Les technologies d'optimisation utilisées pour les flottes et les transporteurs ont toujours donné lieu à des tensions. Les solutions qui permettent de résoudre les problèmes les plus difficiles et les plus spécifiques, tout en obtenant des résultats différenciés, sont également les plus complexes, avec une mise en œuvre et une maintenance exigeant une expertise considérable. Les entreprises qui investissent dans les compétences sont les grandes gagnantes en termes d'amélioration des performances opérationnelles. Mais toutes les entreprises n'ont pas la détermination ou les compétences internes nécessaires pour exploiter des technologies d'optimisation plus sophistiquées. Et même lorsqu'elles le font, le défi consiste à maintenir en place les configurations d'optimisation lorsque les entreprises changent de stratégie et de personnel.

Le problème n'est pas que les fournisseurs d'outils d'optimisation veuillent créer des produits complexes. La plupart des technologies d'optimisation se complexifient à mesure qu'elles sont utilisées par un plus grand nombre d'entreprises dans un plus grand nombre de secteurs – chacune ayant ses propres exigences en matière d'optimisation. Or, les tentatives de simplification vont à l'encontre de la nécessité d'une plus grande flexibilité permettant de modéliser plus précisément les problèmes de transports et de mieux répondre aux objectifs de performances opérationnelles. La meilleure stratégie consiste donc peut-être à prendre la complexité et la flexibilité à bras le corps, tout en les masquant pour l'utilisateur. C’est ici que l'intelligence artificielle entre en jeu.

Il existe de nombreuses classes d'IA (qu'il s'agisse de systèmes de pointe à base de règles ou d'apprentissage automatique) applicables à la configuration de l'optimisation. Toutes les technologies d'optimisation sont des représentations mathématiques du monde réel, dont les comportements spécifiques sont fonction de leur configuration. L'objectif est de comprendre quelle combinaison de paramètres permet d'obtenir les résultats souhaités sur les données. L'IA peut être utilisée pour exploiter les connaissances en matière de configuration des experts en optimisation, de sorte à inverser la logique. Passer de "Quels paramètres répondent à ces objectifs opérationnels ?" à "Voici nos objectifs opérationnels, configurons le système pour les atteindre." Avec une telle approche, appliquée à un ensemble représentatif de données, le système peut produire des scénarios d'optimisation beaucoup plus rapidement qu'avec une configuration humaine.

Cette approche est très performante, pour différentes raisons. Tout d'abord, pour les grandes entreprises possédant de nombreux sites desservant différents types de zones géographiques, une configuration par IA peut être lancée pour chaque combinaison afin d'accélérer le processus d'ajustement et établir une configuration optimale. Ensuite, l'IA peut fonctionner en continu et recommander des modifications de la configuration en fonction de l'évolution des données. Enfin, de nouveaux scénarios opérationnels peuvent être évalués pour déterminer dans quelle mesure les plans optimisés peuvent correspondre aux nouveaux objectifs.

L'apprentissage automatique constitue également un puissant outil pour améliorer les performances de l'optimisation. La possibilité d'utiliser les paramètres de configuration les plus précis permet de garantir les itinéraires les plus praticables et de tirer parti des performances effectives du chauffeur. Cela étant, une large part des paramètres sont en fait des approximations de ce qui se passe réellement sur la route. Les temps d'arrêt et la vitesse des trajets peuvent varier en fonction du véhicule, des conditions et du chauffeur. Le lieu de livraison effectif peut ne pas correspondre à l'adresse de la livraison ou, dans le cas d'une construction neuve, ne pas encore exister. L'apprentissage automatique peut prendre tout cela en compte pour déterminer les meilleurs horaires, vitesses et destinations, en examinant les résultats effectifs au fil du temps. En outre, l'analyse peut s'avérer extrêmement précise, en déterminant l'impact d'un chauffeur donné sur les temps de conduite et d'arrêt. À mesure que les conditions et la productivité des chauffeurs évoluent dans le temps, l'apprentissage automatique peut ajuster en permanence les paramètres pour contribuer à garantir les performances de planification les plus pertinentes et les plus optimales.

Le véritable avantage de l'IA est sa capacité à encapsuler les connaissances des spécialistes de l'optimisation afin d'ajuster avec précision les configurations et les paramètres. Ainsi, un plus grand nombre d'organisations logistiques peuvent tirer parti des technologies avancées d'optimisation des transports, de sorte à maximiser leurs niveaux de productivité et de différenciation. Comment votre organisation utilise-t-elle l'IA dans le cadre de sa stratégie d'optimisation des transports ? Dites-nous !