Machine learning et logistique : applications clés

Avec des Supply Chain de plus en plus complexes et changeantes, les applications du machine learning en logistique s'avèrent être une solution innovante pour améliorer les processus, augmenter la productivité et la compétitivité. Le machine learning ou apprentissage automatique est l'une des disciplines faisant partie des sciences computationnelles aussi connue comme intelligence artificielle (IA).

Le développement de systèmes qui utilisent le machine learning est en plein essor. En 2019, à l'échelle mondiale, les entreprises ont investi 37,5 milliards de dollars dans des logiciels d'apprentissage automatique. Les prévisions de l'International Data Corporation (IDC) indiquent que, pour 2023, ces investissements se multiplieront par 2,5 jusqu'à atteindre 97,9 milliards de dollars. En quoi consiste réellement cette technologie ? Comment cette tendance se reflète-t-elle dans le secteur logistique ? Examinons cela plus en détail.

Qu'est-ce que le machine learning ou l'apprentissage automatique ?

Le machine learning ou l'apprentissage automatique est un nouveau type de computation. Contrairement à la computation traditionnelle qui programment des algorithmes statiques, le machine learning permet de traiter un volume d'informations énorme et d'identifier des modèles. Grâce à la répétition continue de cette analyse, l'algorithme lui-même perfectionne continuellement son fonctionnement jusqu'à l'obtention de résultats de plus en plus précis.

L'apprentissage automatique est une science qui requiert une période d'expérimentation préalable afin de l'appliquer de manière pratique et d'en tirer profit. Il est donc nécessaire de choisir l'algorithme de machine learning adaptée pour chaque cas et de disposer d'une grande quantité de données de qualité pour alimenter et entraîner le système.

Actuellement, la plupart des logiciels dotés d'apprentissage automatique sont développés avec le langage de programmation Python, qui ne cesse de grimper dans l'index TIOBE et occupe déjà la troisième place du classement des langages les plus utilisés au niveau mondial.

À quoi sert le machine learning ?

Le machine learning permet aux machines d'interpréter correctement des données externes, d'apprendre et d'utiliser ces connaissances afin de prendre des décisions et d'accomplir des actions concrètes sans intervention humaine.

Il peut être appliqué à des secteurs très divers, tels que les finances, la santé, le marketing digital ainsi que dans le domaine de l'industrie et dans la gestion de la Supply Chain. D'ailleurs, cette technologie est actuellement le moteur des changements promus par l'industrie 4.0 et la logistique 4.0.

Les types d'algorithmes de machine learning

Il existe différents types d'algorithmes d'apprentissage en fonction des calculs qu'ils effectuent et de la nature de la tâche qu'ils ont à résoudre :

• Apprentissage supervisé : il s'agit du type de machine learning le plus répandu. Ces algorithmes fonctionnent avec des données d'entrée et de sortie classées à l'avance. Par exemple, si l'objectif recherché est qu'il différencie des images de poires et de pommes, le développeur lui montrera sur quelles photos apparaît une poire et sur quelles autres apparaît une pomme. Après avoir analysé des milliers d'exemples étiquetés, l'algorithme apprendra à les différencier.
• Apprentissage non supervisé : ce type d'algorithme ne dispose pas de données d'entrée et de sortie au préalable. Le système doit, sans aide extérieure, analyser l'ensemble des données et essayer de détecter des modèles en se basant sur des similitudes pour les étiqueter.
• Apprentissage par renforcement : il se situe sur un terrain intermédiaire, entre les précédents. Dans ce cas, l'algorithme apprend selon une logique d'essais et erreurs et ajuste son activité de manière dynamique en fonction du feedback qu'il reçoit du monde extérieur.

Dans ce contexte, il est également courant de rencontrer le concept de deep learning. Le principal avantage de ce sous-domaine du machine learning est de donner aux algorithmes la capacité de résoudre des fonctions plus complexes avec moins de données. C'est un modèle qui utilise les réseaux de neurones pour traiter des données structurées dotées de millions de paramètres.

Applications et exemples de machine learning en logistique

Selon la 2020 Global AI Survey de Mckinsey, l'adoption de technologies dotées d'intelligence artificielle dans le secteur de la logistique a augmenté de 64 % par rapport à l'an passé et occupe la quatrième place après l'électronique, le secteur automobile et les télécommunications. Cependant, l'utilisation d'applications dotées de machine learning dans la gestion de processus logistique est encore limitée car il s'agit d'une technologie en plein développement.

Il existe toutefois certains domaines de la logistique où le machine learning fait la différence dans la recherche d'une plus grande rentabilité et efficacité :

- Calcul plus précis des pronostics de demande

La prévision de la demande ou demande forecasting est un domaine dans lequel l'apprentissage automatique est de plus en plus présent. Les algorithmes de machine learning utilisent des modèles statistiques pour analyser et détecter des patrons dans les archives de ventes de l'entreprise. Ils peuvent identifier de cette manière les signaux qui précèdent une baisse ou une hausse de la demande, ce qui permet d'ajuster l'achat de stock.

Dans ce domaine, le machine learning offre l'opportunité de créer des modèles dynamiques desquels déduire des patrons à partir d'archives propres. En outre, ceux-ci parviennent à évoluer au fur et à mesure que de nouvelles variables provenant d'autres sources de données sont incorporées.

- Maintenance préventive avancée des machines

Le progrès du machine learning ne peut être dissocié des améliorations qui se produisent dans le secteur du hardware. D'une part, cela permet de collecter un plus grand volume de données avec des capteurs et des dispositifs IoT intégrés dans les machines et, d'autre part, que ces informations puissent être traitées par des ordinateurs de plus en plus puissants.

Grâce à cette plus grande disponibilité de données pour leur analyse, le machine learning est très utile pour la maintenance préventive des machines. Dans ce sens, le logiciel doté de machine learning identifie les signaux liés à une erreur ou à un dysfonctionnement et prévient à l'avance afin d'éviter que la machine ne tombe en panne.

- Optimisation intelligente des voies de transport

Les nouvelles exigences des clients comme, par exemple, les livraisons pendant des créneaux horaires précis, le retrait personnalisé de colis (faisant généralement partie de la logistique inverse) ou la livraison en 24 heures ou le jour même complique le transport du dernier kilomètre. Il y a de moins en moins de temps pour organiser les itinéraires et de plus en plus de facteurs à prendre en compte.

Le logiciel de machine learning apporte différents avantages dans ce domaine. Par exemple, il aide au calcul des estimations de l'heure d'arrivée en améliorant la traçabilité des colis. Il permet également de traiter un plus grand nombre de flux de données de tiers afin de trouver le chemin le plus rapide en temps réel ou d'éviter retards et interruptions.

- Reconnaissance spatiale et vocale dans l'entrepôt

Les logiciels d'IA utilisent différents types d'apprentissage automatique pour obtenir des modèles qui reproduisent le fonctionnement de nos sens. Les systèmes de vision artificielle, de navigation intelligente ou de reconnaissance vocale utilisent le machine learning pour améliorer leur degré de précision.

Le machine learning fait partie des systèmes de plus en plus implantés dans les entrepôts automatisés. Par exemple, les robots mobiles sont capables de détecter les obstacles qu'ils rencontrent sur le chemin et de réagir de manière autonome. L'apprentissage automatique se retrouve également dans les dispositifs de voice picking qui l'emploient pour reconnaître les commandes des opérateurs lorsqu'ils interagissent avec le système.

- Meilleure gestion du stock avec le machine learning

Le calcul des points de commande est un élément fondamental d'une gestion de stock optimisée : des stocks de sécurité trop élevés augmentent les coûts et, s'ils sont trop faibles, il existe davantage de risques de tomber en ruptures de stock. Comment atteindre un équilibre ? Jusqu'à présent, les équations utilisées présupposent que le comportement de certaines variables reste stable, ce qui ne correspond pas à la réalité.

Par conséquent, le machine learning est utilisé pour analyser les données sans rien considérer comme acquis. Vu que les paramètres de calcul changent sans cesse (demande, lead time, stock disponible, coûts...), les algorithmes adaptent leur fonctionnement de manière automatique et, après avoir répété de maintes fois les calculs, ils montrent de nouveaux patrons qui contribuent à l'optimisation du stock.

Le machine learning en logistique, un outil supplémentaire pour la prise de décisions

Jusqu'il y a peu, pour obtenir une plus grande rentabilité en logistique, il fallait augmenter le volume et profiter des économies d'échelles pour réduire les coûts. Actuellement, cela ne suffit plus : il faut désormais prendre de meilleures décisions plus rapidement.

L'implantation de systèmes automatiques et de logiciel logistique génère une quantité de données massives de grande valeur pour l'entraînement des algorithmes qui utilisent l'apprentissage automatique. Il s'agit d'un scénario propice au développement d'applications de machine learning en logistique, qui gagnera en précision au fur et à mesure qu'augmentent les données recueillies.

En attendant que cette technologie atteigne ce degré de maturité, certaines entreprises exploitent déjà le potentiel des données en installant des systèmes de gestion d'entrepôt, tels qu’Easy WMS, et des modules de traitement des données, comme le Supply Chain Analytics Software. Si vous souhaitez les découvrir, nous vous invitons à nous contacter et l'un de nos spécialistes vous expliquera leurs avantages dans la gestion d'un entrepôt.