A-Sis explore le machine learning

Celui qu'on appelle également « apprentissage automatisé », le machine learning, désigne la capacité à interpréter et faire parler les données. Intimement lié à l'avènement du big data, il se nourrit de l'augmentation des capacités de calcul, ses algorithmes permettant un apprentissage en itération, en se basant sur l’analyse du passé et du présent pour en déduire le futur.

Mû par la conviction de la nécessité d'exploiter ces données fournies par le big data et le machine learning, l'éditeur et intégrateur A-Sis travaille sur ces sujets depuis plusieurs années. Pour ce faire, il a notamment créé un pôle de recherche opérationnelle et data science constitué de docteurs en recherche appliquée, en data science et en 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. 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…», juge Evelyne Raynaud, directrice produit A-Sis. 

Après avoir réalisé une étude des cas d’usage possibles du machine learning, l'éditeur a distingué trois axes de travail qui font aujourd'hui l'objet de développements en 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 permettra d’anticiper la recherche de ressources pour passer les pics d’activité. »

Le pôle de recherche d'A-Sis se penche également sur l'application du machine learning pour mieux anticiper des ruptures en picking et optimiser le réapprovisionnement, en analysant l’historique de l’entrepôt. « Il nous semble également intéressant de proposer un échantillonnage encore plus pertinent sur le contrôle qualité en réception. Le machine learning peut enrichir les critères classiquement utilisés pour sélectionner les pièces à contrôler afin d’améliorer la qualité des contrôles », conclut la directrice produit d'A-Sis.