L'informatique quantique : moteur de la prochaine ère d'excellence logistique

La COVID-19 nous a enseigné l'importance des chaînes d'approvisionnement quand tout, des matières premières aux produits finis, est devenu retardé ou simplement indisponible pour les fabricants et détaillants. Elle a également accéléré un changement dramatique du côté logistique et livraison de l'équation de la chaîne d'approvisionnement alors que les consommateurs passaient des achats en magasin aux achats en ligne. La nature dynamique de la chaîne d'approvisionnement complète est maintenant un fait, exigeant des changements significatifs dans la façon dont nous voyons l'optimisation.

L'objectif d'une organisation de chaîne d'approvisionnement est de répondre aux exigences des clients tout en minimisant les coûts totaux de la chaîne d'approvisionnement. Les entreprises doivent être assez flexibles pour répondre rapidement quand des perturbations se produisent.

Malheureusement, la plupart d'entre nous ne sommes pas aussi agiles que nous pourrions l'être, comme le souligne cette recherche de Ventana :

• 79 % des entreprises utilisent des tableurs pour la planification de la chaîne d'approvisionnement.
• Moins de 25 % disent que leurs plans de chaîne d'approvisionnement sont intégrés avec les départements de fabrication, d'approvisionnement ou de vente de leur entreprise.
• 54 % disent avoir une capacité limitée ou nulle à mesurer les arbitrages de la chaîne d'approvisionnement à travers les départements lors de la prise de décisions.

De plus, le dernier kilomètre devient encore plus complexe. Le dernier kilomètre a toujours été le plus cher, le défi longtemps déploré de la chaîne d'approvisionnement. Avec le « nouveau normal » d'habitudes de consommation et de canaux changeants créant une demande imprévisible, les prévisions sont devenues sans signification. Cela rend l'agilité et la vitesse d'optimisation d'autant plus importantes pour répondre aux attentes croissantes des clients pour une disponibilité instantanée et une livraison quasi immédiate.

Un modèle logistique fixe n'est pas conçu pour être flexible ou rapide. Capgemini Research Institute, Supply Chain Survey 2020 a trouvé que 70 % des entreprises priorisent la logistique entrante et sortante dans le cadre de leurs efforts de durabilité de la chaîne d'approvisionnement post-Covid. Pourtant, moins de la moitié des organisations interrogées par Accenture conviennent qu'elles répondent actuellement aux attentes des clients pour l'exécution des commandes.

Que se passe-t-il quand l'industrie devient encore plus dynamique et que les attentes des clients exigent que les cycles de temps se compressent ?

Le chaînon manquant : l'optimisation sous contrainte

L'optimisation sous contrainte aide les chaînes d'approvisionnement manufacturières en identifiant le meilleur chemin à suivre alors que des conditions dynamiques impactent les options d'approvisionnement et de logistique. En termes simples, l'optimisation sous contrainte vous guide pour décider comment faire plus avec moins, ou comment utiliser moins pour faire plus.

La plupart des décisions d'affaires économiques nécessitent l'application de contraintes, telles que le coût, le volume ou le temps, à un ensemble de variables, tels que camions, SKU, ou personnes, avec un objectif de minimiser (coût) ou maximiser (profit) les résultats. Chaque organisation a une multitude de tels problèmes d'optimisation à résoudre.

Cela ressemble à quelque chose que nous devrions utiliser, non ? Mais il y a quelques raisons pour lesquelles nous ne le faisons pas :

• Les entreprises avec des investissements majeurs dans le big data et l'analytique peuvent supposer qu'elles ont l'analyse et le reporting en place qui sont nécessaires. Mais l'informatique classique ne peut pas traiter les volumes de données que nous collectons. Les analystes finissent par compresser et réduire les données pour exécuter un calcul, réduisant ainsi les données analysées pour obtenir un résultat.
• L'information est analysée et présentée à la direction et aux décideurs. Ils appliquent leurs perspectives uniques au débat et décident — comme ils l'ont toujours fait. Et ils supposent que c'est suffisant. L'optimisation sous contrainte retire le débat et les filtres personnels de l'équation pour vous montrer les meilleures décisions.
• Les données ne sont pas juste des données. Elles ont des interrelations avec d'autres données que vous devez considérer pour obtenir des réponses précises et de haute qualité aux demandes d'optimisation. Si un ordinateur classique ne faiblit pas complètement, il peut ne donner qu'une seule réponse probable, et elle peut ou non être précise.

Classique vs Complexe

Beaucoup d'entre nous ont entendu parler du problème du voyageur de commerce, qui peut être comparé au routage des camions et comment optimiser les routes, ainsi que les camions. Le défi est que les problèmes de voyageur de commerce comme celui-ci croissent en complexité par n! (n factoriel). Les problèmes de routage sont plus contraints et complexes pour chaque variable (camion, route, chauffeur, etc.) que vous ajoutez. Par exemple, un problème de voyageur de commerce qui a 10 arrêts résulte en 3 628 800 options de route, 40 arrêts résulteront en environ 40! = 815 915 283 200 000 000 000 000 000 000 000 000 000 000 options. Router plusieurs camions et colis est encore plus complexe.

Un ordinateur classique lutterait sous le poids et l'échelle d'un vaste ensemble de possibilités. C'est là que les ordinateurs quantiques promettent de prendre en charge la tâche pour produire rapidement des options parmi lesquelles choisir pour prendre la meilleure décision basée sur vos objectifs.

Les scénarios compliqués destinés à résoudre pour de multiples variables ne sont pas réalisables par un algorithme d'informatique classique dans un court laps de temps. Cependant, les algorithmes utilisant des techniques d'informatique quantique peuvent rapidement atteindre cette simulation en utilisant un système classique appliquant des techniques quantiques, ou une solution hybride qui emploie à la fois le quantique et le classique, aujourd'hui.

Accenture convient, déclarant : « Les algorithmes d'optimisation de route aident à réduire le kilométrage et à améliorer les taux de livraison à l'heure. En logistique, le routage quantique utilise l'informatique quantique basée sur le cloud pour calculer la route la plus rapide pour tous les véhicules, en tenant compte de millions de points de données en temps réel sur la congestion du trafic. »

Applications concrètes pour les chaînes d'approvisionnement manufacturières

Voici quelques façons supplémentaires dont l'optimisation sous contrainte bénéficie aux chaînes d'approvisionnement manufacturières, des matières premières entrantes à la distribution sortante :

• Efficacité du transport. L'optimisation sous contrainte est utilisée pour identifier les emplacements optimaux pour les usines, les installations de distribution, et autres hubs logistiques. Même une différence d'un mile dans le placement d'une usine peut faire une différence significative dans les coûts et la productivité du réseau global.
• Gestion d'entrepôt et distribution. L'optimisation sous contrainte est appliquée pour optimiser l'expédition et les charges globales et locales, l'entreposage et la livraison pour le coût le plus bas, l'efficacité et la productivité optimales. Imaginez devoir planifier des expéditions de milliers et milliers d'ordinateurs, téléviseurs ou voitures à travers le monde en utilisant un morceau de papier ou un tableur.
• Logistique entrante. Des niveaux de commande à la livraison à la ligne de production, l'optimisation peut conduire à des niveaux de production maximum au meilleur coût. Même une expédition perdue ou un fournisseur oublié peut semer le chaos sur une ligne de production. Imaginez maintenant devoir planifier et maintenir toutes les pièces d'une voiture, ordinateur, TV, réfrigérateur ou VTT en utilisant un tableur, surtout quand vous gérez des centaines de milliers d'unités.

La recherche IDC conclut : « La capacité à ingérer des ensembles de données larges et profonds pour éclairer une meilleure prise de décision sera le plus grand différenciateur de la performance de la chaîne d'approvisionnement à l'avenir. » Les techniques d'informatique quantique donnent du pouvoir à l'optimisation sous contrainte à un nouveau niveau de précision et de performance.

Les ordinateurs quantiques traitent des calculs complexes pour retourner une diversité de réponses, pas juste une. Chaque réponse qui rencontre l'état optimisé dont vous avez besoin vous est livrée. Vous obtenez une exposition à plus d'options viables qu'avec les processeurs classiques et pouvez sélectionner celle qui correspond le mieux à votre situation spécifique à l'instant présent. C'est une bien meilleure façon de prendre des décisions vs les approches logicielles classiques qui fournissent une seule réponse comme votre seule option.

L'informatique quantique est l'une des innovations technologiques les plus prometteuses susceptibles de façonner, rationaliser et optimiser l'avenir de la chaîne d'approvisionnement. Elle offre de meilleurs insights pour prendre de meilleures décisions. C'est pourquoi il y a tant d'excitation à son sujet.

Robert Liscouski est président et PDG de Quantum Computing Inc.