HAL Id: hal-03177538
https://hal.archives-ouvertes.fr/hal-03177538
Submitted on 23 Mar 2021
HAL
is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire
HAL, estdestinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
DE LA SIMULATION A EVENEMENT DISCRET AU MACHINE LEARNING POUR LA CHAINE
LOGISTIQUE
Rachid Benmoussa
To cite this version:
Rachid Benmoussa. DE LA SIMULATION A EVENEMENT DISCRET AU MACHINE LEARNING
POUR LA CHAINE LOGISTIQUE. 13ème CONFERENCE INTERNATIONALE DE MODELISA-
TION, OPTIMISATION ET SIMULATION (MOSIM2020), 12-14 Nov 2020, AGADIR, Maroc, Nov
2020, AGADIR, Maroc. �hal-03177538�
DE LA SIMULATION A EVENEMENT DISCRET AU MACHINE LEARNING POUR LA CHAINE LOGISTIQUE
Rachid BENMOUSSA
ENSA Marrakech, Université Cadi Ayyad, [email protected]
RESUME : Cette article cherche essentiellement à découvrir si le Machine Learning (ML) peut mieux résoudre les problèmes d’aide à la décision de la Supply Chain (SC) par rapport à la simulation à événement discret. Il propose ainsi une étude comparative basée sur l’analyse des convergences, des divergences ainsi que des complémentarités des deux approches. Il s’appuie enfin sur un cas académique pour illustrer les différents propos issus de cette comparaison.
Plusieurs résultats découlent de cette étude. Tout d’abord, le ML ne peut pas traiter tous les problèmes d’aide à la décision dans le contexte de la SC. Ensuite, dans le cas ou le modèle est connu, les deux approches sont exploitables toutes les deux avec des avantages et des inconvénients, mais elles sont également complémentaires. Enfin, dans le cas ou le modèle est inconnu, on ne peut avoir recours à la simulation, le ML reste alors l’unique solution.
MOTS CLES :Techniques d'apprentissage automatique
,
Simulation des systèmes,
Chaines logistiques, Aide à la décision1. INTRODUCTION
Généralement, les chaînes logistiques (SC) opèrent dans un contexte de plus en plus complexe. En effet, les managers de la SC sont constamment sollicités pour gérer différentes contraintes, parfois conflictuelles en raison de l’ouverture des marchés, de la concurrence croissante, de la diversité des produits, des coûts clients, de la qualité, des délais, et des nouvelles exigences environnementales et sociales. Pour surmonter ces contraintes, les chercheurs ont constamment mis à disposition à ces managers des outils d’aide à la décision La simulation à évènement discret est l’un des outils classiquement utilisé pour l’aide à la décision dans le contexte de la supply chain. La simulation à événements discrets [1] est le processus consistant à décrire le comportement d'un système complexe comme une série d'événements bien définis et ordonnés et fonctionne bien dans pratiquement tous les processus où il y a de la variabilité, des ressources contraignantes ou limitées ou des interactions de système complexes. Elle permet d’évaluer les alternatives potentielles pour déterminer la meilleure approche pour optimiser les performances d’un système ; Comprendre les performances du système en fonction de paramètres clés tels que les coûts, le débit, les temps de cycle, l'utilisation de l'équipement et la disponibilité des ressources ; Réduire les risques grâce à des tests rigoureux des changements sur les processus avant d'engager des dépenses réelles en capital ou en ressources importantes ; Déterminez l'impact de l'incertitude et de la variabilité des paramètres clés sur les performances du système et évaluer les modifications proposées sur les processus, …
Le machine Learning (ML) [2, 3, 4] est une technique émergente qui est de plus en plus utilisé dans tous les domaines et voit son introduction récemment dans le contexte de la supply chain à travers l’avènement du paradigme de l’industrie 4.0. Issue de l’intelligence artificielle, elle se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Comme pour toutes les autres disciplines, le ML a également impacté le domaine de la SC en tant qu’outil d’aide à la décision. Plusieurs auteurs ont adressé en effet le concept d’économie digital et son application à la smart supply chain [5, 6, 7]. Sans être exhaustif, le ML a été appliqué à différentes facettes de la SC tels que l’automatisation de la SC [8], la Prévision de la demande et la gestion des approvisionnements [9, 10, 11, 12], la sélection des fournisseurs [13, 14, 15], la gestion des risques liés à la SC [16], … Tout expert dans le domaine de la SC peut se poser alors les questions légitimes suivantes. Est ce que le ML peut répondre à tous les problèmes d’aide à la décision de la SC ? Qu’apporte de plus le ML par rapport aux outils classiques de prise de décision en particulier la simulation à événement discret ? est ce que le ML et la simulation sont similaires, contradictoires, complémentaires dans le contexte de la SC ?
L’analyse bibliographique qui a été conduite a permis de détecter certains travaux qui couple la simulation en général au ML [15, 17]. Cependant, elle n’a pas permis de répondre complétement à ces questions. Par contre, [18] assume qu’auparavant, il a été déclaré que la simulation et l'apprentissage automatique étaient presque opposés dans leurs logiques en termes d’entrées et du modèle. Avec la simulation, les entrées de variables
aléatoires ne sont pas connues exactement, mais le modèle est souvent connu exactement. Avec l'apprentissage automatique, les entrées sont connues exactement, mais le modèle est inconnu avant l’apprentissage. En ce qui concerne la sortie, les différences sont plus subtiles. Les deux donnent une sortie, mais la source d'incertitude est différente. En simulation, la principale source d'incertitude réside dans les entrées. Nous devons simuler à plusieurs reprises pour obtenir une gamme de résultats possibles et faire des déclarations sur les probabilités de résultat. Dans l'apprentissage automatique, la principale source d'incertitude réside dans le modèle. Lors d'une prédiction, le modèle n'est souvent pas certain à 100% de la prédiction.
En définitive, l’analyse bibliographique n’a pas permis de trouver des travaux de recherche qui ont comparé l’utilisation de la simulation à évènement discret et le ML dans le contexte de la Supply Chain. Ce papier cherche dans ce sens à réaliser une étude qualitative pour contrecarrer cette lacune. Pour ce faire, nous avons identifié les processus de conduite des projets de simulation et du ML. Nous avons ensuite comparé les étapes des deux processus pour ressortir les convergences et les divergences des deux approches.
Nous avons également analysé la complémentarité des deux approches dans le contexte de la supply chain pour l’organisation sur stock et à la commande. Nous avons enfin introduit une étude de cas académique pour illustrer l’utilisation du ML en SC.
2. DEVELLOPEMENT DE L’ETUDE 2.1. Conduite d’un projet de simulation
Un projet de simulation se déroule selon plusieurs étapes décrites dans ce qui suit [1].
2.1.1. Spécification du problème
Cette étape consiste à définir le problème pour lequel nous souhaitons réaliser un projet de simulation afin de réaliser des prédictions. Il s’agit globalement de prédire un ou plusieurs paramètres d’évaluation en fonction d’un ensemble de paramètres d’action.
2.1.2. Analyse de l’existant Cette étape comporte deux sous étapes :
§ La modélisation conceptuelle : Consiste à identifier les règles de fonctionnement du processus concerné par le projet de simulation et de le modéliser en utilisant des formalismes formels tels que UML, BPMN, les modèles de traitement de Merise, …
§ La collecte des données : Consiste à compléter les règles de fonctionnement précédentes par les données nécessaires à la simulation. Cela nécessite la collecte des données réelles par la mesure ou l’observation et la traduction en données au format utilisé par le simulateur, généralement des lois de probabilités.
Plusieurs outils informatisés pour le traitement
statistique des données sont disponibles pour supporter l’analyste à réaliser cette collecte.
2.1.3. Validation du modèle conceptuel Cette étape est critique car avoir une modélisation conceptuelle du problème erroné conduirai impérativement à des solutions erronées. La validation se fait par des tests rigoureux de comparaison entre le réel perçu sur le terrain et celui modélisé. Pour plus d’objectivité, il est souhaitable que les testeurs ne soient pas ceux qui ont réalisé la modélisation.
2.1.4. Programmation du simulateur
Cette étape consiste à traduire le modèle réalisé dans la phase précédente en programme de simulation. La connaissance parfaite des fonctionnalités du simulateur est nécessaire. Plusieurs simulateurs à évènement discrets existent dans le marché. Nous citons à titre d’exemple ARENA, Simul8, Witness, …
2.1.5. Validation du programme
Cette étape est également critique car avoir un programme de simulation erroné conduirait impérativement à des prédictions erronées. Pour réaliser cette validation, il faut choisir un scénario de déroulement du processus pour lequel nous connaissons ou nous pouvons obtenir des résultats réels sur le terrain.
On simule alors ce scenario et on vérifie l’adéquation du résultat de simulation avec les résultats réels.
2.1.6. Exploitation
Une fois le programme valide, on définit l’ensemble des expérimentations à réaliser afin de résoudre le problème identifié dans l’étape 1. A ce stade, le nombre d’expérimentions n’est plus critique car la simulation ne coûte plus rien. La réalisation effective des expérimentations permet de ressortir le scénario qui résout le problème identifié.
Figure 1 : déroulement d’un projet de simulation
Spécification du problème Collecte de données, Modélisation conceptuelle, Validation du modèle
Modèle valide ? Programmation, Vérification
Validation du programme Programme valide
? Exploitation
2.2. Conduite d’un projet Machine Learning Le Machine Learning, ou encore l’apprentissage automatique en français, fait partie de l’une des approches de l’intelligence artificielle. Le Machine Learning est donc une discipline scientifique centrée sur le développement, l’analyse et l’implémentation de méthodes automatisables, qui offrent la possibilité à une machine d’évoluer grâce à un processus d’apprentissage, afin d’accomplir des tâches qui auraient été difficiles, voire impossibles, de réaliser avec des algorithmiques plus classiques. Un projet machine Learning peut ne pas être linéaire, mais il possède un certain nombre d’étapes bien identifiées [2, 3, 4].
2.2.1. Définir le problème.
Cette étape consiste à fixer les objectifs de prédiction du machine Learning. Comme l'acquisition de données est une étape importante car l'algorithme se nourrit des données en entrée, il en va de la réussite du projet, de récolter des données pertinentes et en quantité suffisante en fonction du type d’apprentissage souhaité. En effet, le machine Learning comporte plusieurs types d’apprentissage largement décrit dans la littérature [2, 3, 4] : l’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage semi-supervisé et l’apprentissage par renforcement.
2.2.2. La préparation et le nettoyage de la donnée :
Les données recueillies doivent être retouchées avant utilisation. En effet, certains attributs sont inutiles, d’autre doivent être modifiés afin d’être compris par l’algorithme, et certains éléments sont inutilisables car leurs données sont incomplètes. Plusieurs techniques
telles que la visualisation de données, la transformation de données ou encore la normalisation sont alors employées.
2.2.3. La création du modèle
Cette étape consiste à trouver le modèle de prédiction le plus précis vis à vis des données, d’apprentissage en entrainant plusieurs algorithmes sur ces données. A ce niveau, on distingue trois grandes typologies d’algorithmes : la Régression, la Classification, et le Clustering. [2,3,4] récapitulent quelques uns des algorithmes de ML les plus couramment utilisés.
2.2.4. Evaluation de l’Algorithme
Une fois l'algorithme d'apprentissage automatique entraîné sur un premier jeu de donnée, on l'évalue sur un deuxième ensemble de données afin de vérifier que le modèle ne fasse pas de sur-apprentissage.
2.2.5. Prédiction
Le modèle est déployé en production pour faire des prédictions, et potentiellement utiliser les nouvelles données en entrée pour se ré-entraîner et être amélioré.
2.3. Convergence vs divergence des deux approches
L’analyse de déroulement des projets de simulation et de machine Learning a permis de dégager les convergences et les divergences des deux approches. Le tableau suivant synthétise ce résultat. Il met en relation les étapes qui sont communes aux deux approches. La colonne observation présente les similitudes et différences des deux approches dans la même étape.
Tableau 01 : convergence / divergence de la simulation et du ML Simulation à
évènement discret
Machine
Learning Observation
Spécification du problème
Définir le problème
La simulation gère un type de problème unique basé sur la compréhension des règles de fonctionnement du système et qui peut s’assimiler à l’apprentissage supervisé régression du ML.
Le machine Learning peut appréhender plusieurs types de problème spécifié par la nature d’apprentissage : supervisé, non supervisé, semi- supervisé, par renforcement.
Modélisation
conceptuelle - Le machine Learning ne cherche pas à modéliser les règles de fonctionnement du système contrairement à la simulation.
Collecte des données
La préparation et le nettoyage de la donnée
Cette étape est similaire dans les deux approches. Chaque approche utilise des outils spécifiques.
Le ML a besoin d’une quantité de données de loin supérieur à celle nécessaire par la simulation.
Validation du modèle conceptuel
- Le machine Learning ne cherche pas à modéliser les règles de fonctionnement du système contrairement à la simulation.
Programmation du simulateur
La création du modèle
La simulation objet de cette étude utilise un processus à évènements discrets.
Le machine Learning utilise plusieurs algorithmes en fonction de la nature
d’apprentissage
Validation du programme
Evaluation de l’Algorithme
Les deux approches utilisent des données de test non utilisé dans l’étape de développement du modèle.
Exploitation Prédiction
Les deux approches permettent la prédiction. La simulation permet la prédiction similaire à celle de l’apprentissage supervisé par régression. Elle ne permet pas les autres apprentissages.
2.4. Complémentarité des deux approches En général, on distingue deux grands types d’organisation des systèmes logistiques : Organisation sur stock et Organisation à la commande.
Dans une organisation sur stock, les articles sont approvisionnés de chez les fournisseurs puis stocker en attendant de les expédier aux clients à la demande. Le stock crée dans ce cas un découplage entre le processus d’approvisionnement de chez les fournisseurs et le processus d’expédition aux clients. De ce fait, les deux processus sont découplés analytiquement, c.à.d. un approvisionnement donné n’impacte pas directement une expédition précise. Ils sont néanmoins couplés indirectement, c.à.d. que l’ensemble des approvisionnements impactent sans aucun doute la performance des expéditions. La simulation répond très bien à ce genre de problèmes car la collecte de données consiste à considérer chaque maillon isolement afin de ressortir ses caractéristiques et cerner son fonctionnement sans chercher à les lier à une étiquette donnée. Ces caractéristiques seront ensuite exploitées pour modéliser le fonctionnement global du système et écrire le programme de simulation qui jouera le rôle du modèle de prédiction. Il suffit alors de tester les scénarios pour trouver celui qui répond bien aux objectifs de l’étude. Contrairement à la simulation, le machine Learning, nécessiterait un jeu de données (étiqueté ou non) qui relie le processus d’approvisionnement à celui de l’expédition point par point. On en déduit alors que le ML ne peut pas être directement exploité dans le contexte des systèmes logistique organisé sur stock. Il peut néanmoins être combiné à la simulation. Dans ce cas la simulation fournirait les données étiquetées en grande quantité et le machine Learning développerait le modèle de prédiction.
Dans une organisation à la commande, c’est la demande du client qui déclenche toutes les étapes du système logistique. Les processus d’approvisionnement et d’expédition sont alors couplés pour chaque commande.
La simulation répond très bien également à ce genre de problèmes. La collecte de données se déroule de la même manière que dans le cas de l’organisation sur Stock. Dans ce contexte par contre le ML est exploitable du fait que le jeu de données (étiqueté ou non) qui relie le processus d’approvisionnement à celui de l’expédition point par point est disponible. De la même manière que pour l’organisation sur stock, le ML peut être combinée
à la simulation dans le contexte de l’organisation à la commande.
Cette analyse ne concerne pas des problèmes industriels isolés tels que la maintenance prédictive, le contrôle de la qualité d’une opération, la sélection des fournisseurs ou encore la prévision de la demande.
Tableau 02 : complémentarité de la simulation et du ML
Règles de fonctionnement Connues Inconnues
Type d’organisa tion
Sur Stock
§ Simulation
§ Combinaison
Machine Learning
non supervisé A la
comma nde
§ Machine Learning
§ Simulation
§ Combinaison
Machine Learning Supervisé
3. ANALYSE D’UN CAS D’ETUDE 3.1. Spécification du Problème initial
Rockwell Shipping Conglomerate (RSC) est un leader dans le transport de produits en vrac aux clients à travers le monde. Dans le monde d'aujourd'hui, ces produits sont principalement transportés par barges.
3.2. Règles de fonctionnement :
Les règles de fonctionnement du cas d’étude initial sont les suivantes :
• R1 : Cinq types de matières sont déplacés de 5 sites fluviaux au port d’expédition. Ces cinq types sont le charbon, le gravier, le sable, le bois et les matières recyclables.
• R2 : Chaque site a un taux d'arrivée quotidienne de matières. Ce taux horaire d'arrivée est la moyenne d'une exponentielle. Quand un camion de matière arrive, il sera d'un type de matière donné en fonction des pourcentages de ce site. Par exemple, s'il y a une arrivée à l'heure 1, alors cette matière sera l’une des cinq types. Seuls certaines matières sont expédiées à partir de chaque site.
• R3 : Chaque type de matière sur chaque site fluvial a une quantité limitée d'espace en tonnes métriques sur le site donné. S'il n'y a pas assez d'espace, le camion
devra attendre jusqu'à ce qu'il y ait suffisamment d'espace pour son type de matière.
• R4 : La tâche principale de chaque site de la rivière est de charger ses barges dédiées avec la matière et les envoyer à l'installation d'expédition.
• R5 : On suppose que les barges transportent un seul type de matière à la fois. Chaque barge peut contenir jusqu'à 5 tonnes métriques. Une barge tentera de charger la matière qui a le plus grand inventaire.
• R6 : Les barges chargées sur chaque site de la rivière ont différents temps de transit à l'installation d’expédition, il dépend de l'emplacement du site sur la rivière.
• R7 : Chaque site de la rivière n'a qu'un seul poste d'amarrage pour le chargement du matériel sur la barge.
• R8 : Les installations de traitement et d'expédition ne sont pas une contrainte dans le système. Le temps pour qu’une barge effectue un voyage à l'installation d’expédition, décharger, et revenir au site fluvial est considéré comme un retard en raison de manque de données détaillées. Le travail n’est pas une contrainte sur les sites de la rivière ou l'installation d'expédition.
La demande pour les matières premières et recyclées a poussé la RSC de prendre en considération l'impact d'une augmentation de 50% de l'arrivée des produits à chacune de ses 5 sites fluviaux sur la rivière Limlight vers les installations d’expédition et de traitement à l'embouchure de la rivière.
3.3. Collecte de données
Les paramètres d’actions identifiés dans ce problème sont présentés dans ce qui suit :
1. Taux moyen d’arrivée pour chaque site fluvial 2. Tonnes métriques par arrivée
3. Pourcentage de matière pour chaque type de minerai 4. Temps de déchargement de la matière à chaque site
fluvial
5. Temps de chargement pour une barge à chaque site fluvial
6. Temps de transit aller-retour de chaque site fluvial aux installations d’expédition et de retour sur le site fluvial
7. Nombre actuel de barges par site fluvial
8. Un « instantané » initial de l'inventaire actuel des matières de chaque site fluvial pour chaque type de minerai
9. Niveau d'inventaire maximal sur chaque site pour chaque type de matière
Les paramètres d’évaluation considérés pour trouver des solutions à ce problème sont présentés dans ce qui suit :
• Le temps d’attente des camions pour décharger la matière
• La file d’attente des camions aux postes de déchargement de la matière
• Le taux d’occupation des barges
3.4. Analyse de l’applicabilité de la simulation / Machine Learning
Le tableau 3 présente divers scénarios (Si) que l’on peut étudier par simulation et/ou ML. Ceux-ci sont issus du cas d’étude initial et se situe au niveau de la SC globale ou d’un des maillons de cette chaine. Le tableau montre pour chaque scénario, les solutions que l’on peut adopter en fonction de la connaissance ou non des règles de fonctionnement R1, R2, …, R8 présentées ci-dessous.
Conclusion
Dans ce papier, nous nous sommes posé les questions suivantes : Est ce que le ML peut répondre à tous les problèmes d’aide à la décision de la SC ? Qu’apporte de plus le ML par rapport aux outils classiques de prise de décision en particulier la simulation à événement discret ? est ce que le ML et la simulation sont similaires, contradictoires, complémentaires, …, dans le contexte de la SC ? L’étude que nous avons conduit a révélé plusieurs résultats.
Tout d’abord, le ML ne peut pas traiter tous les problèmes d’aide à la décision dans le contexte de la SC.
Nous avons en effet démontré que dans le cas d’une organisation sur stock, il est impossible d’obtenir un jeu de données (étiqueté) qui relie les entrées aux sorties, même avec l’existence d’un système d’information performant.
Dans le cas ou le modèle est connu, il n’y a pas un problème que l’on peut traiter avec le ML et que l’on ne peut pas traiter avec la simulation à événement discret.
Cependant, le principal intérêt du ML par rapport à la simulation réside dans le traitement des problèmes ou la modélisation de la SC se trouve complexe voire impossible. Mais le revers de la médaille est que le ML nécessite la disponibilité des jeux de données importants, ce qui peut également entraver son utilisation. D’un autre coté, la simulation ne peut pas aboutir au scénario optimal tout au contraire du ML qui permet d’aboutir à une fonction de prédiction que l’on peut optimiser.
Quand le modèle est inconnu, on ne peut avoir recours à la simulation. Le ML est alors l’unique solution.
En conclusion, la logique du ML et la simulation sont différentes certes, mais ils ne sont pas contradictoires.
On peut les utiliser en effet de manière complémentaires dans le contexte de la SC quand le modèle est connu. La simulation permettrait alors de générer un nombre suffisant de jeux de données pour permettre au ML de déterminer la fonction de prédiction.
REFERENCE
[1] Simulation with Arena, W. David Kelton, Randall P.
Sadowski, Nancy B. Zupick, sixth Edition, Mc Graw Hill Eduction, 2015
[2] Apprendre le machine learning en une semaine,
Guillaume Saint-Cirgue, 2019,
https://machinelearnia.com, last accessed 18/05/2020
[3] Machine Learning Mastery With Python Mini- Course, Edition v1.2, 2017, Jason Brownlee, http://MachineLearningMastery.com, last accessed 18/05/2020
[4] Machine Learning Fundamentals, https://towardsdatascience.com/machine-learning-basics- part-1-a36d38c7916, last accessed 18/05/2020
[5] How the Digital Economy is Impacting the Supply Chain, Chase Charles, Journal of Business Forecasting, Summer 2019, Vol. 38 Issue 2, p16-20, 4p
[6] How advanced technologies are affecting supply chain software: From AI to ML to IoT, the new crop of supply chain technologies support a world where companies can use the past to predict the future, MCCREA, BRIDGET, Supply Chain Management Review. Sep/Oct 2019, Vol.23 Issue 5, p50-56, 4p [7] The Smart Supply Chain : A Digital Revolution, Crawford, Craig, AATCC Review; May/Jun2019, Vol.19 Issue3, p38-45, 8p
[8] Application of Artificial Intelligence in Automation of Supply Chain Management, Dash Rupa, McMurtrey Mark, Rebman Carl, Kar Upendra K., Journal of Strategic Innovation & Sustainability. 2019, Vol.14 Issue 3, p43-53, 11p
[9] Applying machine learning to the dynamics election of replenishment policies in fast-changing supply chain environments, Priore Paolo, Ponte Borja, Rosillo Rafael, de la Fuente David, International Journal of Production Research, Jun 2019, Vol.57 Issue 11, p3663-3677, 15p [10] An Investigation on Machine Learning Approaches in Supply Chain Forecasting: A Survey, Prahathish, K.
Naren, J. Vithya, Dr.G. Akhil, S. Kumar, K. Dinesh Gupta, S. Sai Krishna Mohan, International Journal of Psychosocial Rehabilitation.2019,Vol. 23 Issue 1, p385- 393, 9p
[11] MAKING THE CASE FOR AI and Machine Learning in Supply Chain Planning, Supply Chain Management Review. Jan/Feb2020, Vol.24 Issue 1, p9- 9, 1p
[12] UNISON data-driven intermittent demand forecast framework to empower supply chain resilience and an empirical study in electronics distribution, Fu, Wenhan;
Chien, Chen-F, Computers & Industrial Engineering.
Sep 2019, Vol. 135, p940- 949, 10p
[13] Learning to Select Supplier Portfolios for Service Supply Chain, Zhang R; Li J; Wu S; Meng D; PloS one [PLoSOne] 2016 May 19; Vol.11(5), pp.e0155672. Date of Electronic Publication : 2016 May 19
[14] Supplier Selection in Supply Chains: ASWOT Guided Artificial Intelligence Approach, Aggarwal, Ajay K. Davè, Dinesh S., IUPJournal of Supply Chain Management. Sep 2019, Vol.16 Issue 3, p27-35, 9p [15] A supervised machine learning approach to data- driven simulation of resilient supplier selection in digital manufacturing, Cavalcante, Ian M. Frazzon, Enzo M.
Forcellini, Fernando A. Ivanov, Dmitry, International Journal of Information Management. Dec 2019, Vol. 49, p86-97, 12p
[16] Predicting supply chain risks using machine learning : The trade-off between performance and interpretability, Baryannis George, Dani Samir, Antoniou Grigoris, Future Generation Computer Systems, Dec 2019, Vol.101, p993-1004, 12p
[17] A Novel Hybrid Artificial Intelligence Based Methodology for the Inventory Routing Problem, Boru Aslı, Dosdoğru Ayşe Tuğba, Göçken Mustafa, Erol Rızvan, Symmetry (20738994), May 2019, Vol.11 Issue 5, p717, 1p
[18] Simulation vs. Machine Learning, https://vortarus.com/simulation-vs-machine-learning/, last accessed 18/05/2020
Tableau 03 : Scénarios du cas d’étude Typologie de
production Exemple
Règles de fonctionnement Connues Règles de fonctionnement Inconnues Simu Machine
Learning
Simulation /
Machine Learning Simu Machine Learning Simu/ML
Sur Stock
Niveau Supply Chain :
S1 : Prédire le nombre de barge nécessaire pour gérer une augmentation donnée du taux d'arrivée de matières sur chaque site fluvial sans dépasser l'espace de stockage pour les types de matières. Vérifier s’il y’a d'autres options que l'ajout de barges pour gérer l'augmentation de 50% sur chaque site de la rivière ?
Oui Non. Pas de Dataset étiqueté
Oui. Supervisé (Régression). Dataset généré par simulation
Non
Non. Pas de Dataset étiqueté. Le Non- supervisé est possible
Non
Niveau Maillons de la Supply Chain :
S2 : Prédire les ruptures de stocks en fonction de : fournisseurs, distance, type de matériau, état des routes, condition météorologique, …
S3 : Prédire la durée de voyage d’une barge en fonction de : la distance, le type de matériau, conditions météorologiques, état du fleuve
Oui Oui. Supervisé (Régression)
Oui. DataSet généré
par simulation Non
Possible (existence du dataset).
Supervisé (Régression).
Non
Niveau Supply Chain :
S4 : Quelles Combinaisons de paramètres d’action :
• Ne génère pas un dépassement de l'espace de stockage
• Génère des classes de niveaux de stocks prédéfinies
Oui Non. Pas de Dataset étiqueté
Oui. Supervisé (Classification).
Dataset généré par simulation
Non
Non. Pas de Dataset étiqueté. Le Non- supervisé est possible
Non
A la commande
C1 : Prédire le nombre de barges nécessaire pour satisfaire un carnet de commande
C2 : Prédire le temps d’exécution d’une commande
Oui Oui. Supervisé (Régression)
Oui. Dataset généré
par simulation Non Oui. Supervisé
(Régression) Non
C3 : Caractérisation des commandes : satisfaite / non
satisfaite Oui Oui. Supervisé
(Classification)
Oui. Dataset généré
par simulation Non Oui. Supervisé
(Classification) Non C4 : Prédire l’état de la commande en temps réel Non
Oui. Supervisé (Rég / Class) en
cascade
Non Non Oui. Supervisé (Rég /
Class) en cascade Non
