L'IA dans la supply chain : surmonter six obstacles clés pour des résultats réels

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

Par exemple, avec jusqu'à 90 % des accidents maritimes attribués à l'erreur humaine, l'IA pourrait réduire significativement ces cas. Permise par la communication véhicule-à-véhicule, les véhicules peuvent partager des données importantes telles que position, vitesse et cap. L'information peut être utilisée pour alerter les conducteurs et systèmes autonomes sur les menaces et collisions possibles, même celles hors de vue. Elle peut aussi alerter les conducteurs sur les véhicules moins visibles sur la route, comme les motos et vélos. La V2V, combinée à l'IA, peut réduire collisions et congestion en alertant proactivement conducteurs, pilotes et capitaines sur les problèmes anticipés et collisions avec d'autres véhicules, ainsi que d'autres dangers de trafic.

Les avantages de l'IA en termes de productivité, innovation et croissance économique globale sont tout aussi significatifs. McKinsey & Company estime que l'adoption de l'IA « a le potentiel de délivrer une activité économique globale additionnelle d'environ 13 000 milliards $ d'ici 2030, soit environ 16 % de PIB cumulé supérieur par rapport à aujourd'hui. Cela représente 1,2 % de croissance PIB additionnelle par an. » L'estimation de PwC est encore plus élevée, dépassant 15 000 milliards $.

Donné ce potentiel, il est facile de s'emballer avec l'IA et d'ignorer les problèmes majeurs que les entreprises rencontrent dans son adoption et son utilisation efficace. Voici quelques-uns des défis et solutions possibles.

Manque de données volumineuses et propres

Tous les processus computationnels ont besoin de bonnes données, et l'intelligence artificielle ne fait pas exception. Le machine learning (ML) en particulier requiert d'énormes volumes de données précises pour entraîner les algorithmes et développer des modèles prédictifs. Cependant, la plupart des entreprises n'ont ni la qualité ni la quantité de données pour accomplir cela.

Les entreprises doivent améliorer la qualité de leurs données par une gestion efficace des données de référence (master data management), et en incorporant des données temps réel dans les processus et systèmes autant que possible. Les réseaux d'affaires numériques multi-parties en temps réel maintiennent une « version unique de la vérité » tout en synchronisant continuellement les systèmes externes, assurant que les entreprises tournent sur l'information la plus complète et à jour possible.

Les organisations devraient aussi envisager d'utiliser des solutions avec des algorithmes pré-entraînés basés sur le ML qui s'appuient sur de grands volumes de données de scénarios et entreprises similaires. Grâce à leurs énormes volumes de transactions, les réseaux d'affaires numériques peuvent rapidement affiner des algorithmes bien entraînés et agents intelligents que les nouveaux membres du réseau peuvent exploiter.

L'IA en silos est une IA non intelligente

Les chaînes d'approvisionnement sont intrinsèquement transverses et inter-entreprises, et les données nécessaires pour les opérer sont dispersées parmi les partenaires internes et externes. Les entreprises tentant d'implémenter l'IA de manière fragmentée, en ignorant la vue d'ensemble, obtiendront de mauvais résultats. Sans accès à toutes les données pertinentes, les algorithmes continueront à avoir des angles morts et rateront des opportunités d'optimisation et d'exécution.

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

Boîte noire versus IA explicable

Certaines techniques de ML, comme les scorecards et arbres de décision, sont faciles à comprendre. Mais les réseaux de neurones sont plus complexes et mystérieux. Devrions-nous agir sur ces données, ou laisser le système agir de manière autonome si nous ne savons pas comment il est arrivé à de telles décisions ?

L'expérience d'Amazon utilisant l'IA pour recruter des talents a mal tourné quand les chercheurs ont remarqué que le système avait un fort biais pour l'embauche d'hommes. Cela était dû aux algorithmes ayant été entraînés sur des données majoritairement masculines. L'IA a par conséquent dégradé les candidates de deux collèges féminins, et pris d'autres décisions inappropriées basées purement sur le genre.

L'IA doit être transparente dans ses entrées, processus et décisions. Les entreprises doivent savoir, au moins en termes essentiels, comment les algorithmes fonctionnent, comment ils arrivent aux décisions, et comment ils créent et distribuent la valeur. Idéalement, le système devrait rendre explicites les raisons derrière les décisions, permettant aux utilisateurs de visualiser, approuver et outrepasser les décisions des agents autonomes. Les entreprises devraient aussi pouvoir adapter les algorithmes pour répondre à leurs besoins particuliers.

Optimisation à courte vue

Chaque processus et changement porte un coût. Quand il 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, consistant en 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 re-planifiant toute la chaîne d'approvisionnement, créant de la « nervosité » dans le système et encourant des changements et coûts majeurs et inutiles quand un changement plus local ou mineur suffirait.

Pour éviter ce problème, les optimisations devraient être continues plutôt qu'occasionnelles, et contraintes à impacter le moins d'entités possible afin de minimiser la perturbation du réseau. Comme dans le cas d'un avion sur pilote automatique, des ajustements mineurs continus de direction peuvent compenser les changements de conditions, tout en gardant l'avion précisément sur cap. L'alternative est de faire un seul réacheminement majeur quand l'avion est loin de la trajectoire près de la fin de son voyage. Ces ajustements continus s'additionnent pour de grandes améliorations sans causer d'ondes de choc brutales à travers votre chaîne d'approvisionnement.

Vendeurs IA trop enthousiastes

De nombreux vendeurs de logiciels ont sauté dans le wagon de l'IA. Dans un sens, c'est compréhensible, donnée la vagueur de sa définition et son domaine mal défini et tentaculaire. « Machine learning » est un terme mieux défini, et est souvent ce que les gens veulent dire quand ils utilisent le terme « intelligence artificielle ».

Néanmoins, les vendeurs doivent clairement expliquer ce qu'ils veulent dire quand ils utilisent des termes tels que « intelligence artificielle », « machine learning », « réseaux de neurones », « deep learning », etc. Le plus important, ils doivent montrer comment leur IA délivre plus de valeur business que les algorithmes heuristiques traditionnels. Comment ça marche ? Est-ce que ça s'étend sur les systèmes et entreprises pour embrasser tout le 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 fossé des compétences IA

De nombreuses entreprises sont prises de court par l'évolution rapide et la viabilité croissante de l'IA. C'est parce que l'IA requiert des compétences modernes qui peuvent impliquer de nouveaux langages, frameworks et façons de penser. Peu d'entreprises sont équipées pour gérer la transition et exploiter pleinement ce domaine en développement rapide. Une enquête 2018 d'O'Reilly suggère que le fossé des compétences IA est la plus grande barrière à l'adoption de l'IA.

À long terme, le marché prendra soin du déficit de compétences, mais en attendant, les entreprises devraient commencer à identifier leurs besoins et recrutements potentiels. Elles devraient aussi regarder la formation des employés existants, et offrir des incitations et nouveaux parcours de carrière pour soutenir le passage aux technologies ML et IA.

Une autre option est de s'associer avec une entreprise technologique qui a le réseau, les ressources et l'expertise pour conseiller, implémenter et maintenir une solution IA ou une plateforme pilotée par l'IA. Cette dernière permet aux entreprises de démarrer, et de commencer à réaliser des gains, beaucoup plus rapidement.

Nigel Duckworth est stratège senior chez One Network Enterprises, fournisseur d'un réseau d'affaires piloté par l'IA.