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

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.