Industrie Mag - Le journal de l'industrie.

Trouvant son essor avec l’avènement du Big Data et l’augmentation des capacités de calculs, le Machine Learning interprète et fait parler les données. Ses algorithmes ont pour particularité d’apprendre en itération sur la base de l’analyse du passé et du présent pour en déduire le futur. A-SIS, convaincu de la nécessité d’exploiter le Big Data et le Machine Learning dans ses solutions, a renforcé ses compétences depuis quelques années sur ce sujet.

Evelyne RAYNAUD, Directrice Produit A-SIS, indique que la société s’est dotée d’un pôle de Recherche Opérationnelle & Data Science constitué de Docteurs en Recherche Appliquée en Data Science et Optimisation.

« Au-delà du simple effet de mode, il suffit de regarder les nombreux cas d’application de cette technologie pour comprendre que nous sommes face à une tendance vouée à révolutionner notre quotidien, » souligne Evelyne RAYNAUD. « La Supply Chain est un domaine idéal pour l’application du Machine Learning qui permet d’agir, entre autre, sur les niveaux des stocks, la relation client, la prévision de la demande, les achats, la planification de la production, la gestion du transport, … »

Après une étude des cas d’usage possibles du Machine Learning, trois axes se sont dessinés et font aujourd’hui l’objet de travaux R&D.

« Nous sommes convaincus de l’intérêt du Machine Learning dans la planification des ressources au travers de la prévision de la charge, » poursuit Evelyne Raynaud. « Il s’agit de tirer parti de la masse de données récoltées au travers du WMS, traduisant l’expérience et l’historique du quotidien de l’entrepôt pour en déduire une prévision du besoin en ressources. La valeur ajoutée du Machine Learning permet en particulier d’anticiper la recherche de ressources pour passer les pics d’activité. »

Autre sujet qui occupe également les équipes du Pôle de Recherche Opérationnelle & Data Science d’A-SIS : l’anticipation des ruptures en picking et l’optimisation du réapprovisionnement. L’analyse de l’historique de l’entrepôt permet de mieux agencer les missions de réapprovisionnement picking et ainsi palier les ruptures de manière anticipée. Cela permet d’assurer la continuité du travail de préparation.

« Il nous semble également intéressant de proposer un échantillonnage encore plus pertinent sur le contrôle qualité en réception, » conclut la Directrice Produit A-SIS. « Le Machine Learning peut enrichir les critères classiquement utilisés pour sélectionner les pièces à contrôler afin d’améliorer la qualité des contrôles. »

Autant de domaines d’applications qui seront prochainement disponibles dans les solutions d’A-SIS.

http://www.a-sis.com/