Actualités et ressources

Cette vidéo a été enregistrée lors de la conférence ALL IN 2023. Notre conseillère scientifique Emma Frejinger se penche sur l’utilisation de l’intelligence artificielle pour résoudre des problèmes de prise de décision complexes en particulier dans les domaines du transport, de la logistique et de la gestion de la chaîne d’approvisionnement.

Points clés de la vidéo

• Pensez à un problème important au sein de votre organisation. Il peut s’agir, par exemple, d’utiliser des capteurs pour améliorer votre processus d’inspection, d’avoir recours à l’apprentissage automatique pour prédire vos besoins de maintenance, puis de planifier cette maintenance. Ou encore, on peut penser à des problématiques relatives aux achats, à la gestion d’inventaire, aux problèmes de tournées de véhicules, ou encore à la gestion de la flotte par exemple.

• Il y a probablement des aspects du problème que vous ne maîtrisez pas parfaitement et pour lesquels vous auriez besoin de prédictions. Lorsque nous parlons de transport, de logistique et de gestion de la chaîne d’approvisionnement, la demande est souvent perçue comme l’un des principaux facteurs d’incertitude, mais cela peut aussi concerner des éléments comme les coûts ou les défaillances d’équipement.

• Actuellement dans le domaine de l’IA, la combinaison de données de haute qualité, d’algorithmes très performants et d’une puissance de calcul massive permettent d’atteindre des performances élevées grâce à l’apprentissage automatique et de résoudre des problèmes d’optimisation difficiles, tels que la gestion de la flotte dans l’industrie ferroviaire, lorsqu’il faut tenir compte chaque semaine de milliers de locomotives circulant sur des milliers de trains par exemple.

• Ces dernières décennies, nous avons constaté des accélérations algorithmiques d’un facteur de l’ordre de
  265 000. Si nous ajoutons à cela la puissance de calcul, nous obtenons des accélérations de l’ordre du milliard! Ainsi, des problèmes qui auraient pris des années à résoudre il y a quelques décennies peuvent désormais être résolus en moins d’une seconde. Le potentiel de ces avancées technologiques est considérable et fréquemment utilisé dans l’industrie, par exemple pour résoudre des problèmes de planification et de routage.

• Les problèmes de prédiction et d’optimisation sont souvent traités séparément. Lorsqu’il s’agit de prévoir la demande, nous utiliserions des algorithmes d’apprentissage automatique très performants. Puis, nous aurions recours à un algorithme d’optimisation qui se baserait sur des prédictions ponctuelles pour suggérer une solution à un problème de prise de décision. L’enjeu principal, c’est qu’il y a toujours un certain degré d’incertitude autour de ces prédictions. C’est pourquoi la caractérisation de l’incertitude est si importante et fait l’objet de recherches actives.  

• L’objectif n’est pas seulement d’obtenir les meilleures prévisions possibles, mais aussi de définir l’incertitude qui entoure ces prévisions et d’évaluer son impact sur le problème décisionnel dont il est question. La question que nous devrions nous poser n’est donc pas de savoir si notre niveau de précision est suffisamment bon, mais plutôt si l’information que nos algorithmes de prédiction produisent pour résoudre le problème de prise de décision est pertinente. 

• Pour y parvenir, nous devons associer l’optimisation et l’apprentissage automatique. Dans cette optique, nous ne considérons donc pas la tâche reliée à la prédiction indépendamment de l’enjeu d’optimisation. Pour obtenir le meilleur résultat possible, nous les abordons conjointement tout en reconnaissant qu’il y a de l’incertitude et en visant des solutions interprétables par l’humain qui tiennent compte de la perception du risque par les décideurs.