La Supply Chain de Renault, avec 6 000 camions par jour transportant pièces et véhicules en Europe, pose des défis complexes de planification. Pour optimiser sa chaîne logistique, le constructeur automobile français annonce ce 24 novembre son partenariat avec l'École des Ponts ParisTech autour d’un projet de recherche de cinq ans. Cette collaboration mobilise la recherche fondamentale pour développer une approche hybride, combinant l'intelligence artificielle par apprentissage automatique et la recherche opérationnelle.
Jusqu'à présent, l'optimisation de la chaîne logistique reposait sur la recherche opérationnelle, qui se fonde sur la modélisation mathématique. Une de ses principales composantes est l'optimisation combinatoire, « qui est utilisée pour résoudre des problèmes où il existe un ensemble fini de solutions possibles, explique Axel Parmentier, enseignant à l’École des Ponts ParisTech et chercheur au Cermics, laboratoire de mathématiques appliquées. Elle se concentre sur l'optimisation de configurations où les solutions sont composées d'éléments distincts. Cela inclut des problèmes tels que la recherche de l'itinéraire le plus court dans un réseau, la planification de tournées et l’allocation des ressources. »
Pour améliorer les prises de décision, l'utilisation des données de terrain est également devenue cruciale. Ces données sont utilisées dans une approche consistant à utiliser l’apprentissage automatique pour faire des estimations qui, dans un deuxième temps, sont reprises comme « input » (entrées, ndlr) par la recherche opérationnelle. Dans le cadre de ce partenariat, l'Ecole des Ponts ParisTech vise notamment à développer une approche d’optimisation dite « data-driven » où l'apprentissage automatique et l'optimisation combinatoire sont intimement liés pour une performance optimale.
Une couche d’optimisation combinatoire au cœur de réseaux de neurones profonds
Les thèses et post-doctorats qui seront menés au laboratoire doivent ainsi permettre d’améliorer les méthodes de recherche opérationnelle à l'aide notamment de réseaux de neurones profonds (deep learning). Pour leurs travaux, les chercheurs utilisent des bibliothèques open source d'algorithmes d'apprentissage pour construire des modèles à réseaux de neurones. Or « ces réseaux ne sont pas conçus pour intégrer de l'optimisation combinatoire », pointe Alexis Parmentier. Les chercheurs devront donc des développer des outils mathématiques permettant de rendre les algorithmes classiques de recherche opérationnelle et d'optimisation combinatoire compatibles avec le deep learning. « On veut intégrer une couche d’optimisation combinatoire au milieu de différentes couches successives de machine learning classique », résume-t-il.
À l’issue de ces travaux, les résultats escomptés pour Renault incluent l'obtention d'algorithmes permettant d'optimiser ses processus logistiques en temps réel et de pouvoir à terme prendre des décisions se basant sur des prédictions. « Nos futurs algorithmes permettront à Renault de réduire son empreinte carbone en améliorant le choix des trajets, les tournées des véhicules, l’envoi et le retour des emballages de ses usines vers ses fournisseurs et concessionnaires. » Du côté académique, « on espère développer des théorèmes mathématiques pour permettre au machine learning de fonctionner dans un contexte combinatoire », conclut le chercheur-enseignant.
