2 Méthodes de classification des articles du stock
2.3 Méthodes basées sur les méta-heuristiques et l'intelligence artificielle
Pour répondre à la problématique de classification des articles de stock et faciliter l'intégration de multiples critères, certains travaux ont adopté l'approche basée sur les méta-heuristiques, comme les algorithmes génétiques ou encore des méthodes issues de l'intelligence artificielle, comme les réseaux de neurones artificiels.
Certains travaux ont adopté un algorithme génétique pour traiter du problème de classification du stock. Inspirée par la génétique des populations, ces algorithmes ont été adaptés à divers problèmes scientifiques d'optimisation, ordonnancement, reconnaissance, etc. L'idée générale étant de faire évoluer une structure de connaissance (chromosomes) représentant des solutions potentielles au problème traité. Le principe peut être résumé en trois principales étapes. La première étape est la sélection : Analogue à un processus de sélection naturelle, elle permet d'identifier les individus les mieux à même à se reproduire et d'éliminer ceux qui sont inadaptés. La deuxième étape est l'enjambement. Des croisements de chromosomes s'opèrent à ce niveau afin de donner lieu à de nouvelles structures de chromosomes. La probabilité d'apparition d'un croisement entre deux chromosomes est un paramètre de l'algorithme génétique. La troisième étape est la mutation. Un gène peut être substitué à un autre avec une faible probabilité de mutation, variant généralement entre 0.001 et 0.01, afin de ne pas tomber dans une recherche aléatoire et conserver le principe de sélection et d'évolution. Les structures résultantes, sont évaluées et réintroduites dans la population. Ce processus itératif continue jusqu'à détection d'une structure satisfaisante dans la population ou atteinte d'une limite itérative.
Guvenir & Erel (1998) ont adapté cette technique pour traiter de la classification multicritères
des articles de stock. Ils ont comparé les résultats d'une variante de l'algorithme génétique à ceux obtenus par la méthode AHP en évaluant, pour chacune des deux techniques, le
53
nombre d'articles en communs avec une classification étalon opérée par un gestionnaire, sur la base d'un échantillon test. L'algorithme génétique s'est avéré plus précis.
Le problème de la classification des articles a été repris dans Partovi & Anandarajan (2002) par application des réseaux de neurones. Les réseaux de neurones artificiels font partie des techniques de l'intelligence artificielle ayant été expérimentées dans multiples domaines scientifiques et problèmes d'aide à la décision. Cet outil permet de simuler le jugement du manager/décideur et de reproduire sa logique décisionnelle en s'appuyant sur un apprentissage par l'expérience. Un réseau de neurones consiste en une structure hiérarchique composée d'un ensemble de couches. Chacune d'entre elles est composée d'un certain nombre de neurones alimentant, à travers des synapses, les neurones du niveau aval. Des poids synaptiques sont associés aux différentes synapses afin de permettre la pondération des entrées de chaque couche. Il s'agit de l'équivalent d'une matrice de transformation multipliant le vecteur d'entrée. Une fonction d'activation est appliquée à la somme pondérée et permet d'introduire une non-linéarité. Ces fonctions, appelées généralement fonctions de seuillage, permettent, selon le cas, une excitation ou une inhibition du neurone. Dans le premier cas, l'information est transmise aux neurones adjacents, dans le cas contraire, l'information est atténuée. Ce fonctionnement constitue donc une sorte de membrane permettant de filtrer et de transmettre uniquement l'information quand elle est jugée importante.
Figure 15 : Agrégation et transformation des entrées dans un réseau de neurones
Les réseaux de neurones se basent sur la notion d'apprentissage. Il s'agit d'un procédé par induction permettant de tirer une généralisation à partir d'observations limitées. Ceci se fait
54
par le moyen d'algorithmes d'entraînement permettant la modification des poids synaptiques en utilisant un jeu de données d'entrées. Une fois entraîné, le réseau est en capacité d'opérer une généralisation.
Figure 16 : Réseau de neurones à trois couches (Yu (2010))
Cette technique présente quelques avantages par rapport à certaines méthodes de régression ayant souvent été utilisées dans des champs d'application similaires. La première réside dans la capacité des réseaux de neurones à détecter et extraire la non-linéarité dans la relation entre les variables exogènes prises en considération. La deuxième est la capacité de cette méthodologie à générer des résultats précis indépendamment de la distribution des variables prises en compte.
Figure 17 : Réseau de neurones appliqué pour le problème de classification multicritères (Patrovi &
Anandarajan (2002))
Considérant que les problèmes de classification des articles de stock sont non linéaires par nature, Partovi & Anandarajan (2002) ont considéré l'application d'un réseau de neurones
55
par introduction d'une couche intermédiaire. La sortie du problème étant continue et variant entre 0 et 1, les auteurs ont opté, conformément au travail de Zahedi (1994), pour l'application d'une fonction de transfert sigmoïde, fonction non linéaire de la forme suivante.
Deux algorithmes d'entraînement ont été considérés et comparés : la technique de rétro propagation du gradient et un algorithme génétique. Un échantillon de 96 articles, issus d'une entreprise pharmaceutique, a été considéré et quatre critères de classification ont été adoptés : le prix unitaire, le coût de commande, la demande annuelle et le temps de réapprovisionnement. L'échantillon a été divisé en deux sous parties : Une première classe, constituée de 50 produits étalons, ayant été classés au préalable par un gestionnaire, se basant sur sa propre connaissance, a servi pour l'entraînement du réseau. La deuxième partie constitué des 46 produits restants a été utilisée pour tester le réseau, une fois entrainé. Les deux algorithmes ont été ainsi confrontés et comparés également à la méthode MDA. La performance a été mesurée moyennant le niveau d'adéquation avec la classification étalon. Les réseaux de neurones se sont avérés plus précis et l'algorithme génétique a présenté les meilleures performances. Ce résultat a été déjà démontré et est conforme aux travaux entretenus dans Doresey & Johnson (1998).
Les réseaux de neurones ont été appliqués plus récemment dans les travaux de Yu (2010) par adoption d'une fonction sigmoïde et utilisation de l'algorithme de rétro-propagation du gradient. Yu (2010) étend l'utilisation des outils de l'intelligence artificielle par application d'autres techniques usuelles et leur adaptation à la problématique de la classification multicritères. Ces méthodes comprennent, en plus du réseau de neurones, la technique des machines à vecteurs de support ainsi que la méthode des K - plus proches voisins.
Sur la base de 47 articles issus d'un stock pharmaceutique et en considération de quatre critères de classification, les mêmes que ceux utilisés précédemment, ces trois techniques ont été confrontées entre elles. Le comparatif s'est fait sur la base de quatre méthodes de benchmark : la démarche ABC classique telle que commentée dans Reid (1987), la méthode AHP avec les poids considérés dans Flores et al. (1992), le modèle d'optimisation présenté dans Ramanathan (2006) et le modèle d'optimisation adopté dans Zhou & Fan (2007). La technique des machines à vecteurs de support s'est avérée la plus performante, elle permet d'aboutir aux résultats les plus précis, en regard des quatre méthodes étalons adoptées.
56
Les méthodes basées sur l'intelligence artificielle apportent une réponse intéressante à la problématique de classification multicritère des articles du stock. Plusieurs travaux ont en effet adopté cette voie et analysé leurs apports potentiels. Cependant, ces différentes méthodes nous semblent présenter certaines faiblesses. Torabi et al. (2012)estiment que ces méthodes ne sont pas tout à fait simples d'utilisation en pratique. Au-delà de la difficulté de vulgarisation de tels concepts auprès de managers et praticiens de la logistique, le processus de classification suivant une démarche d'apprentissage nous semble peu approprié au cas d'implémentation dans un système expert. Ceci peut paraître complexe et consommateur en temps. Les modules informatiques devant être de plus en plus simples et directs d'utilisation.