Machine Learning et Algorithmes au service du pilotage de la logistique

En annonçant à l’occasion de la publication de ses comptes trimestriels, un stock de vêtements invendus d’une valeur supérieure à 4 milliards de dollars, H&M a pointé du doigt d’une part la complexité croissante de la prévision dans un monde à flux tendus, et d’autre part sa propre incapacité à anticiper correctement les évolutions de son propre marché. Problème de compétence mais sans doute aussi manque de technologies, H&M devient involontairement l’exemple à ne pas suivre pour les fournisseurs de technologies prédictives.
Passant en quelques années d’un seul magasin au cœur de Stockholm à 4700 boutiques dans le monde, de toutes tailles et sur presque tous les continents, H&M faisait face jusqu’à présent à des « problèmes de riche », des problèmes de croissance. La technique du « jusque-là tout va bien » noyait dans la vague de croissance les approximations en matière de prévisions.
Mais, confronté à une baisse de cette croissance, H&M a dû révéler la situation aux analystes et à la presse.

Il faut comprendre que le secteur de la distribution de vêtements en prêt-à-porter doit gérer des cycles longs liés à une production essentiellement centralisée en Asie. Parfois jusqu’à un an s’écoule entre la conception et la vente d’un vêtement.
Pour Manuel Davy, fondateur de Vekia, et spécialiste du Supply Chain Management, d’autres chaînes comme Zara, pourtant sur le même marché, seraient mieux organisées. Zara aurait des cycles de production beaucoup plus courts, peu de stock, et serait un spécialiste de la re-fabrication rapide d’un produit lorsqu’il se vend bien. Une organisation qui lui permettrait de minimiser les risques, et de mieux réagir à l’évolution de la demande.
En outre Zara, comme d’autres concurrents de H&M, auraient une meilleure culture digitale interne. La société travaille depuis plusieurs années avec le renommé MIT aux États-Unis, et a réorganisé en 2009 ses opérations sur la base de ces travaux. Lire à ce propos : Zara Uses Operations Research to Reengineer Its Global Distribution Process
Inditex, la maison mère de Zara, fait ainsi partie du programme Leaders for Global Operations développé par le MIT.

Pour Manuel Davy, l’usage en 2018, du terme « logistique » par une entreprise du secteur de la distribution, est un signe négatif. Afin de mesurer l’empreinte de cette culture digitale dans l’entreprise, il regarde d’abord si la fontion logistique (fonction purement opérationnelle et souvent déconnectée du reste de l’entreprise), est bien devenue le Supply Chain Management, c’est-à-dire une chaîne logistique globale, qui va de la conception aux ventes, en passant par les prévisions. Ce dialogue entre les métiers doit se refléter jusqu’au comité de direction, auquel doit participer le responsable de cette Supply Chain.
Le métier de Vekia est de développer des outils et des services pour mettre l’intelligence artificielle au service de la distribution et de la logistique.
« L’objectif de l’intelligence artificielle est de faire réaliser à la machine des tâches intellectuelles complexes », explique Manuel Davy.
La solution de Vekia automatise des millions de micro-décisions. Elle met en place un pilote automatique qui va évaluer et précalculer, en fonction des nombreuses contraintes décisionnelles, les meilleures décisions logistiques à appliquer.
Vekia utilise pour cela l’apprentissage machine (machine learning), dans sa capacité à généraliser un comportement adapté à des situations nouvelles, non prévues initialement.

Manuel Davy explique en quoi l’apprentissage machine différence de la simple algorithmie. Tout d’abord le système doit être capable de vivre et de travailler avec des données fausses. Impossible de tout arrêter, ou de sortir des décisions erronées, parce que certaines données en entrée sont incorrectes. Collectant les données de différentes sources, dont par exemple des objets connectés, les algorithmes d’apprentissage machine doivent, comme l’Être humain, travailler avec ce qu’ils ont de disponible. Pour résoudre ces problèmes, Manuel Davy et son équipe font appel à de nombreux algorithmes tels que les Modèles de Markov Cachés (Hidden Markov Models), la Régression LASSO, Random Forest, la Modélisation Bayésienne, Support Vector Machines.

L’autre enjeu est d’expliquer. Rappelez-vous, au début des tableurs, les comptables se saisissaient de leur machine à calculer – dans laquelle ils avaient confiance – afin de vérifier les calculs de la « nouvelle technologie » que représentaient les tableurs.
Aujourd’hui, face aux décisions proposées par une intelligence artificielle, le besoin d’explication est aussi important que le besoin de décision. Impossible de faire prendre à l’entreprise des décisions logistiques majeures, sans être capable d’expliquer comment le système les a calculées.
« Malheureusement, les meilleurs algorithmes d’apprentissage profond, de Deep Learning, sont les moins explicables », constate Manuel Davy. Vekia met alors en place d’autres algorithmes, destinés à expliquer les décisions prises par les premiers. Et cette phase d’explication restera sans doute nécessaire dans le futur ; même si elle perdra de son importance au fur et à mesure de la croissance de la confiance envers les décisions automatisées. Il faudra toujours être en mesure d’expliquer, en cas de besoin, comment certains résultats paradoxaux, positifs ou négatifs, ont été calculés par le logiciel.

Aujourd’hui Vekia propose ses solutions principalement dans les secteurs de la distribution et de l’industrie : prévision de la demande, optimisation des stocks, réapprovisionnement automatique des magasins, planification logistique et pilotage des flux. Parmi ses clients figurent des sociétés comme Renault Nissan, Leroy Merlin, Orange.