IA pour améliorer la transparence des chaînes d’approvisionnement

Le monde des affaires moderne évolue constamment et pose aux entreprises de nouveaux défis. Les possibilités d’apprentissage automatique (AA) et d’intelligence artificielle (IA) pour optimiser les processus et les chaînes d’approvisionnement sont de plus en plus mises en avant. Différents cas d’utilisation montrent déjà comment cette technologie innovante peut entraîner des changements transformateurs.

Par : Robert Zehentbauer

(Munich) Dans quelle mesure les possibilités prometteuses offertes par l’apprentissage automatique (AA) peuvent-elles réellement être mises en œuvre ? Et quels avantages en découlent pour les chaînes d’approvisionnement ?

Suivi intelligent des emplacements

Les géofences agissent comme une barrière virtuelle qui déclenche un ping immédiat dès qu’une personne ou un véhicule les traverse. Ils permettent une visibilité en temps réel et des jalons plus précis pour le transport de marchandises par camions. Cependant, l’échelle à des milliers d’emplacements s’avère être un défi, ce qui peut conduire à des limites de géofences inexactes. Par exemple, il peut arriver qu’une zone circulaire autour d’une adresse chevauche des installations voisines ou des routes de transit. Ces inexactitudes peuvent entraîner des résultats erronés et des conséquences graves, comme l’arrêt prématuré du suivi, des horaires d’arrivée incorrects, des rendez-vous manqués et des réorganisations nécessaires.

L’utilisation de l’apprentissage automatique représente un progrès significatif dans l’amélioration des géofences, générant ainsi des informations logistiques plus précises et donc extrêmement précieuses. De plus petits géofences sont automatiquement créés, basés sur des pings réels et tenant compte des mouvements caractéristiques des véhicules à partir de données historiques. Cette approche permet un ajustement efficace du géofence et réduit les limitations précédentes.

Planification logistique grâce à des prévisions ETA précises

ETA (temps estimé d’arrivée) désigne l’heure d’arrivée prévue d’un moyen de transport à destination dans les conditions données. Cependant, les heures d’arrivée prévues sont rarement précises et sont donc considérées comme peu fiables. Une planification proactive est donc difficile, surtout lorsque l’expéditeur ne peut pas faire confiance aux heures d’arrivée indiquées. Des indications de temps précises sont nécessaires dans le secteur de la logistique, même si elles se révèlent complexes.

Les transporteurs ne fournissent souvent pas de valeurs ETA mises à jour en continu, ce qui entraîne souvent des fenêtres de rendez-vous manquées. Le temps de trajet d’un envoi est généralement prévisible, mais d’autres facteurs entraînent souvent des retards et des ETA inexactes, comme la durée de séjour dans l’entrepôt et un comportement de conduite imprévisible. Cependant, l’utilisation de l’apprentissage automatique permet d’atteindre une prévision précise du temps d’arrivée estimé des camions. Grâce à l’entraînement de l’AA avec des milliards de points de données provenant de millions de livraisons de camions, des ETA plus précises et fiables sont possibles.

Pour permettre aux expéditeurs d’obtenir des informations plus complètes, les modèles d’apprentissage automatique intègrent diverses variables telles que le comportement des conducteurs, les fluctuations saisonnières et les caractéristiques des véhicules et des chargements. Pendant le transport, une mise à jour dynamique continue des valeurs ETA a lieu. Comparé aux fenêtres de rendez-vous et aux horaires statiques, ce modèle peut identifier les retards avec précision et réduire le taux d’erreur de plus de 60 %. Cela souligne l’efficacité de l’approche AA pour une planification logistique plus précise et efficace.

Collecte accélérée grâce à des jalons en temps réel

La détection fiable des jalons en temps réel représente un défi central, en particulier dans le transport maritime. Elle est cruciale pour les décisions stratégiques et le suivi des performances. En intégrant l’apprentissage automatique dans les processus, il est possible d’identifier des points d’accostage précis pour des ports et terminaux maritimes significatifs. Une vue d’ensemble des jalons est assurée par l’intégration de ces informations avec des données de suivi par satellite.

L’identification de ces jalons se fait en temps réel à l’aide de géofences et de données de suivi GPS. Alternativement, le jalon de départ peut être identifié lorsque le navire quitte le géofence. Cette approche innovante est en moyenne environ quatre fois plus rapide que d’attendre un événement signalé par le transporteur. Cela permet un suivi accéléré et plus précis dans le transport maritime.

ETAs optimisés pour une planification optimisée

La fiabilité des heures d’arrivée prévues est d’une grande importance dans le transport maritime. Au cours des trois dernières années, le paysage du transport de conteneurs a rapidement changé, accompagné de nombreuses perturbations et pannes. Ces évolutions dynamiques compliquent l’adaptation continue et représentent un défi supplémentaire pour la fourniture précise d’ETAs exacts. Même en cas de perturbations moins graves, les ETAs signalés par les transporteurs se révèlent peu fiables, surtout à des moments critiques comme des retards de livraison importants.

La gestion des défis dans le transport maritime nécessite des ETAs fiables et exploitables. Ici, l’apprentissage automatique révolutionne la précision, l’exhaustivité et la praticabilité des heures d’arrivée prévues dans le transport maritime. Par exemple, il est possible d’identifier les retards en moyenne une semaine plus tôt que ce qui est généralement rapporté par les compagnies maritimes. Cela aide les expéditeurs à prendre des mesures appropriées pour optimiser leur chaîne d’approvisionnement à un stade précoce. Alors que les transporteurs indiquent généralement uniquement l’heure d’arrivée du navire, l’AA ouvre également une perspective élargie. L’utilisation de cette technologie permet non seulement de prédire avec précision l’heure d’arrivée d’un navire, mais fournit également des informations précieuses sur la libération du conteneur du navire.

Des ETAs fiables vont au-delà de la simple indication du transporteur. Elles prennent en compte divers facteurs tels que les horaires, les transbordements de conteneurs, les temps de transit des itinéraires, les charges portuaires ainsi que les caractéristiques spécifiques du navire et du conteneur. Pour garantir que les données les plus récentes et les plus pertinentes soient toujours disponibles, l’algorithme sous-jacent fait l’objet d’améliorations et d’ajustements continus. Ces ajustements dynamiques se font en fonction de l’endroit où se trouve le conteneur dans son voyage, garantissant ainsi une prévision optimale et précise.

Apprentissage automatique : transparence et importance au premier plan

Au cours des dernières années, l’importance de l’intelligence artificielle et de l’apprentissage automatique a considérablement augmenté. De nombreuses promesses grandioses concernant le potentiel de ces technologies ont circulé dans les médias. Cependant, les quatre cas d’utilisation mentionnés ci-dessus montrent que l’apprentissage automatique n’est pas seulement un mot à la mode, mais a des impacts concrets et significatifs. Les possibilités qui en découlent permettent de prendre des décisions stratégiques et d’améliorer durablement l’ensemble de la chaîne d’approvisionnement.

Robert Zehentbauer est Vice-Président Régional de la région DACH chez project44. Il possède une expertise approfondie en tant qu’expert en ventes et logistique et peut se prévaloir de plus de trois décennies d’expérience dans les domaines de la logistique, des logiciels et des technologies de l’information. Sa carrière comprend des postes significatifs chez Kühne + Nagel, Siemens Information Systems ainsi que dans des entreprises américaines de premier plan dans le domaine des logiciels logistiques et de la chaîne d’approvisionnement, telles que JDA Technologies, Descartes et i2 Technologies.

www.project44.de

Photos : © Loginfo24/project44