LLM et modèles de base en chaîne d'approvisionnement :transformer la planification et les prévisions

Présentation

Cet article explore la manière dont ces technologies fondamentales d’IA peuvent être appliquées au sein de la chaîne d’approvisionnement, depuis la simplification de l’accès à des plateformes de planification complexes jusqu’à la prise en charge des prévisions et de l’analyse de scénarios. Il examine également les avantages, les risques et le rôle pratique des LLM en tant qu'interface intelligente qui aide les équipes de la chaîne d'approvisionnement à mieux comprendre les données, à explorer les décisions et à améliorer la planification quotidienne.

Rédiger et adapter des textes, contribuer à la synthèse d'informations, générer de nouvelles approches et des idées innovantes :professionnellement parlant, ce sont les trois demandes les plus courantes que les utilisateurs font à ChatGPT. La source est assez fiable :la propre plateforme d'OpenAI.

Au-delà de ces tâches « généralistes », chacun d’entre nous a probablement utilisé ces invites à un moment donné dans son travail, la vérité est que ChatGPT et d’autres systèmes similaires peuvent également être appliqués à des tâches plus spécifiques. La chaîne d’approvisionnement ne fait évidemment pas exception. Dans cet article, nous passerons en revue les applications des systèmes d'IA fondamentaux, y compris les grands modèles linguistiques (LLM) tels que ChatGPT, dans la chaîne d'approvisionnement.

Que sont les grands modèles linguistiques (LLM) ?

Les grands modèles linguistiques (LLM) sont un type spécifique de modèle d'IA fondamental. Formés avec d'énormes volumes de données textuelles, leur objectif n'est pas de résoudre une tâche unique et spécifique, mais d'acquérir une compréhension générale du langage qui peut être réutilisée dans plusieurs contextes.

Grâce à cette formation, les LLM sont capables de rédiger des textes, de résumer des informations, de répondre à des questions complexes, de raisonner à partir de données non structurées et de traduire des concepts techniques dans un langage plus accessible. Des outils tels que ChatGPT sont un exemple clair de cette approche :un modèle unique qui peut effectuer des tâches très différentes sans avoir besoin d'être recyclé pour chacune d'elles.

Avantages de l'IA appliqués à la chaîne d'approvisionnement

Un LLM est particulièrement doué dans un domaine :travailler avec le langage. Dans la supply chain, cela présente un énorme potentiel lorsqu'il est connecté aux systèmes existants (ERP, WMS, TMS, entrepôts de données, etc.).

Le potentiel des LLM dans la chaîne d'approvisionnement n'est pas simplement de leur demander d'« optimiser », une tâche pour laquelle, du moins pour l'instant, ils ne sont pas suffisamment efficaces ou fiables, mais d'aider les gens à mieux interagir avec les systèmes de planification existants, à comprendre leurs résultats et à prendre des décisions plus rapides et plus éclairées.

Examinons quelques-uns des principaux avantages.

Simplifier l'utilisation de plateformes avancées complexes

Il a été démontré qu’une planification avancée permet de réduire les coûts, d’améliorer les niveaux de service et de contenir les stocks. Le problème est que, au quotidien, la valeur d'un système d'optimisation dépend non seulement de la recherche de la meilleure solution, mais également du fait que cette solution soit compréhensible et génère la confiance.

Dans de nombreuses entreprises, c’est là que l’écart apparaît. La plateforme d’optimisation calcule, mais les équipes qui la font fonctionner se méfient. Cela peut conduire à des questions dont la résolution prend des heures ou des jours, à une dépendance à l'égard de profils techniques pour des requêtes relativement simples et à un sentiment persistant de :"Je ne sais pas pourquoi le système a décidé cela."

Dans ce contexte, les LLM commencent à jouer un rôle très spécifique et utile :devenir une couche d'interaction et de traduction entre les personnes et les systèmes de planification, en particulier lorsqu'ils sont derrière eux des décisions complexes (contraintes, dépendances, scénarios, priorités, etc.).

Dans la supply chain, certaines questions reviennent constamment :

• "Pourquoi avons-nous répondu à cette demande de ce fournisseur (et pas d'un autre) ?"
• "Que se passe-t-il si la demande dans cette zone augmente de 10 % ?"
• "Pouvons-nous limiter le nombre de fournisseurs pour des raisons de qualité ou de risque ?"
• "Quel impact aurait le blocage de cette voie de transport ?"
• "Quel SKU génère le plus de casse et pourquoi ?"

Ces questions courantes cherchent des réponses claires, mais y répondre implique souvent de revoir des paramètres, de consulter des tableaux, d'effectuer des calculs, de simuler des scénarios… Et dans de nombreuses organisations, cela signifie ouvrir un ticket, attendre un analyste, consulter un technicien, relancer… au final perdre beaucoup d'agilité au moment de prendre des décisions.

C'est là que les LLM deviennent des outils très utiles, non pas comme substituts au moteur mathématique, mais comme interface intelligente pour accéder, expliquer et explorer ses résultats.

Prévisions de séries chronologiques

L’intelligence artificielle commence également à être appliquée à la prévision de séries chronologiques, même si dans ce cas, techniquement, nous ne faisons pas référence aux LLM mais plutôt à ce que l’on appelle les modèles de base des séries chronologiques. En s'entraînant sur de grands volumes de données historiques, ils peuvent apprendre des modèles communs et générer rapidement des prévisions pour une grande variété de comportements, de la demande intermittente aux modèles saisonniers ou aux événements ponctuels.

Dans ce contexte, il est possible d'imaginer un scénario dans lequel l'utilisateur fournit des séries chronologiques ainsi que des informations contextuelles à la plateforme, et le système renvoie une prévision accompagnée d'explications, de mesures de performance et de recommandations sur la manière de l'améliorer. Avec ce type de modèle, un processus de prévision de haute qualité pourrait être réalisé avec un minimum d'effort et sans avoir besoin de connaissances techniques approfondies.

Prise de décision et réponse aux scénarios de simulation

Encore une fois, nous ne faisons pas strictement référence aux LLM mais, dans ce cas, aux Decision Foundation Models. Ce type d’IA peut aller au-delà de la prédiction de séries chronologiques et également être appliqué à des problèmes de prise de décision. Grâce à cette formation préalable, le modèle peut aborder différents types de décisions avec un minimum d'ajustement.

Dans ce contexte, lorsque l’utilisateur pose une question « et si », le LLM interprète l’intention (par exemple « bloquer ce fournisseur » ou « limiter cette usine ») et lance le scénario. Il compare ensuite le résultat avec le plan actuel et l'explique.

Le principal avantage est qu'il n'est pas nécessaire de se lancer dans des mathématiques avancées :pour les entreprises, la réponse est généralement "augmenter/diminuer les coûts", "le service est compromis", "un risque apparaît", "la charge est déplacée" ou "il n'y a pas de solution réalisable".

Rendre accessibles les informations existantes (mais dispersées)

Une partie du problème réside dans le fait que les données de la chaîne d’approvisionnement vivent en silos :tableaux, rapports, tableaux de bord, différents outils, différentes nomenclatures… et les questions nécessitent souvent de croiser plusieurs sources. Un LLM peut agir comme un « orchestrateur » de requêtes :non pas parce qu'il « connaît » les données, mais parce qu'il peut les demander aux bons systèmes et composer une réponse cohérente.

Risques liés à l'application de l'IA à la chaîne d'approvisionnement

Si vous appliquez les LLM à vos opérations de chaîne d'approvisionnement, deux préoccupations inévitables se posent :

Confidentialité et données sensibles

L’approche la plus judicieuse consiste à ne pas transférer les données dans le modèle. Au lieu de cela, le LLM agit comme une couche de raisonnement et de langage, tandis que les données et les calculs restent dans votre environnement (bases de données, solveurs, systèmes internes).

« Hallucinations » et réponses plausibles

Dans la chaîne d'approvisionnement, une réponse incorrecte n'est pas un échec anecdotique :elle peut coûter de l'argent, du service et/ou de la réputation de la marque.

Par conséquent, le modus operandi le plus recommandé n’est pas « demander au LLM et faire confiance », mais plutôt :

1. Le LLM propose l'action (requête, scénario, restriction).
2. Le système le valide (règles, autorisations, contrôles).
3. La plate-forme de gestion de la chaîne d'approvisionnement le calcule.
4. Le LLM explique le résultat.

L'impact des LLM sur l'équipe supply chain

En termes d'impact opérationnel, une approche bien conçue de « LLM comme copilote de planification » se traduit généralement par :

• Davantage d'autonomie pour le planificateur pour explorer des scénarios sans recourir à l'ingénierie ou à l'analyse.
• Moins de frictions internes :moins de va-et-vient pour expliquer le « pourquoi ».
• Décisions plus rapides en cas de changements (demande, capacité, fournisseurs, transport).
• Meilleure adoption du système de planification :s'il est compris, il est utilisé ; s'il est utilisé, il génère de la valeur.

Conclusion :Lorsque la planification est comprise, elle commence à générer une réelle valeur

Dans la chaîne d'approvisionnement, l'un des principaux défis, au-delà du calcul de la réponse à un problème, consiste à transformer cette réponse en une décision que l'entreprise comprend, fait confiance et exécute.

De ce point de vue, la valeur des LLM ne consiste pas à « élaborer un plan » ou à remplacer les plateformes d'optimisation de la chaîne d'approvisionnement. , mais en rapprochant la planification avancée des personnes qui prennent des décisions au quotidien. En agissant comme une couche d'interprétation et de dialogue, ils permettent d'explorer des scénarios, de comprendre les raisons de chaque proposition et de réduire les frictions entre les modèles complexes et la réalité opérationnelle.

Si le prochain niveau de maturité de la chaîne d'approvisionnement implique de réduire l'écart entre ce que le système calcule et ce que l'entreprise doit décider, les LLM, intégrés de manière responsable et connectés à des outils de planification robustes, apparaissent comme un outil clé pour y parvenir.