La vie dans l’univers du numérique

Pouvoir du Big Data et apprentissage automatique appliqué à la logistique

Gay Sutton fait le tri entre battage publicitaire et fausses hypothèses autour du Big Data, de l’intelligence artificielle et de l’apprentissage automatique, pour découvrir comment la multitude de données produites continuellement sur la toile est canalisée pour améliorer la gestion des prestations logistiques et de la supply chain.

La numérisation, qui touche quasiment tous les aspects de la vie humaine, a parfois tendance à nous donner l’impression de vivre dans un monde virtuel, dans lequel les relations humaines, les achats et les plaisirs sont générés en ligne et non plus en face à face. Cette tendance a provoqué la création d’un écrasant déluge de données.

Depuis de nombreuses années, les données produites sur le point de vente sont utilisées pour améliorer les prévisions, optimiser les prestations logistiques et la supply chain. Des sommes colossales sont désormais investies dans la technologie du système de positionnement global ou GPS et l’identification par radiofréquence ou RFID, pour assurer le suivi des produits, des processus et des livraisons. Sur les machines, des capteurs et webcams surveillent les véhicules de transport et les équipements de production, permettant à la maintenance prédictive d’en améliorer la fiabilité. Mais tous ces progrès n’égratignent même pas la surface de l’iceberg des données.

Un vaste volume de données est désormais produit par nos habitudes de navigation et d’achat en ligne, mais aussi par des sources de données non structurées comme les appareils photos et vidéos de surveillance, les images et publications sur les médias sociaux etc., etc.

Notre nouveau monde

Avant, la perspective de devoir analyser cette énorme production  permanente de données nous aurait fait froid dans le dos. Mais plus maintenant.

« Nous constatons d’énormes progrès en termes de puissance de calcul depuis quelques années et sommes désormais en mesure de traiter ces vastes quantités de données, de manière beaucoup plus rentable et utiles, explique Andrew Fowkes, Head of Retail Centre of Excellence de la société d’analyse SAS. Aujourd’hui, les séries d’analyses qui, il y a seulement quelques années, auraient pris plusieurs jours, peuvent être exécutées en une poignée de secondes. »

Et comme ces analyses peuvent être exécutées dans le Cloud, les énormes investissements dans le stockage de données en interne et la puissance de calcul sont de moins en moins nécessaires. L’utilisation des logiciels peut être intensifiée ou réduite dans le Cloud, en fonction des besoins de l’entreprise. Au fur et à mesure que la technologie acquière de la maturité, les sociétés vont pouvoir accéder à des analyses d’excellente qualité, tous types et tailles de demandeurs confondus.

Le commerce de détail est un excellent exemple de secteur bénéficiant déjà d’améliorations dans ce domaine. Autrefois, les sources aux points de vente généraient de vastes quantités de données à analyser en séries chronologiques (ordre de synchronisation). Aujourd’hui, une multitude d’autres données peut être prise en compte, comme les phénomènes météorologiques, le trafic de navigation, ce que font vos concurrents et les attributs uniques de chaque produit, de chaque lieu voire même de chaque client (voir l’encadré). Il s’agit principalement de données textuelles. Leurs durées d’applicabilité peut varier. Elles peuvent aussi être impactées par d’autres facteurs contextuels constatés sur les marchés, comme les promotions et la mode. Mais alors comment les analyses actuelles peuvent-elles combiner ces variables gênantes et en tirer un sens utile ?

Avec la machine intelligente

« Nous y parvenons et en tirons des prévisions de la demande beaucoup plus précises en associant un modèle d’apprentissage automatique sur un ou  plusieurs produits, à une approche basée sur des séries chronologiques », explique Andrew.

Les entreprises peuvent exploiter les traces laissées en ligne par les clients pour marquer leurs historiques de navigation et d’achat, lesquels peuvent même inclure des produits ajoutés au panier, mais pas achetés et qui constituent un indicateur subtil des goûts et de la demande. « Il ne s’agit donc plus de supposer les raisons pour lesquelles les ventes se comportent d’une manière ou d’une autre. Vous procurez à la machine des données pratiquement en temps réel, elle exploite le flot continu de données et d’autres attributs, pour déterminer ce qui se passe et pourquoi. »

Il en résulte des prévisions beaucoup plus fiables, qui peuvent ensuite être propagées sur toute la supply chain, pour aboutir à l’amélioration des commandes de matériaux, des niveaux de production, de traitement des commandes et par extension, à l’optimisation des stocks et des mécanismes de traitement.

Les chiffres cités par Andrew sont impressionnants. « Certains de nos clients ont déployé des modèles d’apprentissage automatique et constaté des améliorations de l’ordre de 3 à 10 % de l’exactitude de leurs prévisions de stocks. Ces pourcentages représentent d’énormes économies en termes de livraison des bons volumes de marchandises aux bons endroits et d’éradication des stocks redondants. »

L’un des principaux atouts de l’apprentissage automatique est… l’apprentissage. Une fois déployées, les machines s’auto-programment et s’améliorent constamment. C’est ainsi que, par exemple, elles déterminent comment apprécier et évaluer l’influence de divers éléments de données, comme les attributs de produit, puis continuent d’affiner leurs connaissances et d’améliorer les performances. Et si un être humain intervient pour remplacer une prévision, la machine l’apprend et en tient compte également. « Nous constatons à quel point les machines elles-mêmes peuvent évaluer efficacement l’interaction humaine, puis appliquer leurs conclusions dans le contexte de situations ultérieures. Autrement dit, elles s’auto-corrigent. »

« Les nouveaux modèles de prévisions peuvent apporter une chose totalement inédite : une prévision réellement solide relative à un nouveau produit sans aucun historique de vente préalable. Voilà une nouvelle stimulante pour n’importe quelle entreprise. »

Dans le pipeline

Ce nouvel univers évolue rapidement et le pipeline est plein de promesses de progrès. La vision par ordinateur est déjà une réalité fonctionnelle. Elle exploite l’apprentissage automatique pour reconnaître et analyser automatiquement des images numériques, sur la base desquelles elle prend ses décisions. Sur une chaîne de production par exemple, elle reconnaît les anomalies sur le produit et décide, instantanément, si la pièce défectueuse doit être retirée de la chaîne, rejetée ou réparée. Et si un être humain intervient pour changer cette décision, la machine en tire la leçon afin de prendre une décision plus judicieuse la prochaine fois. Dans le secteur de la logistique, DHL a mis au point une application de vision par ordinateur pour optimiser le chargement des avions et des camions, par la reconnaissance des caractéristiques des colis pour décider de la meilleure façon de les empiler.

Le concept de l’analyse de la publication des images de médias sociaux, pour apprendre l’évolution des goûts des clients et des tendances afin d’en tenir compte dans la prévision de la demande, est un domaine encore plus prometteur. Les commentaires sur Twitter par exemple, expriment souvent des réactions à un produit ou à un événement. Les images sur Instagram, quant à elles, peuvent servir à identifier des tendances. Quelles couleurs et quels styles de vêtements les gens portent-ils surtout ? Quels aliments sont-ils prêts à essayer ? Les options sont illimitées et les données collectées sont inestimables pour la fiabilité des prévisions. Elles peuvent aussi être intégrées à d’autres applications. Par exemple, il serait question de surveiller l’Internet et les médias sociaux, pour détecter les indices d’une perturbation du cycle de livraison et faire en sorte que le fonctionnement normal du service puisse être très rapidement rétabli.

« Nous avons dépassé le battage relatif à l’intelligence artificielle et comprenons que l’apprentissage automatique est plutôt pratique » déclare Andrew. Et au fur et à mesure que les machines apprennent, des capacités encore plus prometteuses apparaissent. « Les nouveaux modèles de prévisions peuvent apporter une chose totalement inédite : une prévision réellement solide relative à un nouveau produit sans aucun historique de vente préalable. Voilà une nouvelle stimulante pour n’importe quelle entreprise. Elle élimine la conjecture et vous n’avez plus à prédire la demande en l’attribuant à un autre produit et en espérant que tout se passera comme vous le voulez. »

Et demain ?

Nous arrivons à un moment intéressant de l’évolution de cette technologie, mais comme le remarque Andrew, « comme c’est le cas de la plupart des choses à ce stade de leur cycle, il nous paraîtra bientôt tout à fait normal d’utiliser toutes les données à notre portée. Et au lieu d’évaluer les données dans leur forme brute puis de les stocker en lieu sûr à des fins d’exploitation ultérieure, un nombre croissant d’organisations laisseront tout bonnement les données couler à flot. Les algorithmes d’apprentissage automatique peuvent les évaluer pratiquement en temps réel, d’où des résultats beaucoup plus fiables et immédiats.

Pour conclure, « dans la mesure où les machines auront été étudiées pour anticiper nos désirs, nous pourrons bientôt dire : « nous vous enverrons le produit avant même que vous ne l’ayez commandé. Et je pense que nous y parviendrons. »