Services de livraisons en tous genres, transport de marchandises, la logistique représente un enjeu important depuis l’avènement du e-commerce. Lors de cette conférence, Cédric, co-fondateur @ Citodi nous parle des possibilités qu’offre l’intelligence artificielle pour optimiser toutes ces chaînes, et des parts que l’humain et la machine doivent prendre des ces processus décisionnels. Vous trouverez les slides du workshop ici.
La décision grâce à l'IA
Un enjeu déterminant dans tout ce processus est de placer le curseur dans la prise de décision entre l’humain et la machine.
Dans ces problématiques, le rôle de l’intelligence artificielle et de ses algorithmes sera d’aider à la décision humaine, et non pas pour l’homme de suivre à la lettre les recommandations de la machine.
C’est cette définition d’une stratégie, d’un arbitrage qui sera propre à l’homme. Par exemple, dans la logistique et dans le secteur tertiaire, une qualité de service sera bien trop importante aux yeux de toute entreprise pour ne pas être gérée par l’humain.
L'optimisation de tournée en théorie
Là où la machine et ses algorithmes réalisent des choses bien trop complexes pour l’humain, sera le calcul et le traitement de grand nombres. Dans le logistique, lorsque chaque créneau de livraison est déterminé à l’avance par le client, les points à visiter se comptent par milliers, les problèmes de traffic plus ou moins anticipables, les horaires de centaines de chauffeurs différents, les contraintes deviennent nombreuses.
La prise de décision doit pourtant se faire rapidement pour ne pas impacter toute la tournée, et est donc très difficile pour l’homme.
Comment optimiser ? Les 3 grands algorithmes d’optimisation
La programmation mathématique
Va permettre d’écrire sous forme d’équations l’ensemble des possibilités de parcours. Cette possibilité nous donne la preuve mathématique que telle ou telle solution est meilleure que d’autres, mais ne prend pas en compte les imprévus rencontrés sur le terrain
Les métaheuristiques
Regrouper des solutions entre elles pour les optimiser de manière naturelle et n’en sélectionner que les plus optimales. A l’inverse, cet algorithme sort de l’exactitude mathématique mais s’adapte d’autant plus à des problématiques rencontrées sur le terrain, des problématiques métiers.
La théorie des graphes
Permet d’identifier des groupes d’éléments qui sont similaires. En somme, l’optimisation mathématique générée par la machine sera 10% à 40% meilleure qu’un humain, permettant des économie des temps, d’argent, d’émission de CO2 colossales.
L'optimisation de tournée en pratique
L’enjeu du paradigme du chauffeur augmenté est d’optimiser la tournée, en prenant en compte les aléas du terrain, le tout en temps réel. Une relance du calcul permettra de ré-optimiser tout le plan de tournée du chauffeur.
Dans le cadre de la réalisation d’une tournée classique, un algorithme définira un plan de tournée à partir de données d’entrées, bien définies à l’avance.Dans le cadre d’un chauffeur augmenté, cette optimisation se fait en permanence, en prenant en compte divers événements : panne, changement d’adresse, évolution de traffic, nouvelle commandes, ou annulation de commande, client absent.
Ce framework « event responsive » permet en somme de se constituer un plan de tournée efficace.
A noter que la prise de décision finale dans le cadre d’une tournée de livraison sera celle de l’homme, qui donnera d’autres inputs, des inputs que la machine n’aura pas pris en compte.
Par exemple, dans le cadre d’une tournée de chauffeur, l’algorithme pourrait recommander – après avoir optimisé tous les points définis d’une tournée – de finir son parcours à 16h30 devant une école ! Le chauffeur en question ne voudra bien évidemment pas stationner devant un trottoir occupés par parents et enfants à cette heure.
Là est tout l’objet du paradigme du chauffeur augmenté : la recommandation par l’algorithme et la prise de décision par l’expertise métier.
En somme, la représentation du chauffeur augmenté, des enjeux des optimisations faites grâce à l’IA de manière plus générale s’en tiennent à l’arbitrage fait par l’humain, entre « ce qui doit être laissé à faire par la machine et ce qui doit être décidé par l’humaine ».
Dans cette mesure, une IA vraiment utile sur le terrain reste une aide à la décision, avec ses outputs et recommandations, une décision finale prise par l’intelligence humaine.