La promesse de l’IA de prendre de meilleures d\u00e9cisions, plus rapidement, sur la base d’une compr\u00e9hension approfondie des donn\u00e9es, se pr\u00e9cise de jour en jour. <\/p>\n\n
Mais dans la cha\u00eene d\u2019approvisionnement et la logistique, m\u00eame de petites erreurs peuvent entra\u00eener en cascade des crises majeures et co\u00fbteuses. En tant que directeur technique de project44, je suis absolument convaincu que le d\u00e9veloppement de l’IA doit aller de pair avec un soucis constant de responsabilit\u00e9. Nos d\u00e9cisions \u2013 plut\u00f4t les d\u00e9cisions que prend l\u2019IA en fonction de la fa\u00e7on dont nous l\u2019avons mise en mouvement \u2013 peuvent affecter des vies et des moyens de subsistance; L\u2019IA et l\u2019innovation responsables sont la seule voie d\u2019avenir viable. <\/p>\n\n
Parce que l’innovation responsable est la seule voie possible, notre approche du d\u00e9veloppement de l’IA, chez project44, se concentre sur deux principes essentiels\u00a0: <\/strong> <\/p>\n\n L’instauration de la confiance, \u00e0 la fois chez les utilisateurs finaux et chez les dirigeants de la cha\u00eene d’approvisionnement, est essentielle pour que l’IA soit adopt\u00e9e \u00e0 plus grande \u00e9chelle et qu’elle g\u00e9n\u00e8re une plus grande valeur ajout\u00e9e. En adh\u00e9rant \u00e0 ces principes, nous visons \u00e0 d\u00e9ployer une IA \u00e0 la fois puissante et fiable pour les op\u00e9rations de la cha\u00eene d’approvisionnement mondiale. <\/p>\n\n Des r\u00e9sultats interpr\u00e9tables<\/strong> signifie simplement que les utilisateurs sont toujours en mesure de comprendre les actions d’un agent d’IA et les raisons qui les motivent. En pratique, ce principe se traduit par la cr\u00e9ation de syst\u00e8mes d’IA dont les d\u00e9cisions et les recommandations peuvent \u00eatre facilement expliqu\u00e9es en langage humain. <\/p>\n\n Si une IA sugg\u00e8re de retenir une exp\u00e9dition dans un centre de distribution ou de rediriger un camion de livraison, nos utilisateurs ne doivent pas deviner la justification. Ils doivent imm\u00e9diatement voir les facteurs qui ont influenc\u00e9 cette d\u00e9cision, qu\u2019il s\u2019agisse d\u2019un retard de trafic, d\u2019un ping de capteur manqu\u00e9, d\u2019une alerte m\u00e9t\u00e9orologique ou d\u2019un autre d\u00e9clencheur. <\/p>\n\n En concevant des r\u00e9sultats interpr\u00e9tables, nous nous assurons que notre IA se comporte moins comme une \u00ab\u00a0bo\u00eete noire\u00a0\u00bb myst\u00e9rieuse et plus comme un coll\u00e8gue bien form\u00e9 qui est capable d’expliquer son raisonnement.<\/strong> <\/p>\n\n Examinons deux exemples de la fa\u00e7on dont cela se concr\u00e9tise sur la plateforme project44\u00a0: <\/p>\n\n Les clients recherchent souvent les informations sur les donn\u00e9es que nous utilisons pour nos pr\u00e9visions d’ETA\u00a0: les \u00e9v\u00e9nements que nous prenons en compte et ceux que nous ignorons. Pour r\u00e9soudre ce probl\u00e8me, nous rendons visibles les \u00ab\u00a0ingr\u00e9dients\u00a0\u00bb de chaque ETA. <\/p>\n\n Nous r\u00e9partissons les principaux facteurs \u00e0 l’origine d’une ETA en diff\u00e9rents groupes\u00a0: les temps de stationnement, l’\u00e9tat d’avancement des \u00e9tapes, la qualit\u00e9 des messages ping GPS, les \u00e9carts d’itin\u00e9raire et m\u00eame les tendances de circulation selon l’heure de la journ\u00e9e. Notre plateforme suit ces facteurs en temps r\u00e9el et met en \u0153uvre un d\u00e9lai roulant pour d\u00e9tecter tout \u00e9cart majeur dans l’ETA, ce qui garantit que les changements importants sont enregistr\u00e9s et expliqu\u00e9s. <\/p>\n\n Par exemple, si un \u00e9v\u00e9nement de s\u00e9jour non pr\u00e9vu entra\u00eene un retard (disons que l\u2019ETA passe de 14 h \u00e0 18 h), un utilisateur voit la mise \u00e0 jour et une explication telle que: \u00ab\u00a0ETA ajust\u00e9e en raison d\u2019un arr\u00eat impr\u00e9vu \u00e0 l\u2019\u00e9tablissement X\u00bb. De plus, nous mettrons en \u0153uvre un d\u00e9lai roulant pour suivre les \u00e9carts majeurs, afin de nous assurer que les changements importants dans les estimations de l’ETA sont suivis et signal\u00e9s. Cela \u00e9vite \u00e0 l’utilisateur de recevoir des mises \u00e0 jour surprises de l’ETA et lui donne une raison sp\u00e9cifique pour ce changement. <\/p>\n\n En suivant syst\u00e9matiquement les \u00e9carts et en fournissant ces explications contextuelles, nous renfor\u00e7ons la confiance dans nos pr\u00e9visions d\u2019ETA: les utilisateurs peuvent prendre des d\u00e9cisions \u00e9clair\u00e9es car ils comprennent le pourquoi <\/em>de la pr\u00e9vision des heures d\u2019arriv\u00e9e. <\/p>\n\n Nous appliquons les m\u00eames principes de transparence aux assistants num\u00e9riques bas\u00e9s sur l’IA sur notre plateforme. <\/p>\n\n Consid\u00e9rons MO, notre assistant de cha\u00eene d\u2019approvisionnement con\u00e7u pour r\u00e9pondre \u00e0 des questions sp\u00e9cifiques sur la cha\u00eene d\u2019approvisionnement rapidement et avec pr\u00e9cision (par exemple: la r\u00e9cup\u00e9ration des informations d\u2019exp\u00e9dition). Nous avons cr\u00e9\u00e9 un module d’explicabilit\u00e9 qui \u00ab\u00a0jette un coup d’\u0153il\u00a0\u00bb dans l’esprit du chatbot, pour ainsi dire, et expose le processus de raisonnement \u00e0 l’utilisateur. Le module\u00a0: <\/p>\n\n Par exemple, si un utilisateur demande\u00a0: \u00ab\u00a0Quelles sont mes exp\u00e9ditions retard\u00e9es aujourd’hui\u00a0?\u00a0\u00bb MO ne se contente pas de transmettre une r\u00e9ponse en laissant l’utilisateur se demander comment elle a \u00e9t\u00e9 d\u00e9termin\u00e9e. Dans les coulisses, l’assistant d’IA traduit cette question en langage naturel en une requ\u00eate de base de donn\u00e9es. Notre syst\u00e8me affichera \u00e0 l’utilisateur une description en langage clair de cette requ\u00eate. Dans ce cas, l’assistant peut effectivement rechercher les exp\u00e9ditions dont l’heure d’arriv\u00e9e r\u00e9elle est post\u00e9rieure \u00e0 l’heure d’arriv\u00e9e pr\u00e9vue. Le module d’explicabilit\u00e9 affiche ensuite quelque chose qui ressemble \u00e0\u00a0: \u00ab\u00a0Pour d\u00e9terminer les exp\u00e9ditions retard\u00e9es, j’ai v\u00e9rifi\u00e9 dans la base de donn\u00e9es des exp\u00e9ditions toutes les exp\u00e9ditions dont l’arriv\u00e9e_r\u00e9elle<\/em> est post\u00e9rieure \u00e0 l’arriv\u00e9e_pr\u00e9vue<\/em>.\u00a0\u00bb <\/p>\n\n Ce niveau d’interpr\u00e9tabilit\u00e9 est inestimable dans le contexte de l’entreprise\u00a0: les utilisateurs acqui\u00e8rent l’assurance que l’IA ne fait pas un acte de foi, mais suit au contraire les r\u00e8gles de gestion et les donn\u00e9es, tout comme le ferait un analyste bien form\u00e9. <\/p>\n\n Le deuxi\u00e8me pilier de l’IA responsable chez project44 est la redondance du syst\u00e8me<\/strong>. Ce principe reconna\u00eet que la qualit\u00e9 de l’IA d\u00e9pend exclusivement des donn\u00e9es et Des syst\u00e8mes qui la prennent en charge. <\/p>\n\n Pour minimiser les risques, nous int\u00e9grons plusieurs couches de validation et de sauvegarde dans nos flux de travail d’IA. En d’autres termes, nous ne voulons pas d’un seul point de d\u00e9faillance ou d’une seule source de v\u00e9rit\u00e9 qui, s’ils se r\u00e9v\u00e8lent erron\u00e9s, pourrait conduire \u00e0 prendre une mauvaise d\u00e9cision qui passe inaper\u00e7ue. Chaque action pilot\u00e9e par l\u2019IA doit \u00eatre bas\u00e9e sur les informations les plus pr\u00e9cises et les plus mises \u00e0 jour disponibles. Dans la mesure du possible, ces actions doivent \u00eatre recoup\u00e9es avec un autre mod\u00e8le, ou un autre ensemble de donn\u00e9es ou de r\u00e8gles, avant d’affecter le monde physique des exp\u00e9ditions et des stocks. <\/p>\n\n Notre plateforme int\u00e8gre une quantit\u00e9 in\u00e9gal\u00e9e de donn\u00e9es sur la cha\u00eene d’approvisionnement en temps r\u00e9el. En r\u00e9alit\u00e9, project44 dispose du plus grand ensemble de donn\u00e9es sur la cha\u00eene d’approvisionnement au monde. Nous exploitons pleinement ces donn\u00e9es avant toute action d’un agent d’IA. <\/p>\n\n Avec plus de 255\u00a0millions d’exp\u00e9ditions trait\u00e9es et deux\u00a0millions de transporteurs dans notre r\u00e9seau, project44 dispose du plus grand ensemble de donn\u00e9es sur la cha\u00eene d’approvisionnement au monde. Le syst\u00e8me de project44 traite environ 3,3 millions de pings de localisation d\u2019exp\u00e9dition par jour en Am\u00e9rique du Nord et environ 66 millions de mises \u00e0 jour de position des navires par jour pour le fret maritime mondial. Ces millions de points de donn\u00e9es (allant des coordonn\u00e9es GPS du camion aux \u00e9v\u00e9nements de d\u00e9part du port en passant par les informations m\u00e9t\u00e9orologiques) servent de base de donn\u00e9es en direct et robuste pour notre IA. Avec ce volume et cette diversit\u00e9 d’informations entrantes, nous pouvons constamment comparer les r\u00e9sultats de l’IA \u00e0 la r\u00e9alit\u00e9 en temps r\u00e9el. Si un signal est inexact ou retard\u00e9, un autre signal a toutes les chances de le d\u00e9tecter. Cette redondance des donn\u00e9es garantit que nos algorithmes basent leurs d\u00e9cisions sur une image coh\u00e9rente et correcte de l’environnement de la cha\u00eene d’approvisionnement. <\/p>\n\n Par exemple\u00a0: si notre mod\u00e8le pr\u00e9dictif pr\u00e9voit un retard, nous le v\u00e9rifions avec des mises \u00e0 jour r\u00e9elles provenant du terrain. Y a-t-il r\u00e9ellement un embouteillage signal\u00e9 sur cet itin\u00e9raire\u00a0? Le dernier ping du camion a-t-il confirm\u00e9 qu’il \u00e9tait \u00e0 l’arr\u00eat\u00a0? Nous v\u00e9rifions via ces canaux de donn\u00e9es redondants avant que la d\u00e9cision de l\u2019IA (comme la redirection d\u2019une exp\u00e9dition) ne soit enti\u00e8rement fiable. <\/p>\n\n Nous int\u00e9grons \u00e9galement la redondance au niveau algorithmique. Plut\u00f4t que de s’appuyer sur les r\u00e9sultats d’un seul mod\u00e8le, notre architecture implique souvent des approches d’ensemble ou des r\u00e8gles de secours. Si le mod\u00e8le A signale une anomalie qui d\u00e9clencherait une action radicale, nous faisons v\u00e9rifier cette anomalie par le mod\u00e8le B (ou un ensemble de r\u00e8gles de gestion). <\/p>\n\n Dans les cas o\u00f9 une action de l’IA pourrait avoir des cons\u00e9quences consid\u00e9rables (par exemple, le r\u00e9approvisionnement automatique des stocks ou le r\u00e9acheminement de marchandises de grande valeur), nous nous assurons de la mise en place de mesures de protection\u00a0: il peut s’agir d’un autre mod\u00e8le validant la d\u00e9cision, ou m\u00eame d’une approbation humaine pour les d\u00e9cisions les plus importantes. L’objectif est qu’aucune information de l’IA ne soit jamais aveugl\u00e9ment accept\u00e9e sans v\u00e9rification. <\/p>\n\n Pour renforcer davantage la fiabilit\u00e9 des donn\u00e9es (un \u00e9l\u00e9ment essentiel de la redondance), nous avons introduit des agents de qualit\u00e9 des donn\u00e9es bas\u00e9s sur l’IA dans notre plateforme. <\/p>\n\n Ces agents travaillent en permanence pour identifier et r\u00e9soudre les probl\u00e8mes de donn\u00e9es afin que notre IA ne fonctionne pas sur des informations d\u00e9fectueuses ou manquantes. Par exemple, si le flux de suivi d\u2019un transporteur particulier devient silencieux ou si des informations d\u2019exp\u00e9dition semblent incoh\u00e9rentes, un agent de qualit\u00e9 des donn\u00e9es d\u2019IA r\u00e9soudra de mani\u00e8re autonome ce foss\u00e9, souvent avant m\u00eame que quiconque ne remarque le probl\u00e8me. Cela a entra\u00een\u00e9 des am\u00e9liorations significatives de l’utilit\u00e9 des donn\u00e9es de nos clients, ce qui a r\u00e9duit les lacunes de donn\u00e9es jusqu’\u00e0 50\u00a0% et \u00e9limin\u00e9 de nombreux suivis manuels aupr\u00e8s des transporteurs. En garantissant de mani\u00e8re proactive l’exhaustivit\u00e9 et la pr\u00e9cision des donn\u00e9es, nous r\u00e9duisons le risque qu’une IA prenne une mauvaise d\u00e9cision en raison de donn\u00e9es incompl\u00e8tes. <\/p>\n\n En bref, la redondance des syst\u00e8mes permet de les renforcer\u00a0: nous avons plusieurs paires d’\u00ab\u00a0yeux\u00a0\u00bb sur le probl\u00e8me de sorte que, m\u00eame si un \u00e9l\u00e9ment du syst\u00e8me d’IA est d\u00e9faillant, un autre \u00e9l\u00e9ment le remplace, pour que les d\u00e9cisions restent correctes et fiables.<\/strong> <\/p>\n\n En utilisant les techniques d\u00e9crites ci-dessus, nous am\u00e9liorons consid\u00e9rablement les capacit\u00e9s d’explication et la transparence de nos syst\u00e8mes d’IA, des pannes rapides aux donn\u00e9es redondantes. Mais l\u2019IA explicable n\u2019est pas seulement une gentillesse acad\u00e9mique; c\u2019est un imp\u00e9ratif strat\u00e9gique pour des secteurs tels que la cha\u00eene d\u2019approvisionnement et la logistique. <\/p>\n\n Alors que l’IA est de plus en plus int\u00e9gr\u00e9e \u00e0 la prise de d\u00e9cision, les dirigeants doivent s’assurer que ces syst\u00e8mes sont transparents et responsables. Voici pourquoi\u00a0: <\/p>\n\n\n
\n
R\u00e9sultats interpr\u00e9tables\u00a0: la clart\u00e9 des actions bas\u00e9es sur l’IA <\/h2>\n\n
Des pr\u00e9visions d’ETA transparentes <\/h2>\n\n
Des assistants IA explicables <\/h2>\n\n
\n
\n
\n
Redondance du syst\u00e8me\u00a0: une garantie de pr\u00e9cision et de fiabilit\u00e9 <\/h2>\n\n
Profondeur des donn\u00e9es et redondance <\/h3>\n\n
\u00c9tendue algorithmique et redondance <\/h3>\n\n
Un soucis de qualit\u00e9 des donn\u00e9es <\/h3>\n\n
Pourquoi est-il important pour les dirigeants de la cha\u00eene d’approvisionnement de disposer d’une IA transparente et responsable\u00a0? <\/h2>\n\n