IA dans la chaîne d'approvisionnement :six obstacles à l'obtention de résultats

L'intelligence artificielle a le potentiel de changer radicalement à peu près tout pour le mieux. Son impact est susceptible d'égaler celui de l'électricité et d'autres technologies à usage général qui ont enrichi nos vies. Les premiers signes de son impact apparaissent déjà dans des cas de test avec des véhicules autonomes, y compris des navires et des avions, et les avantages vont bien au-delà de la réduction des effectifs.

Par exemple, avec jusqu'à 90 % des accidents de navigation attribués à une erreur humaine, l'IA pourrait réduire considérablement ces cas. Grâce à la communication de véhicule à véhicule, les véhicules peuvent partager des données importantes telles que la position, la vitesse et le cap. Les informations peuvent être utilisées pour alerter les conducteurs et les systèmes autonomes d'éventuelles menaces et collisions, même celles qui sont hors de vue. Il peut également alerter les conducteurs sur les véhicules moins visibles sur la route, tels que les motos et les vélos. Le V2V, combiné à l'IA, peut réduire les collisions et les embouteillages en alertant de manière proactive les conducteurs, les pilotes et les capitaines des problèmes et collisions anticipés avec d'autres véhicules, ainsi que d'autres dangers pour la circulation.

Les avantages de l'IA en termes de productivité, d'innovation et de croissance économique mondiale sont tout aussi importants. McKinsey &Company estime que l'adoption de l'IA « a le potentiel de générer une activité économique mondiale supplémentaire d'environ 13 milliards de dollars d'ici 2030, soit environ 16 % de PIB cumulé supérieur à celui d'aujourd'hui. Cela équivaut à 1,2 % de croissance supplémentaire du PIB par an. L'estimation de PwC est encore plus élevée, dépassant les 15 tr $.

Compte tenu de ce potentiel, il est facile de se laisser emporter par l'IA et d'ignorer les problèmes majeurs auxquels les entreprises sont confrontées pour l'adopter et l'utiliser efficacement. Voici quelques-uns des défis et des solutions possibles.

Manque de données volumineuses et propres. Tous les processus informatiques ont besoin de bonnes données, et l'intelligence artificielle ne fait pas exception. L'apprentissage automatique (ML) en particulier nécessite d'énormes volumes de données précises afin de former des algorithmes et de développer des modèles prédictifs. Cependant, la plupart des entreprises n'ont ni la qualité ni la quantité de données pour y parvenir.

Les entreprises doivent améliorer la qualité de leurs données grâce à une gestion efficace des données de référence et en incorporant autant que possible des données en temps réel dans les processus et les systèmes. Les réseaux commerciaux numériques multipartites en temps réel conservent une « version unique de la vérité » tout en synchronisant en permanence les systèmes externes, garantissant que les entreprises fonctionnent avec les informations les plus complètes et les plus à jour possibles.

Les organisations doivent également envisager d'utiliser des solutions avec des algorithmes pré-entraînés basés sur le ML qui s'appuient sur de gros volumes de données provenant de scénarios et d'entreprises similaires. En raison de leurs énormes volumes de transactions, les réseaux commerciaux numériques peuvent rapidement perfectionner des algorithmes bien formés et des agents intelligents que les nouveaux membres du réseau peuvent exploiter.

L'IA compartimentée est une IA inintelligente. Les chaînes d'approvisionnement sont intrinsèquement interfonctionnelles et interentreprises, et les données nécessaires à leur fonctionnement sont dispersées entre les partenaires internes et externes. Les entreprises qui tentent de mettre en œuvre l'IA de manière fragmentée, tout en ignorant la situation dans son ensemble, obtiendront de mauvais résultats. Sans accès à toutes les données pertinentes, les algorithmes continueront d'avoir des angles morts et rateront des opportunités d'optimisation et d'exécution.

Les entreprises doivent chercher à inclure autant de systèmes, d'opérations et de partenaires commerciaux que possible pour renforcer l'exactitude, le contexte et l'exhaustivité des données. L'objectif devrait être de connecter l'ensemble de la chaîne d'approvisionnement à un réseau en temps réel, de la source au client final. Seule une solution à l'échelle de la chaîne d'approvisionnement peut optimiser pleinement les opérations critiques telles que les niveaux de stock et la gestion de la logistique, en surveillant l'ensemble de la demande et de l'offre.

Boîte noire contre IA explicable. Certaines techniques de ML, telles que les tableaux de bord et les arbres de décision, sont faciles à comprendre. Mais les réseaux de neurones sont plus complexes et mystérieux. Devrions-nous agir sur ces données, ou permettre au système d'agir de manière autonome si nous ne savons pas comment il est arrivé à de telles décisions ?

L'expérience d'Amazon consistant à utiliser l'IA pour recruter des talents a mal tourné lorsque les chercheurs ont remarqué que le système avait un fort biais pour l'embauche d'hommes. Cela était dû au fait que les algorithmes avaient été entraînés sur des données à prédominance masculine. L'IA a par conséquent déclassé des candidates de deux collèges pour femmes et pris d'autres décisions inappropriées fondées uniquement sur le sexe.

L'IA doit être transparente dans ses intrants, ses processus et ses décisions. Les entreprises ont besoin de savoir, au moins en termes essentiels, comment fonctionnent les algorithmes, comment ils prennent des décisions et comment ils créent et distribuent de la valeur. Idéalement, le système devrait expliciter les raisons des décisions, permettant aux utilisateurs de visualiser, d'approuver et d'annuler les décisions des agents autonomes. Les entreprises devraient également être en mesure d'adapter les algorithmes pour répondre à leurs besoins particuliers.

Optimisation à courte vue. Chaque processus et changement a un coût. Lorsque cela n'est pas pris en compte dans la prise de décision, le résultat peut parfois être pire que si rien n'avait été fait du tout. Dans les chaînes d'approvisionnement, composées de nombreux partenaires et systèmes, il est facile de perdre de vue les conséquences à long terme d'une action. De nombreuses solutions tombent dans ce piège en replanifiant l'ensemble de la chaîne d'approvisionnement, créant une « nervosité » dans le système et entraînant des changements et des coûts majeurs et inutiles lorsqu'un changement mineur ou plus local suffirait.

Pour éviter ce problème, les optimisations doivent être continues plutôt qu'occasionnelles, et doivent être limitées à impacter le moins d'entités possible afin de minimiser les perturbations du réseau. Comme dans le cas d'un avion sur pilote automatique, des ajustements mineurs et continus de la direction peuvent compenser les changements de conditions, tout en gardant l'avion précisément sur le cap. L'alternative consiste à effectuer un seul réacheminement majeur lorsque l'avion est loin de la bonne voie vers la fin de son voyage. Ces ajustements continus s'ajoutent à de grandes améliorations sans provoquer d'ondes de choc discordantes tout au long de votre chaîne d'approvisionnement.

Fournisseurs d'IA trop enthousiastes. De nombreux éditeurs de logiciels ont pris le train en marche de l'IA. En un sens, cela se comprend, compte tenu du flou de sa définition et de son domaine mal défini et tentaculaire. « L'apprentissage automatique » est un terme plus bien défini, et c'est souvent ce que les gens veulent dire lorsqu'ils utilisent le terme « intelligence artificielle ».

Néanmoins, les fournisseurs doivent expliquer clairement ce qu'ils entendent lorsqu'ils utilisent des termes tels que « intelligence artificielle », « apprentissage automatique », « réseaux de neurones », « apprentissage en profondeur », etc. Plus important encore, ils doivent montrer comment leur IA offre plus de valeur commerciale que les algorithmes heuristiques traditionnels. Comment ça marche? S'étend-il aux systèmes et aux entreprises pour englober l'ensemble du réseau et toutes ses conditions et contraintes ? Ou est-ce limité à quelques fonctions ou domaines ? Qui l'utilise et quels résultats ont-ils obtenus ?

Le manque de compétences en IA. De nombreuses entreprises sont prises de court par l'évolution rapide et la viabilité croissante de l'IA. En effet, l'IA nécessite des compétences modernes pouvant impliquer de nouveaux langages, cadres et modes de pensée. Peu d'entreprises sont outillées pour gérer la transition et exploiter pleinement ce domaine en plein développement. Une enquête réalisée en 2018 par O'Reilly suggère que le manque de compétences en IA est le plus grand obstacle à l'adoption de l'IA.

À long terme, le marché comblera le déficit de compétences, mais d'ici là, les entreprises devraient commencer à identifier leurs besoins et les nouvelles embauches potentielles. Ils devraient également envisager de former les employés existants et d'offrir des incitations et de nouveaux cheminements de carrière pour soutenir le passage aux technologies de ML et d'IA.

Une autre option consiste à s'associer à une entreprise technologique qui dispose du réseau, des ressources et de l'expertise pour conseiller, mettre en œuvre et maintenir une solution d'IA ou une plate-forme compatible avec l'IA. Ce dernier permet aux entreprises de démarrer et de commencer à réaliser des gains beaucoup plus rapidement.

Nigel Duckworth est stratège principal chez One Network Enterprises, fournisseur d'un réseau d'entreprise basé sur l'IA.