Comment l'intelligence artificielle transforme la logistique

L’intelligence artificielle ouvre des perspectives sans précédent dans le domaine de la logistique et de la gestion de la chaîne d’approvisionnement. Cependant, de nombreuses organisations ne savent toujours pas comment la mettre en œuvre au mieux. 

« L’IA est une cible mouvante », a déclaré Chris Caplice , directeur exécutif du Centre de transport et de logistique du MIT . « Elle n’est pas statique ; elle est ambitieuse, car ce qui était considéré comme de l’IA il y a 30 ans – voire même il y a 20 ans – n’est plus considéré comme de l’IA de pointe. C’est toujours quelque chose qui dépasse notre portée. » 

Lorsqu'ils réfléchissent à la manière de mettre en œuvre l'IA, les gestionnaires doivent comprendre comment différentes approches analytiques, telles que l'IA traditionnelle, l'IA générative et la recherche opérationnelle, fonctionnent ensemble, a déclaré Caplice lors d'un récent webinaire organisé par MIT Sloan Management Review. 

Chris Caplice et Lior Ron , fondateur et PDG d'Uber Freight, ont discuté des outils d'analyse utilisés dans la gestion de la chaîne d'approvisionnement, des problèmes logistiques que l'IA peut aider à résoudre et d'autres avantages managériaux de l'utilisation de l'IA dans la logistique.  

Comprendre les différents outils d'analyse 

Il est utile de considérer l’évolution de l’IA dans la logistique dans le contexte d’autres outils, a déclaré Chris Caplice. L’IA traditionnelle analyse les données pour accomplir des tâches spécifiques. L’IA générative utilise de grands modèles de langage pour mettre quelque chose en contexte, le résumer et générer un nouveau contenu. La recherche opérationnelle utilise des méthodes scientifiques pour étudier les systèmes qui nécessitent une prise de décision humaine, en utilisant des approches telles que la programmation linéaire et les modèles de réseau.

En logistique, ces méthodes sont complémentaires et n'ont pas besoin de se remplacer, assure Chris Caplice. La recherche opérationnelle combinée à l'IA, par exemple, fonctionne bien dans de nombreux cas. 

Résoudre les défis logistiques grâce à l'IA

Selon Lior Ron, les technologies d'intelligence artificielle sont sur le point de résoudre de nombreux défis rencontrés dans le domaine de la logistique. Il s'agit notamment de : 

• Chaînes d’approvisionnement fragmentées et nécessité de connecter les réseaux pour optimiser et générer de meilleurs résultats. 
   
• Volatilité du marché, notamment changements de prix et perturbations des services. 
   
• Préoccupations en matière de sécurité, notamment celles liées à la COVID-19, à la sécurité des conducteurs et à la fraude numérique. 
   
• L’impact du camionnage et du fret sur le changement climatique.

Des innovations visant à résoudre certains de ces problèmes sont en train d’émerger. Par exemple, Uber Freight a utilisé l’apprentissage automatique pour mettre au point un système de tarification algorithmique pour les transporteurs, qui garantit aux transporteurs des prix garantis à l’avance pour le transport routier et le fret. « En examinant des centaines de paramètres différents, nous avons pu rendre [ce modèle] suffisamment précis pour introduire un marché désormais débarrassé de toutes les frictions, de toutes les suppositions et de tous les allers-retours [liés] à l’estimation du prix du transport routier », a déclaré Ron.

Uber Freight utilise également l’apprentissage automatique pour gérer le routage des véhicules, un problème complexe qui consiste à déterminer l’itinéraire le plus efficace pour qu’un véhicule livre des marchandises à un ensemble de lieux. Aux États-Unis, les camions sont en moyenne à 30 % vides , ce qui représente une perte de temps et de carburant et entraîne des émissions de carbone inutiles. En concevant de manière algorithmique l’itinéraire optimal pour le chauffeur de camion, l’entreprise a pu réduire le nombre de kilomètres parcourus à vide de 10 à 15 %. 

Uber Freight n’est pas la seule entreprise à appliquer la technologie au routage des véhicules. À plus petite échelle, les entreprises ont généralement recours à la recherche opérationnelle et à la résolution humaine des problèmes pour minimiser le temps, le coût et la distance du transport par camion et du fret. À plus grande échelle, avec des itinéraires plus complexes et des facteurs supplémentaires, la recherche opérationnelle et la résolution humaine des problèmes ne suffisent plus. 

Pour relever ce défi, le laboratoire des systèmes logistiques intelligents du MIT combine l’IA traditionnelle, l’IA générative et la recherche opérationnelle pour améliorer les résultats de routage. « Nous constatons qu’au début, l’IA joue un rôle secondaire, mais à mesure que nous avançons, nous commençons à la voir jouer un rôle plus important », précise Chris Caplice. « À terme, nous aimerions voir l’IA générative prendre le relais et résoudre des parties plus importantes de ce problème. » 

4 bénéfices managériaux de l'IA générative en logistique

L’utilisation des approches classiques de recherche opérationnelle dans la logistique présente des limites, lance Chris Caplice. Chaque fois que des complications apparaissent (par exemple, des fenêtres temporelles, des tailles de rues et des capacités de camions différentes), les algorithmes traditionnels doivent être modifiés. L’IA générative peut généraliser ces informations et éviter le recours à de nouveaux algorithmes. 

En conséquence, ces technologies surpassent les méthodes classiques pour résoudre les problèmes logistiques de plus grande ampleur, a déclaré Caplice. Et ces technologies présentent également d’autres avantages en termes de gestion :

• Les modèles d'IA surpassent systématiquement leurs données d'entraînement, ce qui signifie qu'ils fonctionnent mieux avec des données nouvelles et inédites qu'avec celles utilisées pendant le processus d'entraînement. Cela signifie que les organisations n'ont pas besoin d'un ensemble parfait d'itinéraires vérifiés par les conducteurs, met en exergue Chris Caplice. « C'est un gain de temps vraiment appréciable, car cela signifie que vous n'avez pas besoin de générer de données spéciales », a-t-il déclaré.
• Grâce à une formation continue, les modèles apprendront automatiquement de meilleures politiques de routage. Si une politique change, par exemple, le modèle le détectera, éliminant ainsi le besoin d'algorithmes spécialisés. 
• Les modèles d’IA éliminent le besoin d’algorithmes adaptés à des tailles et des caractéristiques de problèmes spécifiques, en particulier lorsque différentes caractéristiques entrent en jeu.
• Les modèles d’IA se généralisent bien à des problèmes jusqu’alors inédits, tels que les capacités des véhicules.

« L’apprentissage automatique, l’IA et l’IA générative adoptent cette approche de modèle de langage à grande échelle et résolvent ce qui a été résolu assez bien par la recherche opérationnelle – mais de manière plus rapide, plus complète et en résolvant des fonctions objectives non traditionnelles », conclut Chris Caplice. « Nous voyons ici de nombreuses opportunités et les recherches exploratoires se poursuivent. »

https://mitsloan.mit.edu/ideas-made-to-matter/how-artificial-intelligence-transforming-logistics