Alors que les entreprises sont aux prises avec les complexités de la logistique mondiale, le déploiement de l’IA dans la chaîne d’approvisionnement est devenu un pilier pour celles qui souhaitent garder une longueur d’avance sur la concurrence. Dans cet article, nous soulignerons l'importance de l'IA dans la chaîne d'approvisionnement et offrirons un aperçu d'une réussite qui illustre de manière frappante les avantages tangibles de l'IA dans l'optimisation de la gestion de la chaîne d'approvisionnement.  Une chaîne d'approvisionnement est l'ensemble du réseau d'individus et d'organisations produisant et livrant un produit ou un service au consommateur final. Cela comprend chaque étape, depuis l'approvisionnement en matières premières, la fabrication et l'assemblage du produit jusqu'au transport, à l'entreposage et enfin, jusqu'à la mise entre les mains du client.  49 % des personnes interrogées dans le secteur de la chaîne d'approvisionnement ont déclaré que les perturbations entraînaient des difficultés de planification.  44 % ont indiqué des défis dus à l'empreinte de la chaîne d'approvisionnement, ce qui les a obligés à apporter des changements au cours de l'année.  McKinsey  Aujourd’hui, ce réseau aux multiples facettes est confronté à de nombreuses perturbations, telles que les tensions géopolitiques, les fluctuations économiques, le changement climatique et l’évolution des réglementations. Simultanément, les objectifs communs transcendent les secteurs, notamment la satisfaction client, la résilience en matière d’optimisation des coûts et l’adaptation. Les défis et les objectifs exigent des solutions innovantes, l'optimisation de la chaîne d'approvisionnement apparaissant comme un facteur crucial pour garantir l'efficacité.  Bref aperçu de l’optimisation de la chaîne d’approvisionnement  L'optimisation de la chaîne d'approvisionnement (SCO) est un domaine complexe dédié à la gestion du flux de biens et de services depuis les matières premières jusqu'au client final de la manière la plus efficace et la plus rentable possible. SCO est l'ajustement des opérations d'une chaîne d'approvisionnement qui garantit qu'elle est au sommet de son efficacité possible.   Les cinq principaux défis de l’optimisation de la chaîne d’approvisionnement :    prévoir avec précision la demande des clients est crucial pour optimiser les niveaux de stocks, les possibilités de transport et les calendriers de production. Prévision de la demande :    équilibrer le coût de détention des stocks avec le risque de rupture de stock. Gestion des stocks :    sélection des itinéraires les plus efficaces et les plus rentables pour le transport de marchandises, en particulier en tenant compte de facteurs tels que les embouteillages et les prix du carburant. Optimisation du transport :    Trouver des fournisseurs fiables qui offrent des prix et une qualité compétitifs. Sélection et gestion des fournisseurs :    Coopération efficace entre tous les acteurs de la chaîne d’approvisionnement. Collaboration et communication :  Pour relever ces défis, SCO utilise l'analyse de données, la modélisation mathématique, les algorithmes d'optimisation, l'intelligence artificielle (IA) et l'apprentissage automatique (ML). Ces outils permettent collectivement aux entreprises de naviguer avec précision dans le paysage dynamique des chaînes d’approvisionnement mondiales.  L’IA et le ML, en particulier, apparaissent comme de puissants alliés dans la recherche de l’efficacité de la chaîne d’approvisionnement.  L’exploitation des services   et d’apprentissage automatique permet d’automatiser les tâches, d’améliorer la précision des prévisions et de permettre une prise de décision en temps réel, garantissant ainsi aux entreprises de rester agiles et réactives face à l’évolution des circonstances. de développement d’IA  Optimiser la gestion de la chaîne d'approvisionnement grâce à l'intégration de l'IA  L’IA joue un rôle important dans l’amélioration de l’efficacité de la chaîne d’approvisionnement. Il peut être utilisé dans différents domaines de la gestion de la chaîne d’approvisionnement.   Améliorer la visibilité et la transparence :  Collecte et analyse de données en temps réel – Fournit des informations en temps réel sur les niveaux de stocks, les lieux d'expédition et les perturbations potentielles.  Analyse prédictive : l'IA peut analyser les données historiques et les facteurs externes tels que les prévisions météorologiques ou les tendances économiques, les perturbations potentielles et les besoins de maintenance.   Optimiser les opérations et la prise de décision :  Gestion des stocks : l'IA peut optimiser les niveaux de stocks en prévoyant la demande, en tenant compte des délais de livraison et des tendances saisonnières, et en minimisant les coûts associés au surstockage ou au sous-stockage.  Optimisation des itinéraires : les algorithmes d'IA peuvent déterminer les itinéraires de transport les plus efficaces et les plus rentables, en tenant compte de facteurs tels que les conditions de circulation, la consommation de carburant et les horaires, afin de trouver un équilibre entre les coûts de transport et d'inventaire.  Automatisation des entrepôts : les robots basés sur l'IA peuvent automatiser des tâches telles que la préparation, l'emballage et le tri, améliorant ainsi la vitesse, la précision et l'efficacité des entrepôts.   Résilience et gestion des risques :  Identification des risques : l'IA peut analyser les données pour identifier les perturbations potentielles ou les vulnérabilités de la chaîne d'approvisionnement, permettant ainsi aux entreprises de prendre des mesures préventives pour minimiser leur impact.  Planification de scénarios : l'IA peut simuler divers scénarios tels que des catastrophes naturelles ou des ralentissements économiques, aidant ainsi les entreprises à élaborer des plans d'urgence pour assurer la continuité de leurs activités.  Détection et prévention de la fraude - L'IA peut détecter les anomalies dans les données de commande et les transactions financières, identifiant les tentatives de fraude potentielles et protégeant les entreprises contre les pertes financières.   Durabilité et expérience client :  Durabilité améliorée – L’IA peut optimiser les processus pour réduire les déchets, minimiser la consommation d’énergie et optimiser la consommation de carburant, contribuant ainsi à une chaîne d’approvisionnement plus durable.  Personnalisation et personnalisation : l'IA peut personnaliser l'expérience client en adaptant les recommandations de produits et les offres en fonction des préférences individuelles et de l'historique des achats.  Explorons comment l'IA, en particulier, joue un rôle transformateur dans la refonte de la chaîne d'approvisionnement dans le secteur de la vente au détail, illustré par un cas d'utilisation réel.  Développer un système intelligent d’optimisation de l’approvisionnement  Notre client, un fabricant d'outils et d'équipements de plomberie avec des points de distribution partout aux États-Unis, avait besoin d'aide pour optimiser son processus d'approvisionnement.  La principale difficulté découlait des expériences vécues liées au transport de marchandises depuis des usines en Chine vers des centres de distribution aux États-Unis. Le client exploitait de nombreux entrepôts et points de vente dans presque tous les États. Ainsi, déterminer le routage optimal posait une tâche non triviale.  En outre, il était crucial de réfléchir à la chaîne de transport privilégiée. Chaque produit commence son voyage dans un conteneur maritime depuis un port maritime chinois et traverse l'océan Pacifique pour atteindre un port des États-Unis, d'où il poursuit son voyage dans un camion jusqu'à l'entrepôt désigné. Ensuite, le produit attend la livraison du dernier kilomètre jusqu’au point de distribution ciblé.  Le client souhaitait disposer des fonctionnalités suivantes :  préciser les entrepôts disponibles ;  identifier les points de distribution, certains étant automatiquement dérivés de données historiques et d'autres sélectionnés manuellement par l'utilisateur ;  créer une liste d'articles avec leurs quantités respectives ;  avoir une liste de ports maritimes.  Enfin, le client a exprimé le souhait de pouvoir comparer différentes méthodes d'emballage des marchandises dans des conteneurs maritimes, avec ou sans palettes. Le résultat du problème d’optimisation devrait donner le calendrier de transport optimal et les statistiques de dépenses associées.  Mais avant d’entrer dans les détails du cas d’utilisation, nous allons rapidement décrire un concept mathématique fondamental utilisé dans la solution intelligente.  Programmation entière pour l’efficacité de la chaîne d’approvisionnement  La programmation entière (linéaire) (IP) est une technique d'optimisation mathématique utilisée pour trouver la meilleure solution à un problème de relations linéaires tout en considérant que certaines ou toutes les variables doivent prendre des valeurs entières (nombre entier). La forme générale d'un problème IP consiste à maximiser (ou minimiser) une fonction objectif linéaire soumise à un ensemble de contraintes linéaires, où certaines ou toutes les variables de décision doivent être des nombres entiers.  La fonction objectif est une combinaison linéaire de variables de décision et les contraintes sont des inégalités ou des égalités linéaires que les variables doivent satisfaire. La formulation mathématique d’un problème IP peut être exprimée comme suit :   Les valeurs x₁, x₂, ..., xₙ sont les variables de décision, c₁, c₂, ..., cₙ sont des coefficients dans la fonction objectif, aᵢⱼ sont des coefficients dans les équations de contraintes et bᵢ sont des constantes.  La résolution d'un problème IP implique de trouver les valeurs des variables de décision qui optimisent la fonction objectif tout en satisfaisant les contraintes linéaires et l'exigence supplémentaire selon laquelle les variables doivent être des nombres entiers. Les problèmes de propriété intellectuelle sont couramment utilisés dans divers domaines, notamment la recherche opérationnelle, la logistique, la fabrication, la finance et les télécommunications, où les variables de décision représentent souvent des quantités qui doivent être des nombres entiers.  La programmation en nombres entiers est un outil précieux pour résoudre les problèmes d'optimisation de la chaîne d'approvisionnement en raison de sa capacité à modéliser des processus décisionnels complexes impliquant des variables discrètes (entières).   Les façons dont la propriété intellectuelle peut être appliquée dans le contexte de l’optimisation de la chaîne d’approvisionnement :    IP peut aider à déterminer les niveaux de stock optimaux pour différents produits à différentes étapes de la chaîne d'approvisionnement, en tenant compte des contraintes telles que la capacité de stockage, la variabilité de la demande et les quantités commandées. Les modèles IP peuvent trouver le meilleur équilibre entre les coûts de détention et les ruptures de stock. Gestion des stocks :    IP peut optimiser les calendriers de production en tenant compte de facteurs tels que les capacités de production, la disponibilité des matières premières et les prévisions de la demande. Le modèle peut aider à déterminer les quantités optimales à produire pour chaque produit afin de répondre à la demande tout en minimisant les coûts. Planification de la production :    les modèles IP peuvent être appliqués pour optimiser la structure globale du réseau de la chaîne d'approvisionnement. Routage et planification :    des modèles IP peuvent être appliqués pour optimiser la structure globale du réseau de la chaîne d'approvisionnement. Optimisation du réseau de la chaîne d'approvisionnement :    les modèles IP peuvent intégrer des données de prévision de la demande pour optimiser les décisions de production et de distribution tout en alignant les opérations de la chaîne d'approvisionnement sur la demande anticipée des clients, réduisant ainsi le risque de surstock ou de rupture de stock. Planification de la demande :  Améliorer la logistique de la chaîne d'approvisionnement – Présentation de la solution ELEKS  Pour répondre aux exigences de notre client, nous avons créé un système qui exploite les avantages de la technique de programmation entière, qui optimise les calendriers d'approvisionnement, les itinéraires et les niveaux de stock pour cinq types d'articles : éviers en céramique, toilettes, bidets, vannes de gaz et mitigeurs de baignoire ( les codes SH correspondants sont 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). Le système comprend trois parties principales (ou pages) : configuration, simulation et analyse. Chacun d’eux sera expliqué dans les paragraphes suivants.   Pour garantir la confidentialité des données et des détails de l'application, nous avons anonymisé les noms et les emplacements réels, créant ainsi un prototype d'application de démonstration simple qui illustre l'efficacité de l'IA pour relever les défis d'optimisation.  Page de configuration  L'utilisateur peut sélectionner les entrepôts disponibles, les points de distribution et les ports maritimes souhaités pour participer à l'itinéraire optimisé final. En outre, le client peut spécifier les marchandises souhaitées et leur quantité respective à transporter vers leurs clients. La dernière chose est le sélecteur de date, au cas où la livraison serait prévue.  Le système calculera les stocks restants à la date de livraison en fonction de la demande prévue et allouera les expéditions planifiées en fonction des résidus de l'entrepôt. Cliquer sur le bouton « optimiser » fait toute la magie ! Il définit des tâches d'optimisation et lance sa solution. Après quelques secondes, les résultats peuvent être observés sur les deux pages restantes.   Page Simulation (Carte)  Cette page offre au client la possibilité de visualiser une simulation précise de la solution du modèle proposé. Lors de discussions antérieures, nous avons délibéré sur les INCOTERMS appropriés pour notre client et sommes parvenus à un consensus sur le CFR. Le client peut spécifier le nombre d'heures pour chaque étape et appuyer sur le bouton correspondant pour voir l'état de la chaîne d'approvisionnement dans ce laps de temps.  Tout d'abord, il existe cinq types de points : deux pour les véhicules de transport (navire et camion) et trois pour les ports maritimes (orange), les entrepôts (violet) et les points de distribution (vert). La carte est interactive, ce qui signifie que l'utilisateur peut survoler n'importe quel point ou connexion et voir les informations relatives à cet objet.  Par exemple, les lignes bleues reliant les entrepôts et les points de distribution montrent le plan de livraison du dernier kilomètre et contiennent des informations sur la quantité de chaque marchandise livrée quotidiennement. Si l'utilisateur survole le navire, les informations sur sa capacité, les types de conteneurs, la quantité chargée de chaque marchandise et l'itinéraire sont affichées.   Page d'analyse  Cette page présente toutes les données et statistiques sur la solution proposée par le modèle. L'utilisateur peut observer le plan de livraison, où se trouvent chaque navire et camion, son heure d'arrivée estimée, son itinéraire et son remplissage. Il existe également de nombreux graphiques, allant du diagramme circulaire avec les dépenses totales jusqu'aux cartes thermiques des coûts de livraison entre les différents ports maritimes, entrepôts et points de distribution.  De plus, le client peut observer un graphique des prix par produit pour différents points de distribution et, sur la base de ces données, prendre les décisions commerciales correspondantes.   Mesures de performance : la solution d'ELEKS par rapport au système existant du client  Le défi suivant consistait à tester notre solution dans des scénarios réels et à la comparer à l'approche du client. A cet effet, le client a envisagé un délai de 1 mois. Les principales conditions de la tâche (telles que les ports maritimes disponibles, l'emplacement et le nombre d'entrepôts et de clusters) sont observées dans les illustrations des paragraphes précédents. En conséquence, la solution de notre modèle s'est avérée plus efficace en termes de dépenses d'exploitation, de délai moyen de livraison du dernier kilomètre et de réduction des temps d'inactivité des entrepôts.  5,76 % d'économies mensuelles moyennes réalisées par le client et 50 % de réduction des délais de livraison pour certains clusters.  Équipe ELEKS Data Science  Les données indiquent que l'utilisation de notre solution s'est avérée plus avantageuse pour le client, entraînant une réduction du prix par article. Ce résultat peut être attribué à divers facteurs, les principaux étant les suivants :  Une distribution de marchandises plus intelligente  Réseau de livraison plus optimal  Un routage et un entreposage plus efficaces  Par exemple, notre solution comportait certains clusters pour lesquels le modèle suggère la livraison sur le dernier kilomètre pour différentes marchandises à partir d'entrepôts distincts (une explication réside profondément dans le réseau de livraison, et notre modèle a repéré cette possibilité d'optimisation). La répartition des marchandises entre les entrepôts différait (principalement entre les entrepôts de Washington et de New York).  À première vue, les différences ne sont pas si significatives, mais le résultat parle de lui-même.   Conclusions  L'intégration de l'intelligence artificielle (IA) dans la gestion de la chaîne d'approvisionnement apparaît comme un élément essentiel pour les entreprises souhaitant naviguer efficacement dans les complexités de la logistique mondiale. La nature multiforme des chaînes d’approvisionnement modernes, associée aux défis tels que les perturbations, les tensions géopolitiques et les fluctuations économiques, nécessite des solutions innovantes pour atteindre l’efficacité et la résilience.  La solution présentée met en évidence le rôle transformateur de l'IA dans la rationalisation des responsabilités des gestionnaires de la chaîne d'approvisionnement et démontre les avantages tangibles de l'IA et de l'IP dans la logistique de la chaîne d'approvisionnement, présentant des économies de coûts mensuelles moyennes de 5,76 % et une réduction de 50 % des délais de livraison pour certains clusters.  Son adaptabilité permet des ajustements transparents, offrant aux utilisateurs l'accès à un studio de simulation, où ils peuvent exécuter divers scénarios impliquant divers éléments et quantités, facilitant une analyse comparative pour déterminer des stratégies optimales pour différentes situations.  Pour planifier une démonstration de cette solution transformatrice et explorer davantage ses capacités,   . contactez-nous

2022 - HackerNoon Contributor of the Year - Deep Learning

2022 - HackerNoon Contributor of the Year - Digital Transformation

Realise your software vision with us!

Nominated for 2022 - HackerNoon Contributor of the Year - Digital Transformation

Nominated for 2022 - HackerNoon Contributor of the Year - Deep Learning

GitHub Copilot Review: Does it Really Give a 55% Speed Boost to Development?

A Real-World Case Study on Unleashing AI's Potential: AI in Supply Chain

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Download free Tech Leaders Productivity Report!

Une étude de cas concret sur la libération du potentiel de l'IA : l'IA dans la chaîne d'approvisionnement

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps