Réparer la chaîne d’approvisionnement : comment l’IA peut aider et comment elle peut entraver

Au cours des dernières décennies, la mondialisation a amélioré l’efficacité de notre système économique. Les biens, la main-d’œuvre, les ressources naturelles et même les services proviennent désormais de tous les coins du monde et sont livrés presque partout à la vitesse de la lumière.

Dans le même temps, la mondialisation ajoute à la complexité, en termes de nombre de sources, de diversité des systèmes de distribution et d’augmentation des risques réglementaires et géopolitiques. La mondialisation introduit davantage de points de défaillance dans ces processus de livraison, ce qui complique la gestion de la chaîne d’approvisionnement.

Pour relever ces défis, les entreprises se tournent vers l’intelligence artificielle. Dans le traitement des données, l’IA peut prédire la demande future, améliorer l’automatisation et accroître l’efficacité du transport, donnant aux responsables de la chaîne d’approvisionnement une meilleure compréhension et un meilleur contrôle sur chaque aspect de la chaîne. Mais l’IA n’est pas une solution magique et les dirigeants doivent être conscients de ses limites.

Les systèmes logiciels ont aidé à relever certains des défis de notre chaîne d’approvisionnement moderne. Ils automatisent l’approvisionnement, l’achat et la livraison d’actifs du monde entier vers des sites centralisés qui les combinent en produits. De tels systèmes permettent aux entreprises d’envisager un plus large éventail de sources, d’emplacements et d’options de livraison, à un niveau qui dépasse la capacité d’évaluation des humains. L’intelligence artificielle et l’apprentissage automatique améliorent ces systèmes, les rendant plus résilients et adaptables au réseau mondial de relations en constante évolution.

Ces dernières années, cependant, l’économie mondiale a connu de graves perturbations de la chaîne d’approvisionnement. Les tensions politiques, tant régionales que mondiales, ont perturbé la circulation des biens et des services dans le monde, en particulier vers et depuis la Chine et, plus récemment, vers la Russie. Les fermetures liées au COVID-19 ont mis la chaîne d’approvisionnement mondiale à rude épreuve. Si les systèmes de gestion de la chaîne d’approvisionnement ne sont pas en mesure de s’adapter à l’environnement affecté par le COVID, ainsi qu’au paysage géopolitique en constante évolution, l’économie mondiale pourrait faire face à des conséquences désastreuses, notamment une inflation massive, une stagnation économique et des dommages à long terme aux économies régionales. .

Une réponse réside dans les améliorations susmentionnées axées sur l’IA et l’apprentissage automatique des logiciels de gestion de la chaîne d’approvisionnement. L’intelligence artificielle a transformé de nombreuses industries, stimulant l’innovation et l’efficacité en combinant la connaissance du domaine et les données historiques pour éviter les mauvaises décisions et identifier de nouvelles solutions à d’anciens problèmes que les humains sont peu susceptibles de découvrir par eux-mêmes. En gérant la chaîne d’approvisionnement, l’IA peut améliorer le statu quo et rendre les solutions plus dynamiques et adaptables aux conditions changeantes. Cependant, il y a des limites à l’aide que l’IA peut apporter, et l’ampleur des problèmes actuels peut résister aux avantages généralement offerts par les systèmes basés sur les données.

Coup de main

Avant l’existence des systèmes automatisés, la gestion de la chaîne d’approvisionnement était effectuée à l’aide d’outils plus primitifs, guidés par les connaissances, la logique et l’intuition humaines. À tout le moins, les nouveaux systèmes logiciels encodent cette compréhension et cette expérience dans des algorithmes qui reproduisent le comportement humain à l’échelle informatique. Ils permettent aux entreprises de gérer les complexités de l’économie mondiale sans s’appuyer sur des processus manuels sujets à l’erreur humaine.

Les systèmes d’IA traditionnels ajoutent au processus en introduisant des règles qui permettent aux systèmes de gestion de la chaîne d’approvisionnement de s’adapter aux changements dans le monde, en codant les connaissances humaines dans des systèmes complexes de règles qui permettent aux systèmes statiques de modifier leur comportement en fonction de nouveaux faits. Par exemple, si une catastrophe naturelle ou une guerre perturbait le flux de ressources, un système basé sur des règles pourrait guider le logiciel pour éviter les régions touchées et trouver de nouvelles sources pour remplacer celles gênées par les perturbations.

Ces systèmes utilisent généralement des algorithmes d’optimisation qui encodent les prévisions de coût, de risque et de valeur, ainsi que des contraintes strictes qui ne peuvent pas être violées et des contraintes souples qui sont introduites comme pénalités pour empêcher l’optimisation de résultats indésirables. Ils combinent tous ces facteurs en temps réel pour trouver la solution optimale pour s’approvisionner en matériaux nécessaires à la fabrication des produits dans les délais.

Les systèmes d’apprentissage automatique et d’intelligence artificielle basés sur les données vont encore plus loin dans ce processus. Ils examinent des données historiques sur la manière dont divers phénomènes – guerres, catastrophes naturelles, mouvements de prix importants, etc. – ont affecté les variables. Ils font ensuite des prédictions sur ce qui est susceptible de se produire dans le futur, en fonction de la façon dont les conditions actuelles ont prédit le comportement dans le passé. Ces prédictions fournissent une couche supplémentaire d’informations qui peuvent rendre les algorithmes plus capables de trouver des solutions plus proches de l’optimum pour les décisions de gestion de la chaîne d’approvisionnement.

Le principal avantage de l’apprentissage automatique basé sur les données et des systèmes basés sur l’IA est que leur « raisonnement » est assez différent des processus logiques humains. Ils sont plus susceptibles de découvrir de nouvelles approches pour trouver et fournir des ressources. Les humains sont des créatures d’habitude, émotionnellement biaisées et moins qu’exceptionnelles dans le raisonnement statistique. Par conséquent, il est peu probable que les gens s’éloignent des sources et des processus qu’ils ont toujours utilisés.

Les systèmes basés sur les données examineront toujours toutes les options, en utilisant des modèles de comportement historiques pour attribuer les risques, les coûts et les distributions de valeur, puis utiliseront des algorithmes d’optimisation pour combiner toutes ces informations et déterminer la solution de gestion de la chaîne d’approvisionnement susceptible de conduire à la meilleur résultat.

Où se situent les limites

Comme la plupart des technologies, l’IA et l’apprentissage automatique ont des limites. Il existe également des moyens par lesquels s’appuyer sur des modèles statistiques en des temps incertains pourrait conduire à une prise de décision sous-optimale.

Aussi sophistiqués et axés sur les données que soient vos algorithmes de gestion de la chaîne d’approvisionnement, ils ne peuvent pas modifier les lois de la physique, de la chimie ou de la biologie. Si une catastrophe naturelle ou une crise géopolitique a rendu indisponibles en quantités suffisantes les matières premières, la main-d’œuvre ou d’autres fournitures nécessaires, ou si elles ont perturbé le flux de biens et de services au point qu’ils ne peuvent être livrés nulle part à temps, aucun algorithme d’optimisation ne peut foncez et sauvez la situation. La prise de décision guidée par l’homme remplacera parfois les processus basés sur des modèles à cet égard. Et si l’humain n’intervenait pas, les systèmes logiciels pourraient proposer des solutions répondant aux contraintes mais à des coûts ou des risques inacceptables.

Un autre risque lié à l’utilisation de modèles statistiques est qu’il y a parfois des changements dans le monde qui invalident les solutions dérivées des données passées. Le COVID-19, par exemple, a fondamentalement changé la nature de la gestion des changements d’approvisionnement.

Au fur et à mesure que l’impact de COVID-19 va et vient, certains de ces changements peuvent revenir aux anciennes normes, certains peuvent rester modifiés de façon permanente et certains peuvent s’installer quelque part entre l’ancien et le nouveau. La nature instable de l’économie mondiale remet en question l’exactitude et la valeur des modèles formés sur des données historiques. Certains aspects de ces modèles peuvent être résilients à ces changements. D’autres peuvent avoir une précision réduite. Et d’autres encore peuvent être complètement invalides et avoir une valeur prédictive négative. La seule façon de le savoir est de tester constamment ces modèles par rapport à de nouvelles données et d’évaluer leur efficacité en continu jusqu’à ce que la chaîne d’approvisionnement mondiale soit rétablie.

Les systèmes de gestion de la chaîne d’approvisionnement de l’IA basés sur les données produisent généralement de meilleurs résultats que les systèmes traditionnels d’IA et pilotés par l’homme. Cependant, les responsables de la chaîne d’approvisionnement doivent conserver leur autorité et leur sens des responsabilités pour exécuter les décisions recommandées par ces systèmes. De même, les développeurs de logiciels devraient être plus proactifs dans l’éducation des responsables de la chaîne d’approvisionnement sur la nature des données qu’ils utilisent, les limites des systèmes et la manière de mesurer l’exactitude et l’utilité des solutions produites par les systèmes dans le temps.

Tant que les utilisateurs sont informés et informés du fonctionnement des systèmes et du moment où ils sont susceptibles de tomber en panne, ces systèmes peuvent améliorer considérablement les performances moyennes des systèmes de gestion de la chaîne d’approvisionnement, et en particulier pendant les périodes de stress. Mais si les humains éteignent leur cerveau et laissent ces systèmes fonctionner sur pilote automatique, il y aura probablement des moments où ils suggéreront des solutions sous-optimales et financièrement préjudiciables.

Il appartient à chacun d’utiliser sa sagesse et son expérience pour évaluer les solutions disponibles, notamment à la lumière de la mondialisation, afin que toutes les économies générées par ces systèmes ne soient pas gâchées par une mauvaise décision.

David Magerman est co-fondateur et associé directeur de Entreprises différentielles.

Laisser un commentaire