Intelligence artificielle: la clé de l’avenir pour un calcul optimisé du stock de sécurité?

Par Lena Schneider

Le terme «intelligence artificielle» est désormais sur toutes les lèvres. Mais en quoi consiste-t-elle? Qu’entend-on par réseaux neuronaux artificiels? Comment procéder à leur entraînement? Et quels pourraient être les avantages de leur utilisation pour l’optimisation des stocks de sécurité?

Selon la définition de SAP, l’intelligence artificielle (IA), souvent appelée Artificial Intelligence (AI), est le terme générique pour les applications dans lesquelles les machines fournissent des prestations d’intelligence semblables à celles des humains.

Une branche de l’IA est constituée des réseaux neuronaux artificiels (RNA) qui, inspirés du système nerveux humain, imitent le traitement de l’information par le cerveau. Ils sont constitués de neurones reproduits artificiellement, les mathématiques remplacent à cet endroit les neurotransmetteurs et les synapses. Il est ainsi possible de traiter les informations de manière intelligente et de maîtriser des problèmes complexes sans intervention humaine.

Un réseau neuronal initial ne contient au départ aucune information. Pour qu’il puisse résoudre des problèmes concrets, il doit d’abord être suffisamment entraîné. C’est là qu’intervient le Machine Learning, l’apprentissage automatique, qui est un domaine central de l’IA.

L’apprentissage automatique permet aux systèmes d’IA, basés sur des ensembles de données et des algorithmes existants, de reconnaître des modèles et des lois spécifiques et de développer des solutions correspondantes. En bref : un savoir artificiel est généré à partir de l’expérience. Dans ce contexte, la qualité du réseau neuronal dépend de la sélection et de la préparation des bonnes données d’apprentissage.

Un réseau neuronal entraîné est ensuite en mesure d’appliquer les connaissances acquises à des problèmes jusqu’alors inconnus. De cette manière, il est possible d’optimiser les processus ou de faire des prévisions de manière fiable.

Utilisation des réseaux neuronaux pour l’optimisation des stocks de sécurité

Comment cette technologie peut-elle être utilisée pour la gestion de la chaîne logistique (SCM)? Les développeurs ingénieux de GIB ont identifié le calcul des stocks de sécurité comme un domaine d’application judicieux. Dans la version actuelle de Supply Chain Excellence, la version bêta 2.0 S/4 HANA pour l’optimisation des stocks de sécurité avec des réseaux neuronaux est déjà devenue une réalité.

L’ajout de réseaux neuronaux artificiels permet d’effectuer des calculs de stocks de sécurité beaucoup plus complets dans le système SAP. Il est ainsi possible de prendre en compte davantage de facteurs d’influence tout en évaluant leur degré d’influence respectif. Au début, tous les réseaux sont encore ignorants. Pour qu’ils puissent contribuer à l’optimisation des stocks de sécurité, il est nécessaire de les former étape par étape.

La première étape consiste à choisir des indicateurs appropriés. Dans ce contexte, on examine quels sont les facteurs d’influence d’un stock de sécurité. Des aspects tels que le délai de réapprovisionnement, les fluctuations, la fiabilité de la livraison ou les besoins quotidiens jouent ici un rôle décisif.

Une fois les indicateurs définis, la formation commence. Les matériels qui présentent déjà un stock de sécurité optimal conviennent à cet effet. La tâche à accomplir par le réseau neuronal est formulée et le résultat généré est évalué par le formateur. Cela est possible car, grâce à l’utilisation de données historiques, le résultat optimal est déjà connu. L’algorithme est donc en mesure de reconnaître les relations et les modèles et, par conséquent, d’apprendre.

Une fois le processus d’apprentissage terminé, on alimente le réseau neuronal avec des problèmes dont les résultats ne sont pas encore connus de l’expert. Le cheminement du réseau neuronal vers le résultat optimal ne peut plus être suivi par l’expert dans le cas de tâches complexes. Lors du calcul du stock de sécurité, il est généralement possible d’évaluer au moins le résultat de manière qualitative. En principe, ce n’est toutefois pas toujours le cas lors de l’utilisation de solutions d’IA; il faut tout simplement faire confiance aux facultés du RNA entraîné.

Le réseau neuronal est maintenant parfaitement entraîné et les connaissances accumulées peuvent être utilisées efficacement pour le calcul de la résistance à la sécurité de tous les matériaux.

Vers où se dirige l’IA?

Au total, plusieurs étapes sont nécessaires pour qu’un réseau neuronal ait terminé son entraînement. Le prototype développé par GIB fait actuellement l’objet d’une intensification des tests sur les systèmes des clients. Dans ce cadre, il s’agit par exemple de déterminer combien de données d’entraînement sont nécessaires ou quels facteurs d’influence sont particulièrement appropriés.

Les réseaux neuronaux ont déjà montré de premiers succès importants et offrent un très grand potentiel. Il est passionnant d’observer la direction que prendront les choses. Les méthodes sont constamment développées, de sorte que l’on peut espérer que l’idée conduise à l’avenir à une utilité durable dans le calcul des stocks de sécurité.