Le Machine Learning en optimisation de tournées, la promesse d’une amélioration continue
- 2 août 2020
- 4 mins
[RAPPORT]
Intelligence Artificielle en logistique : 6 exemples d’applications
Le Machine Learning est une discipline du domaine de l’intelligence artificielle qui permet à des algorithmes d’apprendre d’un ensemble de données afin d’améliorer leur capacité à résoudre une problématique sans que cela ne soit directement programmé.
Généralement, une phase d’apprentissage conçoit un modèle mathématique à partir de données puis le modèle ainsi déterminé est appliqué aux données à traiter. La magie du Machine Learning vient de sa capacité à “apprendre continuellement” sur de nouvelles données entrantes, ce qui permet aux systèmes conçus avec de telles technologies de s’améliorer au fil du temps.
Vous l’avez compris, un point à ne pas négliger quand on parle de Machine Learning est la donnée. Par nature, la performance du Machine Learning est très dépendante des volumes de données disponibles. C’est aussi pour cette raison qu’il est souvent associé au fameux “Big Data” qui permet de stocker et de rendre accessible de gros volumes de données.
Dans le cas de la Supply Chain, les technologies utilisant le Machine Learning se démocratisent. Elles permettent déjà de résoudre des problèmes de prévision de la demande, de gestion des stocks, de déplacement de robots au sein d’un entrepôt ou encore de maintenance prédictive des machines (grâce à l’IoT).
Chez Kardinal, nous utilisons le Machine Learning dans notre technologie d’optimisation de tournées dans le but 1) d’affiner nos prédictions grâce aux données collectées sur le terrain, 2) d’identifier des problèmes qui se posent et d’en estimer les conséquences.
Le Machine Learning pour fournir des tournées de plus en plus fiables et performantes
La solution d’optimisation de tournées Kardinal recalcule en temps réel les tournées pour les adapter en fonction des aléas rencontrés en cours de route. Les données du terrain sont ainsi récoltées puis mises en regard de variables dites explicatives pour construire des modèles prédictifs des informations qui nous intéressent. Au fur et à mesure des jours, l’accumulation de data permet de construire des modèles de plus en plus précis et d’adapter les prochains calculs de tournées pour rendre ces dernières de plus en plus fiables.
#Exemple 1 : un transporteur livre des colis en B2B et B2C et les durées de livraison sont très différentes en fonction du point à livrer :
- Le système Kardinal récolte les temps de trajet, les temps d’arrivée et de départ sur chaque point via l’application mobile des chauffeurs.
- Dans un second temps, ces données sont confrontées aux variables qui peuvent avoir un impact sur la variable à prédire (ici le temps passé sur chaque point) : ces variables sont par exemple la taille du colis, son poids, l’étage à livrer, la zone dans laquelle se trouve l’adresse, le type de client, et même le client lui même si c’est un client récurrent.
- Les algorithmes de Machine Learning identifient automatiquement des patterns aboutissant à un modèle prédictif de “la durée de livraison”
- Les algorithmes deviennent capable de prédire la “durée de livraison”, ce qui permet de définir une durée adaptée à chaque point dans les prochaines optimisations de tournées (au lieu d’appliquer une valeur moyenne identique sur tous les points comme c’est le cas dans les solutions standards)
- Enfin, plus les données en provenance du terrain s’accumulent, plus l’information sur la “durée de la livraison” sera précise et fiable, permettant une amélioration continue des tournées au fil du temps.
#Exemple 2 : un transporteur spécialiste du vrac est confronté à des temps d’attente sur site de chargement et de déchargement :
- De la même façon que pour le cas d’usage précédent, le système récolte les temps de chargement, déchargement, attente sur chaque site via l’application de ses chauffeurs
- Ces informations sont confrontées à des variables prédictives telles que : le volume à collecter, le volume à décharger, l’heure de passage sur le site, le type de site, le site lui-même.
- Les algorithmes apprennent de ces données pour identifier des patterns lui permettant de prévoir que sur le site X, le temps d’attente pour chargement est n fois plus long quand il est réalisé le lundi entre telle heure et telle heure.
- Dans les prochaines optimisations de tournées, les algorithmes tiendront compte de ces tendances pour éviter les engorgements sur site par exemple.
Solution d'optimisation de tournées en continu
Le Machine Learning pour identifier les problèmes qui se posent sur le terrain
Une autre manière d’exploiter ces modèles d’apprentissage est l’identification statistique d'”outliers”, ou donnée aberrante. Ces cas sont détectés quand les écarts sont importants entre la donnée prédite par l’algorithme et ce qui est finalement réalisé.
Pour le transport de vrac, cela permet par exemple de détecter un site de déchargement sur lequel les camions mettent toujours beaucoup de temps à livrer. Ces informations sont bien sûr souvent déjà connues par les chauffeurs eux-mêmes grâce à leur expérience du terrain mais ils ne sont généralement pas en mesure :
- de mettre des chiffres sur ces informations (combien de temps passé en plus ? à quelle fréquence cela se produit ?)
- d’estimer quelles en sont les conséquences : quelle perte de temps (et donc de productivité pour la tournée) ? Quelle dégradation de service pour les clients d’après, etc.
Ces informations sont stockées et peuvent être exploitées pour engager des discussions avec certains clients quand les problèmes sont détectés de façon récurrente. Si le système que nous venons de présenter ne permet pas d’identifier l’origine des problèmes (pourquoi il est toujours plus long de livrer ce client/cette zone), il permet toutefois d’identifier les vrais points de douleur rencontrés sur le terrain et de déclencher d’éventuels ré-organisations / adaptations opérationnelles.
Conclusion
Le Machine Learning est une technologie qui a le vent en poupe depuis plusieurs années et qu’il ne faut pas confondre avec les technologies d’optimisation mathématique.
Néanmoins, sur le dernier kilomètre, les deux approches sont particulièrement complémentaires, car l’optimisation de tournées, en ce qu’elle permet de collecter la donnée de manière indirecte, et le Machine Learning, en ce qu’il permet de l’exploiter, permettent une véritable amélioration continue du système dans le temps long.
Que ce soit par l’amélioration de l’optimisation elle-même, mais également par l’éclairage sur des problèmes difficiles à identifier dans les données, le Machine Learning offre aux utilisateurs de Kardinal la capacité à s’adapter aux changements de fond de leur activité, en plus de la réactivité quotidienne qu’offre l’optimisation seule.
Retrouvez plus d’informations sur le sujet dans notre vidéo « Comment mener un projet d’IA en industrie ? »
