Machine Learning : l’aide précieuse des données
La digitalisation rend le travail plus facile et plus efficace en logistique. Les flux de marchandises et de données convergent et garantissent ainsi la qualité et la transparence de toutes les étapes du processus. Grâce au Machine Learning, Dachser analyse et exploite les données issues des opérations quotidiennes, ouvrant ainsi de nouveaux horizons pour des solutions logistiques intelligentes à valeur ajoutée.
"Les données sont le pétrole du 21e siècle. » Cette analogie aurait été utilisée pour la première fois en 2006 par le mathématicien et analyste de données britannique Clive Humby alors qu’il mettait au point une carte de fidélité. Cette thèse était révolutionnaire pour l’époque. Aujourd'hui, cette vision est depuis longtemps une réalité quotidienne. Même les politiciens reprennent cette image pour appeler au progrès. Et pour cause : notre vie tout entière s’inscrit dans un flux de données toujours plus important et en croissance exponentielle. Ce flux est tout autant partie intégrante de notre quotidien que les coups d’oeil furtifs sur notre smartphone, les tchats avec les amis et la famille ou les visioconférences professionnelles.
Les données ont évolué jusqu’à devenir des facteurs éco nomiques décisifs. Les entreprises du GAFAM – Google, Apple, Facebook, Amazon et Microsoft – sont les Rockefeller et les rois du pétrole du 21e siècle. Ces cinq firmes américaines qui dominent aujourd’hui le marché du numérique mondial ont depuis longtemps dépassé les grands consortiums pétroliers.
L’emprise croissante des données font peur à certains contemporains, qui dressent de sombres tableaux de pieuvres avides d’informations et d’une régression rapide de la protection des données et des droits de la personne. Mais les avantages finissent par l’emporter sur le scepticisme, car la vie devient toujours plus facile et plus simple grâce aux échanges en réseau transnationaux et transculturels ou à la disponibilité en temps réel d’actualités ou de connaissances, de musique et de littérature ou d’informations sur le trafic et les mesures anti-encombrements.
Gains d’efficacité grâce à l’analyse des données
Dans les secteurs de la fabrication et des services, les données rendent possibles des gains d’efficacité considérables. Leur analyse permet par exemple de mieux contrôler les opérations, de détecter et d’éliminer très tôt les défauts et les inefficiences, mais également d’optimiser les processus en continu. En logistique, les données et leur analyse font depuis longtemps partie intégrante du contrôle des chaînes de production et de livraison. Elles constituent la base d’une conception fiable et parfaitement transparente des processus logistiques. Et ce, qu’il s’agisse de la composition des chargements, de la planification des itinéraires, de l’utilisation de différents moyens de transport ou du suivi des envois – en bref, du contrôle de l’ensemble du réseau.
L’importance de l’intelligence artificielle, du Machine Learning et de la science des données pour le transport, la logistique et la gestion de la chaîne correspondante continuera de croître dans les années à venir.
Dachser et ses réseaux mondiaux ont appris cela. Dès le milieu des années 1980, le groupe a développé avec Domino la pierre angulaire de son système de traitement des données de transport de marchandises. Ce logiciel couvre l’ensemble des processus associés : en plus des entrées et sorties sur le quai, de l’importation et l’exportation des marchandises, la gestion des commandes, le dispatching, la facturation et, bien sûr, surtout les informations liées aux envois, notamment le suivi et la traçabilité. Aujourd’hui, Domino est complété par deux systèmes intégrés et suivant un processus d’amélioration continue : Mikado (entreposage) et Othello (fret aérien et maritime). La passerelle B2B sert dans ce cadre de plateforme centrale de communication. Le portail eLogistics permet aux clients de Dachser de piloter leurs commandes via le site web. À cela s’ajoute ActiveReport, logiciel de gestion des incidents de la chaîne logistique, qui tire la sonnette d’alarme en cas de divergences dans le processus d’expédition. En bref : Dachser et ses clients sont à l’aise dans le monde des données et les utilisent tous les jours pour l’exécution des commandes.
Nul ne peut réussir seul
Afin d’exploiter à fond les avantages de la digitalisation et de renforcer la maturité du réseau, Dachser opère une fusion encore plus étroite entre l’informatique et la logistique. « Dans ce contexte, nous avons autant besoin d’experts en transport de marchandises que de statisticiens, de mathématiciens et d'informaticiens. Nul ne peut réussir seul – il faut unir nos efforts pour développer des algorithmes intelligents dédiés à la logistique », constate Stefan Hohm, Chief Development Officer (CDO) chez Dachser. Selon lui, c’est un processus continu, qui non seulement reflète le développement technologique, mais contribue également à le faire progresser.
Depuis début juin, Dachser a mis en commun l’expertise acquise dans le cadre de divers projets de recherche et d’innovation dans son nouveau centre de compétences (CC) interne « Data Science & Machine Learning (DS&ML) ».
« L’importance de l'intelligence artificielle, du Machine Learning et de la science des données pour le transport, la logistique et la gestion de la chaîne correspondante continuera de croître dans les années à venir. C’est pourquoi il est d’une grande importance pour Dachser de renforcer encore son expertise dans ce domaine majeur et d’étendre sa capacité à mettre en oeuvre et exploiter des applications du Machine Learning », déclare Stefan Hohm.
Ce regroupement de compétences s’explique par les opérations logistiques quotidiennes. Dachser génère chaque jour des volumes énormes de données et crée ainsi une base élémentaire pour le développement et l’exploitation de nouvelles technologies d’IA. « Nous allons à l’avenir encore mieux exploiter ces données et fournir à nos collaborateurs des bases de décision encore meilleures », déclare Florian Zizler, Team Leader Data Science & Machine Learning.
Lorsqu’on évoque l’intelligence artificielle, on éveille rapidement des associations pas toujours positives : machines à mégadonnées dotées d’une autonomie incontrôlable, robots qui remplacent les humains et finiront par les rendre complètement superflus sur le marché du travail. Il peut donc tout d’abord s’avérer utile de préciser les termes utilisés.
Condamnés à l’apprentissage à vie
Le logicien, mathématicien, cryptanalyste et informaticien Alan Turing (1912–1954), l’un des pionniers de la technologie moderne de l’information et de l’informatique, a émis une proposition très pragmatique pour restreindre le champ en réalité très vaste de l’intelligence artificielle (IA) : « Une machine est intelligente lorsqu’on ne peut déterminer si c’est une personne ou un ordinateur qui communique avec vous. » On pourrait ici aussi citer George Bernhard Shaw (1856–1950). S’appuyant sur ses propres observations, il est parvenu au constat suivant : « L’inconvénient de l’intelligence, c’est que vous êtes continuellement obligé d’apprendre. »
En IA l’apprentissage continu est assuré par des algorithmes (pour les non-mathématiciens : suite d’instructions et d’opérations de calcul d’un logiciel grâce auxquelles on peut résoudre certains problèmes). C’est précisément là que le Machine Learning intervient en tant que sous-discipline de l’IA. À l’aide d’exemples, le système d’IA apprend à reconnaître les schémas et lois régissant processus et relations, et parvient ainsi même à maîtriser des situations inconnues.
Des applications concrètes du Machine Learning sont apparues dernièrement chez Dachser au sein du DACHSER Enterprise Lab, en collaboration avec des scientifiques de l’Institut Fraunhofer IML de Dortmund. Exemple : PAnDA One, acronyme de predictive (P) analytics (An) Dachser (DA) et (One) désignant le premier projet de Machine Learning (ML) du groupe.
Le modèle PAnDA One a été spécialement conçu pour prévoir les volumes de transport entrant dans une agence du réseau Road Logistics. « Notre objectif est de fournir aux collaboratrices et collaborateurs responsables d’agences une aide à la décision pour la planification saisonnière des capacités », explique Thomas Schmalz, Head of Production Management chez Dachser. D’après lui, cela permet d’obtenir à un stade précoce une capacité de charge appropriée sur le marché ou de planifier les ressources sur le quai. « Ce modèle prévoit les volumes correspondants jusqu’à 25 semaines à l’avance.
Le Machine Learning n’est pas une finalité en soi, souligne Thomas Schmalz. Nous voulons donner aux agences un outil qui rende leur travail plus facile, plus efficace et aussi plus intéressant. » Et il précise qu’il est nullement dans l’intention de Dachser de rendre les humains superflus grâce à des opérations de calcul. « L’informatique, la technique, le réseau et les humains forment chez nous un tout – un système cyber-socio-physique. C’est un moyen de progresser pour nos clients comme pour nous-mêmes. »
Priorité à la qualité des données
Le succès de l’apprentissage automatique dépend de la qualité des données entrées. « Les données importent plus que l’algorithme », souligne Thomas Schmalz. « Nous disposons d’une base de données standardisées unique en son genre, dont la qualité et la cohérence sont garanties. » Dans ce contexte, il estime que l’infrastructure système unifiée des entités European Logistics et Air & Sea Logistics et ses réseaux parvenus à maturité au fil des ans sont à l’avantage de Dachser. « Peu de logisticiens remplissent les mêmes conditions. »
Disposer de données fiables est une chose, mais les interpréter et les utiliser en est une autre. « Le Machine Learning est un travail d’équipe. Des modèles efficaces ne sont possibles que si les experts en processus travaillent en étroite collaboration avec les experts en apprentissage automatique du CC Data Science & Machine Learning. Nous avons besoin les uns des autres », résume Florian Zizler.
Le CC Data Science & Machine Learning met en relation les univers de la logistique et de l’informatique. « Nous créons un espace dans lequel des acteurs très divers se rencontrent et apportent leur expertise technique. Les échanges sont immédiats et directs. Au bout de compte, il s’agit de modéliser des processus concrets à partir de données », poursuit Florian Zizler. « C’est pour tous une expérience formidable de se pencher sur des problématiques très concrètes en s’appuyant sur des échanges interdisciplinaires et d’en retirer des solutions efficaces pour la logistique de tous les jours. »
Pour le projet PAnDA One, les experts de Dachser du centre de compétences ont analysé avec les différents départements les processus de manière approfondie et identifié des critères pour établir des prévisions solides. « Nos données remontent jusqu’en 2011. L’accent est mis sur les données des historiques d’expéditions », explique Florian Zizler. « Nous enrichissons cette base par des données calendaires, comme les jours fériés ou les vacances scolaires. Cela permet au modèle de reconnaître les schémas saisonniers qui sont si importants dans le transport terrestre. Pour mieux anticiper les tendances, nous avons également intégré une grande variété d’indices économiques. »
La capacité à prévoir les exigences et besoins futurs des clients trouve toutefois ses limites lorsque les conditions générales changent en raison de graves événements imprévus. « Bien sûr, les prévisions ont eu du mal à faire face aux fluctuations volatiles des volumes ainsi qu’à la pandémie de coronavirus », indique Florian Zizler. Mais lui et son équipe d’experts restent optimistes : « Nous allons bientôt retrouver la qualité habituelle de nos prévisions. »
Le projet de désignation B2X constitue une autre application concrète. L’objectif de l’algorithme associé est d’améliorer la qualité des données et de résoudre un problème de classification dans l’exploitation quotidienne. Il s’agit essentiellement de déterminer si le destinataire d’un envoi est une entreprise (B2B) ou un particulier (B2C). Au vu des informations de commande, décider entre B2B et B2C n’est pas toujours évident. Or cela fait une différence pour les processus logistiques si le destinataire est une entreprise ou un ménage privé.
Pour l’apprentissage automatique, on distingue essentiellement entre une phase de formation et une phase d’application. Durant la formation, on présente à l’algorithme ML des échantillons de données pour qu’il s’initie aux passages entre entrées et sorties. Les données d’entrée traitées par B2X sont principalement les informations de commande et les données géographiques. Dans la « phase d’application » qui suit, le modèle testé exploite les liens appris pour générer en conditions réelles une sortie (B2B ou B2C) à partir de nouvelles informations. Ce projet con tribue grandement à l’assurance qualité, dans le sens où il relève non seulement la qualité des données mais optimise encore davantage les processus logistiques.
Le centre de compétences évalue par ailleurs en continu de nouvelles idées et possibilités de cas d’application. Concernant l'optimisation des processus et de l’amélioration des conditions de travail ergonomiques des agents de quai, les experts ML expérimentent sur cinq sites avec la start-up MotionMiners un nouveau procédé d’amélioration de la qualité des processus (évoqué dans le Dachser magazine 2/2021).
Le champ d’application de l’apprentissage automatique est vaste. Aussi, un écosystème open source robuste et dynamique s’est développé ces dernières années. « Le Machine Learning marquera de plus en plus la cartographie des processus chez Dachser. Des applications open source étant disponibles, nous n’avons plus à tout développer nous-mêmes. En utilisant ces algorithmes de manière professionnelle, nous sommes en mesure d’exploiter encore mieux notre potentiel de données », déclare Florian Zizler. C’est l’une des raisons pour lesquelles Dachser est membre fondateur de l’Open Logistics Foundation. C’est ce qui fait la différence avec le pétrole des siècles passés : les données ne se tarissent pas, bien au contraire. Cette réalité nous permet de continuer à construire.