusqu’à présent, les domaines d’application sont nombreux et il est en effet difficile de trouver un domaine qui n’a pas déjà été touché.
Dans le contexte de l’industrie 4.0, et plus spécifiquement dans les applications S&OP et MOM, l’IA joue un rôle majeur car, en permettant l’analyse de données qu’il serait difficile de traiter manuellement en raison de leur nombre et de leur complexité, elle fournit des éléments quantitatifs pour soutenir les processus de prise de décision. Cela renforce à la fois la capacité à planifier des processus S&OP et MOM déjà établis et robustes et à améliorer leur réactivité face aux événements indésirables.
Dans les deux cas, il convient de souligner l’importance du terme « soutien » pour les processus décisionnels. L’IA peut également être utilisée pour automatiser certaines tâches : cependant, cela est souvent considéré comme synonyme de remplacement de l’homme, avec les questions éthiques qui y sont associées et dont l’examen dépasse le cadre de cet article.
Quelle est la différence entre l’Intelligence artificielle et le machine learning?
L’intelligence artificielle et l’apprentissage automatique ne sont pas la même chose ; ces deux technologies sont liées mais différentes. L’IA crée l’architecture, tandis que l’apprentissage automatique (Machine Learning) l’améliore.
L’intelligence artificielle est en fait la science qui, depuis des années, vise à développer des machines capables de prendre des décisions en parfaite autonomie : elle peut être définie comme la science qui développe l’architecture nécessaire pour que les machines fonctionnent comme le cerveau humain et ses réseaux neuronaux. L’apprentissage automatique, quant à lui, est l’algorithme qui permet aux machines intelligentes de s’améliorer au fil du temps, à l’instar de l’esprit humain. En effet, sans apprentissage avancé, il ne serait pas possible de mettre l’intelligence artificielle « en mouvement ».
Selon la stratégie définie par le groupe sedApta, l’accent est mis sur l’inclusion de capacités basées sur l’IA dans les produits de la suite qui permettent, grâce à des algorithmes de Machine Learning (ML) correctement entraînés, d’aider les individus à prendre de meilleures décisions sur la base de ce qui s’est déjà produit dans des conditions similaires dans le passé (human-in-the-loop).
Ce processus a abouti à un assistant virtuel intégré à la suite sedApta qui renforce la capacité des utilisateurs à identifier des modèles parmi les données, améliorant ainsi les actifs d’information que les entreprises n’exploitent généralement que de manière minimale.
L’intelligence artificielle au service de sedApta
Le groupe sedApta occupe une position privilégiée dans la mise en œuvre de capacités d’IA en raison de la transversalité et de l’hétérogénéité des données traitées.
L’une des principales caractéristiques de la suite sedApta est son approche globale des processus S&OP et MOM – des processus de prévision de la demande à la planification à long et moyen terme, en passant par la gestion des stocks, l’ordonnancement et la gestion des services logistiques.
En outre, si l’on considère que la suite peut être intégrée aux principaux systèmes ERP, on comprend l’importance et la spécificité d’une telle base de données.
Au sein du groupe sedApta, deux organisations, AImesys et I2Lab, collaborent étroitement avec la fonction R&D pour identifier, développer et intégrer des fonctions innovantes d’IA dans les produits sedApta dans les domaines Process et Discrete.
Cas d’utilisation réalisés par sedApta dans le domaine de l’IA
La planification des stocks est un processus de plus en plus complexe en raison de la grande variabilité des facteurs à prendre en considération : avant tout, la demande, dont le comportement est plus difficile à prévoir en raison de variables de plus en plus complexes (plus de transactions, plus de personnalisation exigée par les clients, et plus d’acteurs impliqués parmi les principales causes) et les délais d’approvisionnement qui tendent à être moins stables et fiables.
Selon Gartner, les gestionnaires de la chaîne d’approvisionnement sont soumis à une pression constante pour contribuer positivement au flux de trésorerie par la réduction des stocks. Les principales mesures à prendre pour augmenter la trésorerie tout en
maintenant des niveaux élevés de service, de rentabilité et de croissance comprennent une meilleure gestion des points de commande en fonction des délais, des modèles de demande et des niveaux de service cibles établis sur la base d’une analyse des tampons de sécurité [Gartner’s Top Actions for Supply Chain Inventory Reduction, 2018].
C’est pourquoi, parmi les principaux processus S&OP pour lesquels sedApta a formé des algorithmes ML, qui sous-tendent le fonctionnement de l’assistant virtuel, figurent les processus de planification de la demande et de gestion des stocks.
Aujourd’hui, sedApta offre à ses clients des fonctionnalités qui leur permettent de prévoir plus précisément la demande et de générer un plan de réapprovisionnement des stocks plus robuste. Cela permet d’optimiser les stocks et d’augmenter la capacité de réaction aux événements imprévus liés au dynamisme du marché et à l’état de l’infrastructure logistique dans son ensemble.
Demand Planning
- Utilisation de variables exogènes pour accroître la précision des prévisions de la demande. Les variables utilisées peuvent être des variables macroéconomiques (par exemple, le PIB), les tendances des prix de l’énergie, des variables sectorielles et des variables liées à des situations particulières (par exemple, les flux de mouvements pendant une pandémie pour nettoyer les séries temporelles de l' »effet covid »). En fonction du type de variable exogène, chacune étant pondérée de manière appropriée, il est possible de prévoir la demande à moyen et long terme (par exemple, variable exogène du PIB) ou de l’affiner à court et très court terme (par exemple, variable exogène des prévisions météorologiques).
- Optimisation de la prévision de la demande. Des algorithmes traditionnels, sélectionnés selon la logique du meilleur ajustement, sont appliqués parallèlement à des algorithmes ML multivariés. Ces derniers, en exploitant les variables endogènes de la série temporelle et toutes les variables exogènes disponibles, permettent d’identifier des conditions intrinsèquement complexes à prévoir dans lesquelles, par le passé, les algorithmes traditionnels et/ou les corrections apportées par l’utilisateur dans un environnement collaboratif se sont révélés inexacts. Les algorithmes de ML signalent la probabilité que ces conditions se reproduisent et proposent à l’utilisateur un facteur correctif pour la prédiction.
- Lancement de nouveaux produits. L’un des aspects les plus critiques de la prévision de la demande est le calcul des prévisions pour les nouveaux produits, pour lesquels il n’existe pas de base historique utilisable. Ce problème est généralement résolu par la sélection manuelle, par l’utilisateur, d’un produit existant qu’il estime similaire au nouveau produit. Dans ce domaine, sedApta a formé des algorithmes supervisés et non supervisés pour produire un classement quantitatif des produits les plus similaires au nouveau produit. Ce classement est consulté par l’utilisateur pour valider analytiquement le choix qu’il aurait fait sans l’aide de l’assistant virtuel et/ou identifier des produits similaires auxquels il n’avait pas pensé.
Inventory Management
- Classement des fournisseurs. Les performances des fournisseurs (ponctualité, qualité, durabilité, etc.), généralement calculées dans les systèmes ERP, sont contextualisées par rapport aux conditions spécifiques dans lesquelles elles ont été traitées afin de fournir un classement encore plus opportun. Dans une situation donnée, les algorithmes de ML mis en œuvre par sedApta permettent d’estimer quel fournisseur est le plus susceptible de fournir les performances requises conformément aux objectifs d’une ou plusieurs dimensions d’analyse (par exemple, ponctualité-qualité, qualité-durabilité, etc.)