Adaptation dans un nuage d’une chaine logistique agile – CAASC

Trois verrous complémentaires sont étudiés :
- L’identification des incertitudes : Sur un historique de plans, un calcul de similarité et une classification hiérarchique ascendante permettent d’identifier les zones de l’horizon de planification ayant des variations similaires. Par suite, un modèle d’incertitude pour chaque zone est calculé.
- La planification sous incertitude : Un acteur reçoit 2 types de plans (besoins clients et plan de livraison de fournisseurs) pour lesquels il a un modèle d’incertitude flou ; ce modèle dépendant des zones de l’horizon. Pour ses décisions, nous quantifions les risques de rupture matière, d’insatisfaction client et de replanification sur la base d’indicateurs de robustesse, de gravité, d’adaptabilité et de fréquence à partir de mesures d’incertitude adaptées au traitement de données floues (mesures de possibilité et de mesures de nécessité).
- Une technique compilation de connaissance calcule une représentation condensée d’un ensemble des solutions admissibles au problème de décision, ce qui permettra de conserver de la flexibilité (des plans alternatifs) tout en accélérant la réponse à des requêtes en ligne. Ici, nous traitons de problèmes issus de la littérature en planification. Pour le cas mono-produit, une représentation utilisée en programmation dynamique est adaptée. Pour le cas multi-produits, l’intersection proposée de formes compilées mono-produit, et d’une représentant les possibilités d’affectation de la capacité, s’appuie sur des algorithmes de croisement issus de la littérature.

Sur les données industrielles, le module de modélisation explique des comportements observés contre-intuitifs : incertitudes plus importantes à court terme ; incertitudes réduites durant la pandémie ; sensibilité au comportement de décideurs.
Le prototype d’aide à la planification et à la négociation intègre des modèles (sous forme de distributions de possibilité et d’ensembles flous) des incertitudes héritées des partenaires. Il a été validé sur des données réelles et par simulation.
L’évaluation de l’approche par compilation d’ensemble de solutions admissibles confirme le besoin d’une adaptation au domaine pour accélérer la réponse aux requêtes. Un intérêt à partager l’ensemble de solutions (compilé sous forme compacte) a aussi été montré.

2 thèses et de 6 conférences internationales avec comité de lecture ont été réalisées :
- incertitudes liées à l’horizon glissant : Thèse Walid Khellaf (chap 4 et 5), la modélisation (MOSIM’2020), évaluation par simulation(APMS 2021)
- risques liées aux incertitudes clients et fournisseurs dans un module d’aide à la décision : thèse de Sanaa Tiss, un serious game (PRO-VE 2019), un modèle d’évaluation des risques ( MOSIM 2020), une interface (ILS 2020).
- Aide à la replanification par la compilation de modèles de « Lot Sizing » : Thèse Walid Khellaf chapitre 6, APMS2022

Le projet a montré l’intérêt de modules d’aide à l’évaluation des impacts des incertitudes, ces modules ne viennent pas en remplacement, mais en complément, des outils de planification déterministes existants. Au-delà d’une montée en TRL qui reste à effectuer, quelques points méritent des approfondissements scientifiques : intégration de l’incertitude liée à l’horizon glissant avec d’autres formes, la détection de changement de modèles, la collaboration entre acteurs autour des modèles d’incertitude, l’intégration des préférences de décideurs et des incertitudes, l’amélioration des performances des algorithmes de compilation proposés.

Barne, L. C.; Giordano, J.; Collins, T.; Desantis, A. Decoding Trans-Saccadic Prediction Error. Journal of Neuroscience. 2023, 43(11), 1933-1939.

Bonnet, E.; Masson, G. S.; Desantis, A. What over When in causal agency: Causal experience prioritizes outcome prediction over temporal priority. Consciousness and Cognition. 2022, 104, 103378.

Ficarella, S. C.; Desantis, A.; Zenon, A.; Burle, B. Preparing to React: A Behavioral Study on the Interplay between Proactive and Reactive Action Inhibition. Brain Sciences. 2021, 11, 680.

Desantis, A.; Chan-Hon-Tong, A.; Collins, T.; Hogendoorn, H.; Cavanagh, P. Decoding the Temporal Dynamics of Covert Spatial Attention Using Multivariate EEG Analysis: Contributions of Raw Amplitude and Alpha Power. Frontiers in Human Neuroscience. 2020, 14.

Le projet CAASC considère une chaîne logistique reliant de plusieurs entités indépendantes pour la planification moyen terme de leur vente, production, transport, stockage. L’incapacité à maintenir un alignement de ces planification est une sources majeures de dysfonctionnement (ruptures de produits, surcouts de distribution, surcapacités, sur-stocks). Ces partenaires partagent sur une plateforme cloud des données de planification et des informations sur l’état courant de leur chaîne logistique. CAASC s’intéresse à l’utilisation de ces données pour détecter des déviations entre (i) les planifications validées entre partenaires, (ii) l’état de la chaine et (iii) les dernières prévisions, pour rechercher, si nécessaire, des adaptations agiles à ces déviations. Le projet CAASC vise à adapter et développer l’infrastructure logicielle et de test réalisée dans le cadre du projet européen H2020 C2NET.
Mais, alors que C2NET cible le recueil des données et la détection de déviations, CAASC approfondit les services d’analyse et adaptation pour développer l’agilité autour d’une planification dans une chaîne logistique.
CAASC intègre ainsi la gestion des incertitudes dans le processus de suivi d’une planification pour éviter une nervosité importante des décisions, le déclenchement d’un effet coup de fouet, ou une mauvaise ou sur-protection des points de découplages.
A cet effet, CAASC propose 3 axes scientifiques :
Le premier axe concerne l’identification et l’évaluation des incertitudes. Au rythme des flots de données intégrés sur le cloud, et des déviations détectées, un processus d’apprentissage automatisé permet de détecter et capitaliser sur les incertitudes effectivement constatées dans la chaîne : typer, classifier et quantifier les incertitudes, voire découvrir l’émergence de nouvelles en choisissant une modélisation adaptée (probabilité, possibilité, fonction de croyance, probabilité incertaine, etc). L’équipe s’appuie ici sur un savoir-faire de LINAGORA dans le traitement de données, l’expérience de l’IRIT/ADRIA en modélisation d’incertitudes et les savoirs en risques logistiques du consortium.
Le deuxième axe porte sur la projection d’un ensemble d’incertitudes et déviations sur une planification. Il s’agit d’évaluer la capacité d’un acteur à maitriser à son échelle les effets des incertitudes et déviations pour identifier et quantifier les risques induits. La bibliographie fait apparaître des travaux pour des modélisations données des incertitudes. L’enjeu scientifique est ici la prise en compte simultanée de différentes modélisations d’incertitudes.
Pour les risques critiques, le troisième axe vise à anticiper les modalités d’adaptation. Au-delà des algorithmes de replanification, il s’agit de proposer une représentation compacte des stratégies d’adaptation afin de garantir des réponses en temps polynomial si ces risques surviennent. Cette approche de plans compilés est totalement nouvelle dans le domaine logistique.

CAASC propose aussi 2 niveaux de cas d’étude qui seront adaptés de C2NET en intégrant plus formellement les incertitudes et risques. Le premier est une série de scénarios de tailles différentes, issus des données réelles du groupe Pierre Fabre, qui permettront des études d’effet d’échelle et de sensibilité à la complexité. Le deuxième niveau s’exprime autour d’un jeu sérieux qui permettra d’analyser la dynamique des comportements. Autour de ces cas, il s’agit d’identifier et formaliser le comportement des décideurs, l’effet des outils proposés sur la capacité de collaboration des acteurs, et plus globalement l’impact organisationnel.
Enfin, les outils et services proposés visent à être intégrés à OpenPaaS, la plateforme collaborative opensource développée par Linagora, afin d’améliorer la solution à destination des entreprises industrielles.
Globalement, ce projet financera 2 thèses, une intégration scientifique forte avec Linagora et une validation industrielle par le groupe Pierre Fabre.