IA dans l'intra-logistique - c'est le bénéfice pour le client qui compte !

Les deux sont d'accord : La technologie IA offre un potentiel d'optimisation multiple - pour l'optimisation des processus dans les centres de distribution ainsi que pour l'ensemble de la chaîne logistique. Mais ce n'est pas seulement la haute qualité de données qui est décisive. Il y a aussi les expériences des hommes et les exigences des consommateurs qui ne doivent pas être négligées dans les modèles de données.

« Du jour au lendemain, chacun est devenu influenceur IA », plaisante Helmut Prieschenk, directeur de WITRON, lors de l'entretien précédant l'enregistrement du podcast avec Franziskos Kyriakopoulos, fondateur de 7LYTIX à Linz, à propos des réseaux sociaux et de l'engouement qui s'y est propagé pour le Large Language Model ChatGPT. Avec le fondateur, M. Prieschenk voudrait discuter de Industrial AI, Demand Forecasting et « un peu » de ChatGPT. Kyriakopoulos et son équipe développent des solutions Machine Learning pour le commerce et l'industrie. L'Autrichien est physicien et M. Prieschenk est mathématicien. « C'est un mélange dangereux », M. Prieschenk en avertit en rigolant. « Cela va sans dire que nous nous sommes déjà penchés sur les LLM (Large Language Models). Tout de même, je plaide pour faire preuve de sérénité. Leur usage ne ferait pas périr le monde - ce que nous faisons c'est vérifier sans cesse si de tels utilitaires sont susceptibles d'aider nos clients ou nos développeurs à réaliser les exigences des clients », explique-t-il.

Il faut d'un RSI

Franziskos Kyriakopoulos est d'accord avec lui, mais il réfléchit déjà à leur utilisation à l'avenir. « Les LLM sont doués pour traiter les séquences - commandes, prélèvements, chiffres d'affaires ou communication de client. Ce qui peut également être utilisé dans l'intra-logistique. » Mais il donne gain de cause à M. Prieschenk. « L'engouement est immense, il y a beaucoup d'influenceurs qui répandent des demi-vérités. » WITRON en a des histoires à raconter. Les concurrents du système OPM mettent en avant l'IA dans l'algorithme d'empilement. « Mais leurs résultats n'atteignent guère les fonctionnalités de nos systèmes OPM de WITRON. Ceux-ci ont été développés, sans aide d'IA, mais avec plein d'intelligence humaine, basant sur un travail logiciel propre et artisanal, une communication intense avec les utilisateurs et une expérience datant des années. Il ne faut pas s'emballer en abordant les choses. À l'origine, nos clients ne sont pas à la recherche d'un nouvel « utilitaire », ils ont plutôt un problème qu'ils cherchent à résoudre par l'optimisation du processus logistique dans le centre de distribution ou dans la chaîne logistique, un fonctionnement bien huilé et son intégration judicieuse dans une structure développée. »

Mais cette sobriété, ne nous la handicape pas en Allemagne et en Europe ? « Ce dont j'ai besoin c'est un RSI », souligne avec véhémence M. Prieschenk. « Les développeurs de LLM ont un « burn rate » de 500 millions de dollars US par an et ils nécessitent encore quelques milliards », raconte M. Kyriakopoulos. « Cela serait impensable en Allemagne ou chez nous en Autriche. »

Ne prenons-nous pas assez de risques ? M. Prieschenk est sceptique. « Je ne le trouve pas. Quand je regarde par exemple les investissements dans le « quick-commerce », j'ai la tête qui tourne. Il y a beaucoup d'investisseurs qui ont risqué beaucoup. Mais le marché a évolué dans une tout autre direction. Les taux de croissance prévus n'ont pas été atteints. Entre-temps, une consolidation a eu lieu. Les investisseurs se sont tournés vers d'autres choses. Nos détaillants veulent l'IA, ils font des investissements dans la technologie. Mais il nous faut, de même à nos clients, des utilitaires IA tels que l'analyse d'images et la reconnaissance des formes qui sont transparentes afin de résoudre des problèmes qui n'ont pas pu être résolus auparavant ou seulement avec un très grand effort. »

Les développeurs chez 7LYTIX se servent des LLM, mais ils mettent l'accent sur la prévision de la demande. « Nous sommes à même de fournir des valeurs ajoutées, mais il y a des entreprises qui, au début, ne comprennent pas ce que ce sera la valeur ajoutée d'un modèle. Plus de chiffres d'affaires grâce à une meilleure communication avec le client ou des pertes de vente ? Il y a beaucoup qui ne savent pas les calculer. C'est pourquoi ils nécessitent notre soutient », dit M. Kyriakopoulos. M. Prieschenk ajoute : « Nos clients de WITRON savent très bien calculer et ils ont perfectionné leurs affaires pendant des décennies. Mais je comprends ce que M. Kyriakopoulos veut dire : Tout d'abord il faut être clair de la direction dans laquelle l'optimisation doit se tourner. Le détaillant se demande s'il veut optimiser le réseau de la chaîne logistique, la taille de l'entrepôt, veut-il être plus proche du client, réduire les temps de cycle, modifier les cycles de livraison, réduire le gaspillage alimentaire et la rupture de stock ou veut-il avoir moins de stock dans son entrepôt. À ce sujet, nous avons beaucoup appris par nos clients des quatre coins du monde. Nous avons également appris que les exigences des jours fériés en Finlande sont différentes de celles des jours fériés aux États-Unis, ou que les exigences d'un lundi sont différentes de celles d'un jeudi. » M. Kyriakopoulos en est d'accord. « D'abord, nous nécessitons une exigence et puis, l'utilitaire IA. Et le « Deep learning » n'est pas nécessaire partout. »

Combien de précision faut-il ?

Comment sa prévision de la demande fonctionne-t-elle ? « Au début, nous devons nous faire une idée d'ensemble des données. C'est un travail pénible pour beaucoup d'entreprises commerciales. Il ne s'agit pas seulement des marchandises en stock, mais aussi de la quantité de marchandises dans les magasins, de la quantité vendue, des facteurs d'influence tels que les promos, de la quantité des pertes de vente dans les magasins et de beaucoup d'autres choses », explique Franziskos Kyriakopoulos. Ils s'y ajoutent les cartes de fidélité, les saisons, l'emplacement du magasin ou des promos. « Et il faut savoir ce qu'il y a dans le centre de distribution, dans l'arrière-salle du magasin, dans les camions sur la route, car l'optimisation ne s'arrête pas au magasin. De même, il faut éviter des restrictions à l'échelle du groupe ou du département ainsi que des lacs de données. Dans la plupart du temps, les données sont connues en majeure partie, mais malheureusement les intérêts des différents départements sont divergents. » Helmut Prieschenk en est d'accord : « Même une planification logistique globale ne peut pas seulement prendre en considération le centre de distribution ou les intérêts-clé de certaines zones logistiques ou les départements influant le processus tels que l'achat ou l'expédition. Dans le processus d'optimisation, il faut prendre en compte l'ensemble de la chaîne logistique - à l'interne aussi bien qu'à l'externe - et il faut éviter les silos autant que possible, tant sur le plan physique qu'informatique. »

« Les données alimentent des modèles très simples », continue M. Kyriakopoulos. « Les expériences des hommes sont leur fondement. Ce n'est pas encore l'IA. Nous parlons de régressions. Puis nous nous demandons si nous sommes devenus plus performants. Il y aura des séries temporelles, des premières méthodes d'apprentissage automatique. Il faut toujours garder à l'esprit le degré de précision que nous atteindrons par la prochaine étape et quelle sera la valeur ajoutée pour le client et l'utilisateur. »

Et WITRON ? « Il faut faire attention que la mécanique va avec le modèle. Car la physique, elle aussi, doit fonctionner. Est-ce que je fournis des produits en caisse ou par pièce ? Ou même dans les deux variantes ? À quelle fréquence un magasin est-il livré ? Que se passera-t-il quand la gamme de produits change ? »

Les centres logistiques de WITRON créent de la flexibilité, pas seulement pour le magasin, mais aussi pour le commerce en ligne. Pour une mise en œuvre réussie, il est toutefois décisif de penser le processus à l'envers, tous canaux compris, du consommateur au centre de distribution et, le cas échéant, encore plus loin, jusqu'au fournisseur. Il voit surtout un défi dans le fait que le modèle soit explicable. « Ce que nous vivons chez nos clients, ce sont des systèmes « Push » et « Pull ». Les uns fonctionnent mieux que les autres. »

À l'avenir, un directeur de magasin laissera-t-il un modèle d'IA lui dicter ses commandes ? Kyriakopoulos connait cet argument de l'industrie de la mode. « Il sera difficile d'expliquer la valeur ajoutée à une personne qui s'occupe de l'achat depuis 20 ans ou de la convaincre que le modèle travaille peut-être mieux. Mais nous le faisons de manière transparente, quels sont les facteurs que nous utilisons, comment nous les pondérons et dans quelle direction chaque facteur exerce-t-il une pression. »

L'homme reste maître

Les Autrichiens peuvent se projeter 18 mois dans l'avenir. Par des interfaces, le modèle sera raccordé au système du détaillant, du fabricant d'acier ou du commerçant de chaussures. « Je ne veux pas tout détruire, seulement pour utiliser un modèle IA », rigole M. Kyriakopoulos. « C'est la bonne route - l'intégration dans une architecture existante », confirme M. Prieschenk.

Mais quelle robustesse le modèle présente-t-il ? Mot-clé : Covid19. « C'est une chose que nous n'avons pas pu prévoir », déclare l'Autrichien. « À cette époque, nous avions implanté le modèle dans la logistique surgelée. La prévision à court terme n'était pas bonne au début, mais au bout d'une semaine, le modèle avait retrouvé sa performance. Au bout de deux semaines, il a été stable. Mais la prévision seule ne suffit pas. Le client y recourt afin de, par exemple, renforcer les canaux de marketing, de faire des promotions ou, le cas échéant, d'adapter les prix. »

C'est décisif, dit M. Prischenk. « Puis, c'est l'homme qui s'en charge. Ne sous-estimez jamais l'intuition d'un responsable de la logistique, d'un technicien de service ou d'un gérant de magasin. Les valeurs empiriques des hommes et un modèle de données qui fonctionne bien forment la base pour prendre à long terme des décisions intelligentes, à savoir les bonnes décisions. Ceci vaut également dans le centre de distribution en ce qui concerne la réalisation des stratégies de maintenance ou « l'exploitation correcte » de l'installation. Et ce qui est important, c'est que les modèles, les utilitaires, les solutions doivent être robustes et faire leurs preuves dans la pratique, apporter une réelle valeur ajoutée dans les activités quotidiennes. »

L'IA fournit des informations, le responsable prend les décisions et il reste maître du processus. « Il y a 20 ans, nous avons révolutionné la physique dans le centre logistique. Grâce à notre solution OPM, nous avons réussi à préparer des palettes et roco sans fautes et favorables au point de vente. Actuellement, nous procédons à la prochaine étape et nous misons sur des données et des modèles logistiques « End-to-End ». Et j'en suis sûr que je vivrai chez WITRON un modèle IA « End-to-End » pour le centre de distribution », prédit M. Prieschenk.

Dans le podcast, M. Kyriakopoulos et M. Prieschenk discutent dans quelle mesure les modèles IA changeront la logistique, l'évolution de la technologie et les points dont ils n'étaient pas d'accord.