Gains :
- Capacité à identifier les problèmes de conception, d'itinéraire et d'aménagement des entrepôts du réseau de la chaîne d'approvisionnement
- Capacité à utiliser l'IA dans la génération de scénarios, la liste de contraintes et la construction de modèles d'optimisation
- Capacité à valider les solutions suggérées par l'IA avec des contraintes de coût, de capacité et de livraison
La chaîne d'approvisionnement représente l'ensemble du flux de matériaux, d'informations et d'argent, depuis les matières premières jusqu'au client final. Chaque décision prise dans ce réseau (où s'approvisionner, quel entrepôt stocker, quel itinéraire expédier) établit un équilibre entre coût, rapidité et durabilité. L'optimisation n'est pas ici magique, cela signifie une fonction objectif et des contraintes bien définies. L'intelligence artificielle est très puissante dans ce domaine pour structurer le problème, générer des scénarios, lister les contraintes et rédiger le modèle d'optimisation ; Mais les allégations de « meilleure solution » doivent toujours être validées par rapport aux contraintes et aux coûts réels. Dans cette unité, nous discuterons de la conception du réseau, de l'optimisation des itinéraires et des décisions d'entrepôt avec le support de l'IA.
Carte des problèmes d’optimisation de la chaîne d’approvisionnement
Reconnaître les problèmes d'optimisation est la première étape pour créer le bon modèle.
problème
variable de décision
Objectif typique
conception de réseau
Quelle installation/entrepôt faut-il ouvrir ?
Coût total fixe + variable min.
Affectation/attribution
Quel client de quel entrepôt ?
Coût de transport minimum
Routage des véhicules (VRP)
Quel véhicule fait quoi et s'arrête, dans quel ordre ?
Distance totale/temps min
aménagement de l'entrepôt
Où placer les produits ?
Distance de prélèvement min.
Sélection du mode de transport
Terre/mer/air
Équilibre coût-vitesse
Le cadre commun de chaque problème est le même : variables de décision, fonction objectif, contraintes. La contribution la plus précieuse de l’IA est qu’elle vous aide à traduire un problème commercial en ces trois composantes.
Rôle : Vous êtes ingénieur industriel spécialisé dans l'optimisation de la supply chain. Tâche : Traduire le problème commercial suivant en un modèle d'optimisation. Précisez : (1) variables de décision, (2) fonction objectif, (3) contraintes (capacité, satisfaction de la demande, non-négativité), (4) type de ce problème. Problème : "Nous avons 3 usines et 5 centres de distribution. La capacité de chaque usine et la demande de chaque centre sont certaines. Les coûts unitaires de transport d'une usine à l'autre sont différents. Minimiser le coût total de transport Nous voulons le télécharger. "Règle : Nommez le type de modèle (par exemple, problème de transport), écrivez clairement les hypothèses.
Il s’agit d’un problème de transport classique. L’IA peut le reconnaître et construire le squelette mathématique correct ; Vous placez également des données réelles sur la capacité et la demande.
Optimisation des itinéraires (VRP) et importance des contraintes
L'itinéraire des véhicules est le problème le plus fréquemment rencontré et le plus mal établi dans la pratique. Il y a une grande différence entre le simple « chemin le plus court » (TSP) et le vrai VRP : capacité du véhicule, fenêtres horaires (heures pendant lesquelles le client peut venir le chercher), limites de temps de conduite, multi-véhicules.
Attention : lorsque l'IA recommande un itinéraire, elle « oublie » ou se rapproche souvent des contraintes de capacité et de fenêtre horaire. Un itinéraire chargé avec plus de marchandises qu'un véhicule ne peut en transporter peut sembler « court », mais n'est pas pratique. Vérifiez chaque itinéraire individuellement pour la charge totale ≤ la capacité et l'heure d'arrivée ∈ la fenêtre horaire.
Invite faible/Invite forte
Invite faible :
Donnez l'itinéraire le plus court pour ces 8 arrêts.
S’il n’y a pas de capacité, de fenêtre horaire et de nombre de véhicules, l’IA donne un classement simple ; Cela ne tient pas la route en fonctionnement réel.
Invite puissante :
Proposer un plan de route pour les 8 clients suivants. Il y a 2 véhicules, la capacité de chacun est de 100 unités. La demande et la fenêtre horaire de chaque client sont jointes. Départ de l'entrepôt à 8h00. Supposons une vitesse moyenne de 40 km/h. Sortie : ordre des arrêts pour chaque véhicule, charge cumulée (à ne pas dépasser la capacité), heures d'arrivée estimées (pour s'adapter à la fenêtre horaire), distance totale. S’il y a une violation de contrainte, indiquez-la clairement et proposez une alternative. Données : {{ ... }}
La deuxième invite impose explicitement des contraintes et demande une vérification des violations à l'IA. Il est cependant indispensable de vérifier le résultat avec un solveur ou manuellement ; L’IA ne garantit pas une optimalité absolue.
Optimal ou simplement « bon » ?
Il y a ici un concept essentiel : la solution trouvée par l’IA (et la plupart des méthodes pratiques) est souvent une bonne solution (heuristique), et non une solution optimale. Le véritable optimal est trouvé par un solveur mathématique (tel que OR-Tools, Gurobi, PuLP) résolvant le modèle correctement construit. Le rôle de l’IA est de construire le modèle, pas de le résoudre.
Écrivez un squelette de modèle pour résoudre le problème de transport suivant avec Python PuLP :- Variables de décision x[i][j] (i usine, j centre)- Objectif : minimisation du coût total- Contrainte : offre de chaque usine, demande de chaque centre, x >= 0Expliquez le code avec des commentaires, mais je saisirai les données numériques. Aussi : indiquez les vérifications que je dois effectuer lorsque la solution est publiée.
Astuce : au lieu de dire à l'IA « d'écrire le code et de le comprendre », dites-lui « écrivez le code et je l'exécuterai ». Cela fait de l’optimisation un véritable solveur ; Vous ne faites pas confiance aux chiffres inventés par l'IA (et non vérifiés) disant "voici ma solution".
Décisions d’entrepôt et d’emplacement
Le placement des produits dans l’entrepôt affecte directement la distance de prélèvement. Le principe de base est de positionner les articles fréquemment déplacés (forte rotation) à proximité du point de prélèvement (placement ABC). L'IA peut produire un aperçu d'une proposition de mise en page avec des données sur les mouvements de produits ; Cependant, les contraintes physiques (taille des linéaires, poids, séparation des matières dangereuses, chaîne du froid) doivent être encadrées par des humains.
Mini Case : court sur le papier, impossible sur le terrain
Une entreprise de distribution effectue 40 livraisons par jour avec 3 véhicules. L'ingénieur industriel Selin donne les arrêts, les demandes et les capacités des véhicules à l'IA et demande un plan d'itinéraire. L'IA produit un tir joli et avec une faible distance totale. Mais lorsque Selin vérifie, elle se rend compte que la charge cumulée sur le trajet d'un véhicule dépasse la capacité de 15 % ; Il y a également deux arrêts où le client peut venir chercher l'après-midi mais est programmé le matin. Selin écrit les contraintes plus clairement sur l'invite et les reproduit, puis vérifie le plan avec OR-Tools. Le résultat devient réalisable. Leçon : Le plan que l'IA qualifiait de « le plus court » n'était en réalité pas le plus court et était même invalide en raison de violations de contraintes.
Erreurs courantes
- Ne pas préciser les contraintes : Demander un itinéraire sans capacité, plage horaire et nombre de véhicules.
- Confondre l'IA avec un solveur : accepter la solution "optimale" donnée par l'IA comme un véritable résultat du solveur.
- Ne pas vérifier les violations de contraintes : mettre en œuvre le plan sans vérifier la charge cumulée et les heures d'arrivée.
- Se concentrer sur un seul objectif : optimiser uniquement les coûts et oublier la durabilité/risque (dépendance à un seul fournisseur).
- Ne pas utiliser les coûts réels : créer un modèle avec des coûts unitaires par défaut/fabriqués et ne pas le mettre à jour avec des données réelles.
En résumé
- Toute optimisation de supply chain se résume à trois composantes : variables de décision, fonction objectif, contraintes.
- La contribution la plus précieuse de l'IA consiste à traduire le problème commercial en le bon type de modèle (transport, VRP, affectation).
- Les contraintes de capacité et de fenêtre de temps sont cruciales dans VRP ; L'IA les ignore fréquemment, assurez-vous de les vérifier.
- L’IA construit, pas résout ; Un solveur (PuLP, OR-Tools) devrait effectuer l'optimisation proprement dite.
- Outre le coût, la durabilité et le risque devraient également être l’objectif ; La dépendance à un seul fournisseur/à un seul itinéraire constitue un coût caché.
Tâche de candidature
Construisez un problème d'approvisionnement/distribution (par exemple 3 entrepôts, 5 à 8 clients, demandes et capacité des véhicules). Tout d’abord, demandez à l’IA de modéliser le problème en tant que variable de décision, objectif et contrainte et nommez le type de problème. Donnez ensuite un scénario VRP et demandez un plan d'itinéraire ; Vérifiez vous-même la charge cumulée et les heures d'arrivée de chaque véhicule dans la sortie. Vérification critique : additionnez manuellement la charge totale d'au moins un véhicule, comparez-la à la capacité et recherchez une violation de contrainte. Enfin, demandez à l'IA d'écrire le squelette du code du solveur (PuLP) et de concevoir un flux de travail qui empêche l'IA de générer de faux nombres, avec une approche « Je vais exécuter la solution ».