L’utilisation de la Data pour l’IA Supply Chain : facteur clé de succès

Les outils équipés d’IA permettent désormais d’affiner les prévisions logistiques et améliorer le processus de prise de décision grâce à un traitement efficient de l’information. Cependant, pour que cela fonctionne, les acteurs doivent alimenter l’intelligence artificielle avec des données pertinentes. Voici les points essentiels pour faire de l’IA Supply Chain un facteur de succès de votre organisation.

Qu’est-ce qu’une donnée exploitable par l’IA Supply Chain ?

Les intelligences artificielles sont de plus en plus performantes, toutefois, elles ne sont pas capables de faire preuve de « bon sens ». Autrement dit, si elles peuvent tirer des conclusions à partir des données qui leur sont fournies, elles ne savent pas faire la distinction entre les informations utiles et les autres.

Aussi est-il nécessaire de nourrir l’outil avec de la data :

• triée ;

• ordonnée ;

• transférable efficacement ;

• adéquate face à un besoin métier.

Dans un premier temps, cela passe par un travail d’ingénierie de la donnée. Cette dernière se place dans un environnement technique spécifique, où l’on va pouvoir la sélectionner selon sa pertinence et la structurer de manière appropriée.

Ces manipulations préalables impliquent la conception d’un procédé permettant un transfert optimal des données d’un écosystème à l’autre. Notons que la bonne exécution du transfert d’informations (de façon performante et résiliente) est la condition sine qua non pour obtenir un résultat de la part de l’IA. Si les informations n’atteignent pas leur destination de manière fiable, cela compromet la réalisation des calculs, privant ainsi l’utilisateur des conclusions attendues.

L’évaluation de la pertinence de la data, quant à elle, s’effectue dans une logique de réponse à une problématique métier. Dans cette optique, on ne gardera donc que les données nécessaires pour produire la solution-métier désirée.

Pour résumer, la qualité et la structuration de la data fournie à l’intelligence artificielle pèsent plus dans la balance que sa quantité.

« La performance a un coût, explique Isabelle Badoc, Product Marketing Director chez Generix Group. Plus l’algorithme est nourri avec des données bien pensées pour arriver à l’objectif, moins il sera nécessaire de mettre des ressources importantes derrière. Et c’est meilleur pour l’environnement ! »

Comment bien alimenter l’intelligence artificielle avec des données logistiques ?

Les sources d’informations qui peuvent nourrir l’intelligence artificielle orientée Supply Chain sont multiples. Par exemple, dans le cas d’un entrepôt équipé d’un WMS (Warehouse Management System), les renseignements présents dans cet outil pourront être exploités facilement. En effet, ils sont structurés, globalement fiables et n’auront donc pas besoin d’un travail d’ingénierie trop complexe.

Les opérations des utilisateurs intégrées au système informatique constituent une autre source cruciale de données. Celles-ci sont générées au cours des différents process logistiques et sont particulièrement représentatives de la réalité du terrain. En alimentant les algorithmes, elles offrent alors une base solide pour des prises de décision opérationnelles plus efficaces.

Enfin, l’éditeur de solution doit bien entendu prendre en compte les données issues des échanges avec son client :

• Quelles sont les problématiques métiers auxquelles l’outil doit répondre ?

• Quelles sont les spécificités de l’entreprise et de son organisation ?

• Quels sont les besoins particuliers des parties prenantes (internes comme externes) ?

Par quels biais les services logistiques peuvent-ils intégrer l’IA ?

Selon les entreprises et leurs attentes, on retrouve deux principaux courants.

Certaines organisations vont préférer créer leur propre solution en interne. Elles vont alors investir dans des data scientists et constituer des équipes dédiées à l’IA Supply Chain. Dans ces équipes, les data engineers vont notamment avoir le rôle d’architectes.

Leur objectif ? Bâtir un applicatif basé sur l’intelligence artificielle avec des algorithmes développés sur-mesure. Pour que cette internalisation de la conception de la solution fonctionne, il faudra également impliquer des spécialistes-métier pour une compréhension approfondie des besoins.

Généralement, l’application est testée progressivement jusqu’à son adoption par les utilisateurs finaux. Il s’agit donc d’une mise en œuvre longue et parfois complexe.

« Pour aider les utilisateurs à comprendre les procédés derrière la prise de décision de l’IA, nous devons être en mesure de décrire les éléments utilisés par l’algorithme »

De l’autre côté du prisme, certaines entreprises optent pour l’achat de solutions clé en main intégrant l’IA. C’est par exemple le cas du RMS proposé par Generix Group qui se sert de l’IA comme instrument de performance.

Cette option permet de bénéficier d’un outil construit sur les bonnes pratiques sectorielles. D’autre part, l’aspect modulaire de ces programmes garantit une personnalisation et une adaptation aux contraintes et spécificités de l’organisation. Les algorithmes sur-mesure sont souvent utilisés dans une phase exploratoire, facilitant l’initiation du projet.

Bon à savoir : d’un point de vue de la responsabilité et des coûts d’exploitation, les services basés sur l’IA encapsulée dans des logiciels (ou offres SaaS) présentent l’avantage d’être opérés par l’éditeur.

➡ Pour aller plus loin, découvrez aussi notre solution WMS pour gérer vos entrepôts de manière optimale.