[RAPPORT]
Intelligence Artificielle en logistique : 6 exemples d’applications
Selon Gartner, 50% des organisations Supply Chain investiront dans des technologies prenant en charge l’IA et des capacités d’analyse avancées d’ici 2024.
La pandémie COVID-19 a en effet amplifié la nécessité pour les acteurs de la chaîne d’approvisionnement de mettre en place des outils qui les aident à prendre très rapidement de meilleures décisions. C’est pourquoi la tendance chez ces acteurs va très largement à l’accélération de la mise en place de technologies avancées, telle que l’IA, pour explorer les vastes quantités de données qu’ils génèrent, et ce afin de mieux comprendre et prédire au plus juste leur activité.
Les projets de digitalisation impliquant de l’IA, bien qu’à fort potentiel, comportent toutefois toujours une part de risque qu’il faut savoir gérer. En particulier parce qu’ils peuvent devenir un gouffre financier si le projet a été mal préparé, nombre de ces projets n’aboutissent pas aux résultats escomptés.
Pour quelles raisons ? Un projet d’IA est-il un projet comme un autre ? Quels sont les risques dont il faut avoir conscience avant de se lancer ? Et comment les anticiper ?
Dans cet article, qui fait suite à notre précédent article “IA en Logistique : 6 exemples d’applications concrètes”, nous décrivons les prérequis et la méthode qui nous parait la plus adaptée pour mener un projet de mise en place d’un outil utilisant l’IA en entreprise.
Les pré-requis à l'utilisation d'outil d'IA en entreprise
1. Choisir le bon cas d'usage
Les technologies d’Intelligence Artificielle sont aujourd’hui un sujet tendance auquel il ne faut pas céder pour les mauvaises raisons. La pression du marché pousse aujourd’hui de nombreux industriels à se doter de technologies d’IA pour rester compétitifs. Si pour certaines cas d’usages, l’utilisation de l’IA est nécessaire, ce niveau de technologie n’est pas toujours utile. Avant de s’engager dans un processus d’IA (qui peut être très lourd), il est donc toujours nécessaire de se poser la question de sa pertinence dans le cas précis que l’on souhaite adresser et des gains qu’elle va apporter.
J'ai assisté à la mise en place d'un projet d'une entreprise qui souhaitait digitaliser la prévision de volumes et de production notamment afin d'anticiper son futur chiffre d'affaires. En engageant beaucoup de temps et d'argent, elle a mobilisé des techniques assez avancées de Deep Learning et de prévisions probabilistes (Probabilistic forecasting) pour des résultats améliorés d'à peine 1%.
La valeur ajoutée de l’IA, dans ce cas précis, est assez limitée. Le contrôleur de gestion était d’ailleurs satisfait du niveau de précision qu’il arrivait à atteindre sans l’outil pour ses besoins. L’enjeu est donc de s’assurer que l’Intelligence Artificielle est adaptée au problème à résoudre afin d’éviter d’engager beaucoup de ressources pour un retour sur investissement minimé.
Quoi qu’il en soit, la bonne approche reste d’identifier le ou les cas d’usages à résoudre puis de chercher quelles technologies peuvent y répondre et non l’inverse, c’est à dire chercher à tout prix à appliquer dans son entreprise une technologie d’IA parce que la méthode fait le buzz ou est utilisée dans son secteur.
2. Disposer d'une data de qualité
La donnée est au coeur des technologies d’Intelligence Artificielle. Sans données de qualité, un projet d’IA est voué à l’échec. Certaines entreprises ont un vrai cas d’usage à résoudre et souhaitent s’engager dans ce type de projet mais ne possèdent pas les données nécessaires, voire disposent de données incomplètes, non structurées et donc inexploitables. Mettre en place des bases de données n’est pas suffisant pour avoir des données de bonne qualité.
Il y a souvent un écart important entre la réalité du terrain et la data stockée en base de données. Dans la plupart des cas, ce sont les opérationnels qui saisissent à la main ces données. Ils doivent donc être sensibilisés à l’importance de bien saisir les données qu’ils collectent : chaque adresse, chaque poids mesuré, chaque dimension doit être relevé et indiqué dans le système. Cela implique un changement dans les usages assez important qu’il faut anticiper, notamment auprès des équipes terrain. Cela nécessite également une organisation différente, voire la création de rôles dédiés à cette fonction spécifique afin de maintenir la qualité des données dans le temps.
Les risques des projets d'IA en entreprise
1. Reproduire des biais humains
La mise en place d’un projet d’IA nécessite parfois l’utilisation de techniques telles que le Machine Learning ou le Deep Learning qui s’appuyent sur des données historiques afin de consolider leur compréhension de l’activité du terrain. Parmi ces données, certaines peuvent contenir des erreurs ou biais humains que la machine peut reproduire, comme ce fut le cas pour le chatbot créé par Microsoft.
Ce compte Twitter alimenté par une Intelligence Artificielle était censé pouvoir discuter avec les internautes en se basant sur des données publiquement accessibles ainsi que des réponses préalablement rédigées par les équipes de Microsoft. En quelques heures seulement, le compte est devenu raciste et misogyne, tenant des propos qui ont choqué le monde entier.
En logistique, les temps d’intervention calculés peuvent être basés sur des données erronnées. Par exemple, la machine détecte qu’une livraison spécifique dure systématiquement 10 minutes alors que les autres en nécessitent 5. Ce que la machine ignore, c’est que dans ces 10 minutes, le chauffeur a l’habitude de prendre une pause pour boire un café à proximité avec son client. La machine n’a pas les bonnes informations pour analyser la situation et parfaire sa compréhension.
2. Rater sa conduite du changement
La conduite du changement est la cause principale d’échec d’un projet d’IA. En effet, ce type de projet engendre inévitablement une évolution de l’organisation du travail des équipes. Cela peut créer de l’interrogation voire du rejet de la part des collaborateurs qui voient en la machine une menace potentielle pour leur emploi. Il convient alors de garder l’humain au cœur des process. Chez Kardinal, nous nous attachons à tracer au plus juste la ligne entre l’Homme et la Machine dans la conception de nos solutions.
Retrouvez notre article sur la place de l’Humain dans les solutions d’IA pour l’industrie.
La meilleure stratégie est de déléguer à la machine les calculs complexes et l’apprentissage automatique des données historiques afin d’aider l’humain dans sa prise de décision et lui permettre de se concentrer sur des missions à plus forte valeur ajoutée (telles que la relation client, la gestion des hommes, les choix relevants de la connaissance du terrain et les prises de décision stratégiques). L’Intelligence Artificielle n’est donc pas là pour remplacer l’humain mais plutôt l’assister dans ses tâches et augmenter la valeur de son travail.
Il est très important d’axer le projet dans cette direction et d’associer les experts métier, indispensables à sa réussite, et ce, dès le début du projet. Le projet sera plus rapidement accepté si tous les collaborateurs en perçoivent les avantages et les bénéfices (par exemple : leur quotidien facilité grâce à l’IA, la capacité à délivrer de meilleures performances). La mise en place d’un projet d’IA pouvant engendrer quelques contraintes (être plus rigoureux sur la collecte et la saisie de données de qualité par exemple), il est primordial de démontrer que l’outil va solutionner d’autres problèmes prioritaires.
3. Choisir un outil non adapté
L’une des problématiques de la mise en place d’un projet d’IA est d’être mal accompagné et de ne pas disposer du bon outil ou de la bonne approche. Il n’est d’ailleurs pas aisé de s’y retrouver parmi tous les acteurs sur le marché qui proposent des solutions d’Intelligence Artificielle. Certains ont leur propre vocabulaire très technique qui peut être confusant pour les experts métier. L’enjeu est donc de s’associer à un prestataire qui parle votre langage et comprend votre problématique. S’il ne comprend pas bien votre problème, il ne pourra pas être en capacité d’y répondre. Quand cela est possible, tester en amont et en situation réelle la solution proposée permet de se rendre compte très rapidement de la pertinence de celle-ci. Pour mener à bien un projet d’IA, il est nécessaire de s’appuyer sur la connaissance et l’expertise métier des hommes. C’est d’abord à l’IA de s’adapter au terrain et non pas l’inverse.
Quel mode projet pour mettre en place un outil d'IA en entreprise ?
1. Ne pas se lancer dans un Big Bang IT
Un projet d’IA est parfois associé à une refonte importante du système d’information. Certaines entreprises peuvent être tentées de réaliser un “Big Bang IT”, c’est-à-dire de repartir de zéro en bouleversant complètement l’organisation en place. Cette stratégie n’est pourtant pas la plus optimale. Au regard du chantier colossal engendré par ce type de pratique, les collaborateurs vont être plus enclins à se désintéresser du projet, notamment parce que les bénéfices réels peuvent mettre un certain temps à être visibles. La fatigue induite inévitablement par les nouveaux process de collecte de données mis en oeuvre va se faire sentir, entraînant une baisse de la qualité de la donnée.
2. Impliquer les collaborateurs
Privilégier, au début, des projets à itération très courte délivrant rapidement de la valeur permet d’embarquer plus facilement les équipes dans les contraintes ajoutées par ce type de projet. En étant capable de démontrer au plus vite les bénéfices de l’outil, les collaborateurs seront davantage motivés à participer au développement du projet et en comprendront mieux l’utilité. Par exemple, collecter de façon qualitative les adresses permet de disposer d’un meilleur géocodage et génère donc moins d’erreurs de livraison et moins de temps perdu. Ce type de résultats concrets appliqués au terrain démontre aux équipes l’intérêt de l’outil et met en valeur leur rôle dans le projet : grâce à leur saisie de données de qualité, les performances se révèlent bien meilleures.
3. Commencer petit pour tenir la distance
Notre recommandation est donc de travailler par cycle plutôt que d’engager des changements colossaux, longs et coûteux. La meilleure façon de tester la pertinence de son projet est de le mettre en place pas à pas en commençant par des petits cas d’usage réalisables dans des temps très courts, au budget limité et composés d’une équipe projet restreinte. En démontrant localement que le projet amène de la valeur, il peut être, par la suite, déployé à plus grande échelle. Pour cela, il est nécessaire d’avoir réfléchi en amont à la mesure de cette valeur.
Il sera par ailleurs possible d’utiliser la réussite de ce projet local, en s’appuyant sur le retour d’expérience positif de personnes au contact de l’outil sur le terrain, afin de démontrer l’intérêt de généraliser l’outil à tous les cas d’usage. Ce fonctionnement en spirale consiste à réaliser des itérations très courtes sur de petits projets d’IA peut-être moins ambitieux mais qui délivrent rapidement un retour sur investissement (ROI). Cela permet, par la suite, d’enchaîner sur des cycles plus longs et plus ambitieux. La culture du changement se fait de manière plus apaisée en acculturant progressivement les collaborateurs à cette nouvelle façon de travailler, notamment en logistique où les méthodes de travail peuvent être encore assez artisanales.
Pour conclure : y a-t-il un projet d'IA ?
Voici les questions qu’il est nécessaire de se poser avant de se lancer dans un processus de digitalisation en interne :
Pour mettre en place un projet d’IA, il faut donc :
- Etre confronté à une problématique où la technologie peut apporter de la valeur,
- Avoir identifié que l’IA est vraiment la solution à cette problématique
- Disposer de données suffisantes et surtout de qualité
- De s’assurer d’avoir les moyens de mener une conduite du changement
Retrouvez plus d’informations sur le sujet dans notre vidéo « Comment optimiser la Logistique avec l’Intelligence Artificielle ? »
