Vous êtes ici :
  1. Accueil
  2. Service
  3. Quel type de technologie mettons-nous…

Quel type de technologie mettons-nous en œuvre dans notre système ?

Apprentissage automatique

L’apprentissage automatique est une forme d’intelligence artificielle qui permet à un système d’apprendre à partir de données plutôt que par programmation explicite. Dans ce paradigme, les règles ne sont pas élaborées manuellement par un programmeur pour obtenir une réponse à partir des données consommées, mais résultent de l’implémentation de l’algorithme d’apprentissage automatique lui-même. Ces règles générées automatiquement peuvent ensuite être appliquées à de nouvelles données pour produire des réponses. L’apprentissage automatique confère ainsi à l’intelligence artificielle la capacité de s’adapter à de nouvelles circonstances.

Modèle d’algorithme de réseau neuronal

Un réseau neuronal est un algorithme de type boîte noire qui tente d’imiter l’activité du cerveau humain. Son avantage par rapport aux autres algorithmes d’apprentissage automatique réside dans la détection automatique de relations non linéaires entre les caractéristiques. Les réseaux neuronaux sont très performants sur les problèmes très complexes. Nous prévoyons d’utiliser un réseau neuronal avec une ou deux couches cachées pour prédire l’heure d’arrivée des cargaisons dans les ports.

Le modèle de réseau neuronal utilise les variables d’entrée. Les couches cachées forment une boîte noire, et il est impossible de visualiser ce qui se passe à l’intérieur du modèle. Les paramètres finaux de l’algorithme ont été déterminés par essais et erreurs. Le modèle pourrait être amélioré en ajoutant davantage de couches cachées, mais les gains de précision seraient marginaux et la puissance de calcul nécessaire à son apprentissage augmenterait encore davantage.

Cadre

Plutôt qu’un modèle d’expédition et d’oubli présent dans les logiciels traditionnels, les systèmes d’apprentissage automatique nécessitent de nombreuses boucles d’itération et une amélioration continue, comme le montre l’image ci-dessous.

La méthode proposée est basée sur les données de suivi historiques des transports et comporte huit étapes :

Les données pertinentes pour la modélisation sont sélectionnées et nettoyées pour éliminer les valeurs aberrantes.

Enfin, le meilleur modèle d’apprentissage automatique est comparé aux approches basées sur la moyenne couramment utilisées.

Pour inclure des informations sur l'itinéraire, une approche de regroupement est utilisée pour identifier les arrêts et les points de transbordement. Seule la rame est utilisée pour identifier les regroupements.

Dans la phase de modélisation, différentes méthodes ont été utilisées pour sélectionner des caractéristiques et dériver différentes expériences en tant que sous-ensembles de caractéristiques.

Enfin, les caractéristiques considérées comme pertinentes sont dérivées des données de suivi et des résultats de clustering basés sur les connaissances du domaine et la littérature.

Ensuite, pour chaque expérience et algorithme d'apprentissage, une recherche de grille et une validation croisée avec cinq ensembles de formation et de validation ont été utilisées pour le réglage des paramètres.

Ensuite, une séparation des ensembles d'apprentissage et de test est effectuée. L'ensemble de test représente les données inconnues utilisées pour évaluer les performances des modèles développés, tandis que l'ensemble d'apprentissage représente les données connues utilisées pour l'entraînement des modèles.

Les modèles sont enfin testés et évalués, en tenant compte des expériences et des algorithmes d'apprentissage. En fonction des résultats, le meilleur modèle est sélectionné.

Analyse prédictive

La prise de décision en logistique maritime implique souvent des facteurs externes fluctuants, de nature stochastique, qui compliquent la planification et l’identification d’actions réfléchies. Cela souligne l’importance de prévisions fiables pour prendre des décisions commerciales en situation d’incertitude. Grâce aux méthodes d’analyse prédictive basées sur l’apprentissage automatique, les prévisions atteignent un niveau de précision inégalé, permettant de générer des prédictions fiables sur les facteurs d’influence pertinents pour l’entreprise. Cette approche identifie les corrélations et les tendances dans les données historiques et utilise ces dépendances pour prédire les évolutions ou événements futurs. Ainsi, la portée et la précision des informations présentées quotidiennement aux décideurs peuvent être améliorées. De plus, les prévisions chronologiques, telles que les prévisions de la demande et du volume de fret, les prévisions des heures d’arrivée ou les estimations de la durée de vie restante, permettent une meilleure gestion des incertitudes opérationnelles.

Les méthodes d’apprentissage automatique utilisées pour la prévision des séries chronologiques constituent probablement l’un des domaines les plus intéressants pour les prévisions basées sur les données dans les années à venir. Cela s’explique tout d’abord par le fait que la prédiction de variables décisionnelles telles que les heures d’arrivée, la valeur de la demande ou les volumes de fret est très intéressante dans de nombreux contextes logistiques. De plus, l’apprentissage automatique promet d’être très efficace lorsque la prévision classique des séries chronologiques, déjà largement utilisée en gestion de la chaîne d’approvisionnement et en logistique, atteint ses limites. Il s’agit notamment des problèmes où de multiples variables d’entrée, et donc de grandes quantités de données, sont disponibles et où des relations non linéaires complexes entre différents paramètres sont prévisibles.