L'IA dans l'intralogistique : l'avantage pour le client est décisif - Entreprises de logistique

Helmut Prieschenk de Witron (photo) et Franziskos Kyriakopoulos, fondateur de 7LYTIX de Linz, en Autriche, ont discuté de ChatGPT, de l'apprentissage automatique dans la logistique et de la prévision de la demande pour les détaillants alimentaires. Les deux sont d'accord - la technologie IA offre un large éventail de potentiels d'optimisation pour optimiser les processus dans le centre de distribution ainsi que l'ensemble de la chaîne d'approvisionnement. Mais la haute qualité des données n'est pas le seul facteur crucial. Les expériences des personnes et les exigences des consommateurs sont tout aussi importantes pour les modèles de données.

"Et puis du jour au lendemain, tout le monde était un influenceur de l'IA", a plaisanté Prieschenk, directeur général de Witron. Il voulait parler d'IA industrielle, de prévision de la demande et un peu de ChatGPT. Kyriakopoulos et son équipe développent des solutions d'apprentissage automatique pour le secteur de la vente au détail et de l'industrie. Il est physicien, tandis que Prieschenk est mathématicien. "C'est un mélange dangereux." Prieschenk a averti. « Bien sûr, nous avons déjà traité des LLM (Large Language Models) chez Witron. Cependant, je demanderais une certaine sérénité. Le monde ne s'arrêtera pas grâce à leur utilisation - et nous vérifions en permanence si ces outils sont adaptés pour aider raisonnablement nos clients ou nos développeurs dans la mise en œuvre des exigences concrètes des clients.

Kyriakopoulos a accepté, mais décrit déjà les applications. "Les LLM sont bons pour traiter les séquences - commandes, débits, ventes ou communications avec les clients. Cela peut également être utilisé dans l'intra-logistique. Il y a beaucoup de battage médiatique, beaucoup d'influenceurs courent partout pour répandre des demi-vérités. Witron en a déjà fait l'expérience, dit Prieschenk. Les concurrents du système OPM annonçaient l'IA dans l'algorithme d'empilement. « Mais les résultats ne peuvent pas battre les fonctionnalités de notre Witron OPM. Ceux-ci n'ont pas été développés avec l'IA, mais avec beaucoup d'intelligence humaine, basée sur un développement logiciel solide, une communication intensive avec les utilisateurs et des années d'expérience pratique. Nous devons toujours adopter une approche sobre. Nos clients ne recherchent fondamentalement pas un nouvel outil. Ils ont un problème et ont besoin d'une solution de travail qui optimise le processus logistique dans le centre de distribution ou dans la chaîne d'approvisionnement, qui fonctionne de manière stable dans la pratique et qui peut être utilement intégrée dans une structure développée. »

Mais cette sobriété ne nous freine-t-elle pas en Allemagne et en Europe ? « J'ai certainement besoin d'un retour sur investissement », souligne fortement Prieschenk. "Les développeurs LLM ont un taux de consommation de 500 millions de dollars par an et ont besoin de quelques milliards supplémentaires", a déclaré Kyriakopoulos. "Ce serait inconcevable en Allemagne ou en Autriche."

Prenons-nous trop peu de risques ? Prieschenk est sceptique. "Je ne pense pas. Quand je regarde les investissements dans le Q-commerce, par exemple, j'ai le vertige. C'est là que beaucoup d'investisseurs ont pris un risque total. Mais le marché s'est développé dans une direction complètement différente. Les taux de croissance prévus ne sont pas apparus. En attendant, la consolidation est en cours. Les investisseurs sont passés à autre chose. Nos détaillants veulent l'IA et investissent dans la technologie. Mais nous et nos clients avons besoin d'outils d'IA, tels que l'identification d'échantillons ou d'images, qui soient transparents pour résoudre ensuite des problèmes que nous ne pouvions pas résoudre auparavant ou que nous ne pouvions résoudre qu'avec beaucoup d'efforts.

Les développeurs de 7LYTIX travaillent avec des LLM, mais l'accent est mis sur la prévision de la demande. « Nous pouvons apporter des valeurs ajoutées, mais certaines entreprises ne comprennent souvent pas au départ quelle sera la valeur ajoutée du modèle. Plus de ventes grâce à une meilleure communication avec le client ou des ventes perdues ? Beaucoup de gens ne peuvent pas calculer cela. C'est là qu'ils ont besoin de notre aide », a déclaré Kyriakopoulos. Prieschenk ajoute : « Nos clients Witron savent très bien calculer et ont perfectionné leur activité au fil des décennies. Mais je comprends ce que M. Kyriakopoulos veut dire : Premièrement, nous devons clarifier ce qui doit être optimisé. Les détaillants se demandent s'ils veulent optimiser le réseau de la chaîne d'approvisionnement, la entrepôt taille, s'ils veulent être plus proches du client, réduire les délais de traitement, modifier les cycles de livraison, réduire le gaspillage alimentaire et les ruptures de stock, ou avoir moins de stock dans l'entrepôt. À cet égard, nous avons beaucoup appris avec nos clients de différentes parties du monde. Nous avons également appris que les exigences pour les jours fériés en Finlande sont différentes de celles des États-Unis, ou qu'un lundi a des exigences différentes d'un jeudi. Kyriakopoulos est d'accord. "Nous avons d'abord besoin d'une exigence, puis d'un outil d'IA correspondant. Et nous n'avons pas besoin d'un apprentissage en profondeur complet.

Quelle est la précision requise ?

Comment fonctionne sa prévision de la demande ? « Premièrement, nous devons obtenir une vue d'ensemble des données. C'est un travail laborieux pour de nombreux détaillants. Il ne s'agit pas seulement de marchandises stockées, mais aussi de la quantité de marchandises dans le magasin, de la quantité vendue, des facteurs d'influence tels que les promotions, du nombre de ventes perdues dans le magasin et bien plus encore », a expliqué Kyriakopoulos. De plus, il y a les cartes clients, les saisons, l'emplacement du magasin ou les offres spéciales. « Et nous devons savoir ce qu'il y a dans le centre de distribution, dans l'arrière-boutique du magasin, dans les camions sur la route, car l'optimisation ne s'arrête pas au magasin. Il est également important d'éviter les restrictions interentreprises ou interdivisions ainsi que les lacs de données. Une grande partie des données requises est pour la plupart connue, mais différents départements poursuivent malheureusement des intérêts différents. Prieschenk a convenu : « Même une conception logistique holistique ne doit pas se concentrer uniquement sur le centre de distribution ou les intérêts clés des zones logistiques individuelles, ou des départements influençant les processus tels que les achats ou l'expédition. Il est important d'inclure l'ensemble de la chaîne d'approvisionnement dans le processus d'optimisation - tant en interne qu'en externe - et d'éviter autant que possible les silos, tant sur le plan physique qu'informatique.

"Les données circulent dans des modèles très simples", a poursuivi Kyriakopoulos. « La base, ce sont les expériences des gens. Ce n'est pas encore de l'IA. On parle de régressions. Ensuite, nous nous demandons si nous sommes devenus meilleurs. Viennent ensuite des analyses de séries chronologiques et les premières méthodes d'apprentissage automatique. Nous devons toujours examiner la précision que nous pouvons atteindre au niveau suivant par rapport à la valeur ajoutée pour le client et l'utilisateur. »

Et Witron ? « Nous devons nous assurer que la mécanique correspond au modèle. Parce que la physique doit fonctionner de la même manière. Fournissons-nous des caisses ou des pièces? Ou un article avec les deux options ? À quelle fréquence un magasin est-il livré ? Que se passe-t-il lorsque la gamme de produits change ? » répondit Prieschenk. VITRON les centres logistiques créent de la flexibilité tant pour le magasin que pour le e-commerce. La clé d'une mise en œuvre réussie, cependant, est de penser le processus à l'envers sur tous les canaux - du consommateur au centre de distribution et, si nécessaire, encore plus loin, jusqu'au fournisseur. Il voit un défi en particulier dans l'explicabilité du modèle. « Nous expérimentons des systèmes push et pull avec nos clients. Certains fonctionnent mieux que d'autres. »

Les responsables de magasin laisseront-ils un modèle d'IA spécifier leurs commandes à l'avenir ? Kyriakopoulos connaît l'argument de l'industrie de la mode. « Si quelqu'un y fait ses courses depuis 20 ans, il est difficile d'expliquer immédiatement la valeur ajoutée ou de convaincre le consommateur que ce modèle pourrait être meilleur. Mais nous le rendons transparent - nous disons quels facteurs nous utilisons, comment nous les pondérons et où le facteur respectif s'applique.

L'être humain a le contrôle

Les experts autrichiens peuvent envisager 18 mois dans l'avenir. Ils utilisent des interfaces pour connecter le modèle aux systèmes existants du détaillant, du fabricant d'acier ou du détaillant de chaussures. "Je ne veux pas tout démolir pour utiliser un modèle d'IA", s'amuse Kyriakopoulos. "C'est la bonne voie - l'intégration dans les architectures existantes", a confirmé Prieschenk.

Mais quelle est la robustesse du modèle ? Mot clé : Covid 19. "Nous n'avons pas pu voir cela non plus", a expliqué l'expert autrichien. « À l'époque, nous travaillions avec le modèle de la logistique du surgelé. Les prévisions à court terme n'étaient pas bonnes au début, mais après une semaine, le modèle a de nouveau fonctionné. Au bout de deux semaines, c'était stable. Mais les prévisions seules ne suffisent pas. Le client doit travailler avec, par exemple renforcer les canaux de commercialisation, organiser des promotions ou ajuster les prix, si nécessaire. »

"C'est crucial", a déclaré Prieschenk. « C'est à ce moment que les gens prennent le contrôle. Ne sous-estimez jamais le sentiment instinctif d'un responsable logistique, d'un technicien de service ou d'un exploitant de magasin. Les expériences des gens et un modèle de données qui fonctionne bien sont la base pour prendre des décisions intelligentes, c'est-à-dire les bonnes décisions à long terme. Dans le centre de distribution, cela s'applique également à la mise en œuvre de stratégies de maintenance ou au « bon fonctionnement » du système. Et surtout, les modèles, outils et solutions doivent être stables et faire leurs preuves dans la pratique, apportant de réelles valeurs ajoutées dans les affaires quotidiennes.

L'IA fournit des informations, la personne responsable décide et continue d'avoir le contrôle sur le processus. « Nous avons révolutionné la physique du centre logistique il y a plus de 20 ans. Avec la solution OPM, nous avons réussi à ce que les marchandises soient automatiquement empilées sur des palettes et des conteneurs roulants sans erreur et de manière conviviale pour le magasin. Nous passons maintenant à l'étape suivante et optons pour des modèles de données et de logistique de bout en bout. Et je suis sûr que je vais encore expérimenter un modèle d'IA Witron de bout en bout pour l'entrepôt », a prédit Prieschenk.