IA & Planification industrielle : quelle pérennité au-delà de l’engouement ?

L'intelligence artificielle se positionne désormais comme une force transformative majeure et globale, une réalité confirmée par les données et les progrès récents. Cet article se concentre sur l'impact de l'IA dans le domaine spécifique de la planification industrielle, en mettant en lumière son intégration croissante dans les processus décisionnels. Nous proposons une approche simple pour classifier les utilisations de l'IA en planification, en fonction du niveau de délégation accordé par les décideurs, tout en illustrant ces concepts par des exemples concrets. Nous soulignons également l'importance cruciale de l'explicabilité des modèles d'IA, un enjeu pertinent à tous les niveaux de délégation. En outre, nous exposons l'engagement de PlaniSense, à développer des solutions d'IA adaptables et performantes pour répondre aux besoins changeants de nos clients dans le secteur de la Supply Chain.

L’IA, une tendance de fond et pas qu’un effet de mode

La question pouvait encore légitimement se poser il y a une dizaine d’années, mais il est désormais clair que les ingrédients sont réunis pour affirmer que l’IA constitue une vraie tendance de fond avec une dimension globale. Quatre ingrédients sont là pour nous le rappeler.

• Le marché : le marché de l'IA n'a cessé de croître ces dernières années, dépassant actuellement les 300 milliards de dollars, avec une perspective de doublement dans les cinq prochaines années ^[1].
• Les connaissances : la recherche en IA s'est considérablement accélérée, comme en témoigne la multiplication par deux du nombre de publications scientifiques dans ce domaine au cours des dix dernières années, dépassant largement la croissance observée dans d'autres domaines^[2].
• Les données : carburant des algorithmes d’IA, la donnée n’a jamais été autant abondante et sa volumétrie ne fait qu’augmenter. Pour donner un ordre d’idée, les modèle d’IA générative actuels les plus poussés s’alimentent de jeux de données qui dépassent les 100 trillions d’observations ^[3].
• Les capacités de calcul : les supercalculateurs qui servent à entrainer les modèles de grande taille sont capable de traiter plus d’un milliard de gigaFLOPS soit 10¹⁸ opérations par seconde ^[4]. Au moment où nous écrivions cet article, NVIDIA annonçait la sortie de sa puce Blackwell B200 dotée performances d’inférence 25 fois plus élevées qu'avec les GPU de génération précédente ^[5].

Dans le domaine de la Supply Chain, cette tendance de fond se manifeste clairement dans des domaines clés tels que la prévision de la demande. Depuis plus de 40 ans, les M-Competitions mettent en concurrence les meilleurs modèles de prévision sur la base de critères de fiabilité extrêmement rigoureux. Jusqu’au début des années 2000, les méthodes de lissage sont indétrônables malgré l’émergence de méthodes autorégressives sophistiquées ^[6]. Ce n’est qu’en 2020, à l’occasion de la quatrième édition de la M-Competitions, que méthodes d’apprentissage commencent à apparaitre dans le palmarès sans pour autant surclasser les méthodes dites « classiques » ^[7]. En 2022, à peine deux ans après, la donne change radicalement en faveur des approches d’apprentissage, et particulièrement les techniques de boosting de gradient, qui surpassent nettement les méthodes classiques et toutes leurs combinaisons ^[8].

L’heure n’est donc plus à se demander si l’IA est un effet de mode, mais bien à anticiper la manière dont elle va faire évoluer certaines pratiques voire en faire émerger de nouvelles dans le domaine de la planification industrielle qui nous intéresse en particulier.

L’IA et la prise de décision dans la planification

Dans le contexte de l'aide à la décision, l'IA utilise des algorithmes et des modèles pour analyser de grandes quantités de données, extraire des informations pertinentes, détecter des tendances ou des schémas sous-jacents, et faire des recommandations voire même proposer des solutions pour aider les décideurs.

De ce point de vue, l’IA englobe une multitude de méthodes, allant des systèmes experts traditionnels aux techniques plus récentes et sophistiquées de Machine Learning, en passant par l'optimisation combinatoire. L'IA offre ainsi une panoplie d'outils et de possibilités pour traiter efficacement les défis complexes de la prise de décision dans divers contextes industriels et organisationnels.

Dans la suite de cet article, nous présentons une approche simple qui permet de classifier les utilisations de l'IA dans la planification, en fonction du degré de délégation accordé par le décideur ou, en d'autres termes, du niveau d'autonomie octroyé à l'IA dans le processus décisionnel.

Pour schématiser, trois degrés de délégation sont envisageables : l’assistance, la recommandation et enfin la décision autonome. Ils correspondent chacun à un type d’usage observable en pratique que nous allons tenter d’illustrer à travers quelques exemples.

L'assistance

L’assistance : c’est le degré minimum de de délégation. L’IA collecte, sélectionne et met en forme les informations utiles à la prise de décision. Les tableaux de bord dynamiques personnalisables ou encore l’agent conversationnel intelligent sont des formes d’assistance que nous développons chez PlaniSense.

Les enjeux associés à ce premier degré de délégation sont la contextualisation et la lisibilité des analyses.

• La contextualisation : Fournir des éléments analytiques pertinents pour une prise de décision éclairée dans un contexte particulier.
• La lisibilité : Faciliter la compréhension des données complexes avec des outils de visualisation paramétrables.

La recommandation

La recommandation : C’est le degré intermédiaire de délégation.  L’IA soumet une ou plusieurs propositions au décideur qui reste souverain dans le choix final même s’il peut être influencé par les options qui lui sont recommandées. En planification, la recommandation peut concerner un périmètre plus ou moins étendu (un réseau, une usine, un atelier, un article, ...) et/ou un aspect plus ou moins ciblé (un paramètre, une quantité à produire, un ordre de fabrication à déplacer, une capacité à ajuster, …). La génération automatique de plannings optimisés est une des fonctionnalités de PlaniSense qui s’inscrit clairement dans une logique de recommandation. Les enjeux associés à ce second degré de délégation sont l’efficacité l’adaptabilité des recommandations.

• Efficacité : Fournir des recommandations réalisables et efficace du point de vue des objectifs poursuivis.
• Adaptabilité : Faciliter l’ajustement des propositions et en mesurer les conséquences.

La décision autonome

La décision autonome : Il s’agit du degré maximum de délégation. L’IA décide sans validation préalable obligatoire par un opérateur humain. Les systèmes de recommandation, lorsqu’ils sont dotés de critères explicites de choix, peuvent se muer en systèmes de décision autonomes. En planification, la décision autonome se limite généralement à des cas simples et/ou non critiques. Un exemple typique de décision autonome est celui de la prévision de la demande pour des articles à forte prédictibilité et à faible impact.

Lorsqu’on observe les progrès fulgurants réalisés ces derniers mois dans le domaine de l’IA, on peut raisonnablement s’attendre à ce que les formes de décision autonome gagnent du terrain. Les enjeux associés à cet ultime degré de délégation sont l’explicabilité et la souveraineté.

• Explicabilité : Être en mesure de comprendre et d’interpréter a posteriori les raisons d’un choix fait par l’IA.
• Souveraineté : Garder le contrôle sur le périmètre de délégation et pouvoir l’ajuster à tout moment pour reprendre la main si nécessaire.

Le dilemme de l’explicabilité et l’exigence d’efficacité

Nous avons introduit la question de l'explicabilité en tant que défi majeur lié à la décision autonome. Bien que ce défi soit plus prononcé dans ce contexte spécifique, il reste tout aussi crucial pour des utilisations où le niveau de délégation est moins élevé.

L'explicabilité fait référence à notre capacité à comprendre et à interpréter les décisions prises par un modèle d'IA. C'est un élément essentiel pour l’adoption l'IA par les utilisateurs qui doivent pouvoir faire confiance avant de déléguer la prise de décision.

L'explicabilité est une caractéristique intrinsèque des techniques d'IA utilisées pour construire des modèles. En règle générale, plus une technique est complexe, plus elle tend à devenir une boîte noire et moins elle est explicable.

Le dilemme de l’explicabilité et que nous en avons le plus besoin là où justement elle a tendance nous faire défaut. En effet, plus les modèles d'IA sont sophistiqués, plus ils sont efficaces. Cette efficacité accrue ouvre la voie à une extension du domaine et du niveau de délégation dans la prise de décision. Cependant, à mesure que ce domaine et ce niveau de délégation s'étendent, le besoin d'explicabilité devient de plus en plus pressant. Le problème réside dans le fait que, généralement, plus les modèles sont sophistiqués, moins ils sont explicables.

Dans ce contexte, le principe de parcimonie demeure un repère important pour concilier l'efficacité de l'IA dans l'aide à la décision et son acceptation par les utilisateurs. Lorsque plusieurs modèles offrent une efficacité comparable, il est préférable de choisir ceux qui sont les moins complexes. Ces modèles moins complexes sont généralement plus explicables, ce qui les rend plus susceptibles d'être acceptés par les utilisateurs.

Conclusion

L'IA est désormais bien ancrée dans le paysage de la planification industrielle, ouvrant la voie à des transformations significatives dans les usages au quotidien. Toutefois, pour garantir son adoption à long terme, il est impératif de relever les défis liés à l'explicabilité des modèles, un préalable essentiel à l'extension du champ de la prise de décision autonome. Afin de maximiser les bénéfices de l'IA dans la planification industrielle, il est primordial de choisir avec soin les cas d'utilisation appropriés, d'opter pour les technologies les mieux adaptées au niveau de délégation envisagé, et de s'assurer que les modèles d'IA sont suffisamment explicables pour inspirer confiance aux utilisateurs.

Chez PlaniSense, nous attachons une importance primordiale à trois principes fondamentaux dans le développement de nos solutions d'IA pour la planification industrielle. Tout d'abord, nous nous efforçons de moduler le niveau de délégation en fonction des besoins spécifiques de chaque cas d'usage, tout en conservant un contrôle rigoureux sur le degré de délégation accordé. Ensuite, nous nous efforçons d’éviter les "boîtes noires", en veillant à ce que nos modèles soient transparents et compréhensibles, permettant ainsi aux utilisateurs de comprendre les processus décisionnels sous-jacents. Enfin, notre objectif est de fournir des algorithmes efficaces, conçus pour garantir l'excellence opérationnelle, en optimisant les processus de planification et en améliorant la prise de décision. En combinant ces trois principes, nous nous engageons à offrir des solutions d'IA fiables, adaptables et performantes pour répondre aux besoins évolutifs de nos clients dans le domaine de la Supply Chain.

Découvrez davantage sur l'intelligence artificielle et la planification industrielle dans notre masterclass.

Sources

[1] Statista Market Insights[2] Center for Security and Emerging Technology[3] epochai.org[4] Top500 supercomputer database[5] Nvidia[6] The M3-Competition: results, conclusions and implications[7] The M4 Competition: 100,000 time series and 61 forecasting methods[8] M5 accuracy competition: Results, findings, and conclusion