Intelligence artificielle : Le TMS CarLo de Soloplan révolutionne la planification de transports

Des films comme Terminator, Matrix ou I, Robot nous ont permis de nous faire une idée de l’intelligence artificielle. Mais quelles sont exactement les opportunités offertes par l’intelligence artificielle ? Que signifie en fait « intelligence artificielle »? C’est qui, qui pense ? Et quel rôle joue l’intelligence artificielle dans la planification de transports ?

Le cerveau humain est composé d’environ 100 milliards de neurones interconnectés. La transmission d’informations entre les neurones s’effectue par des impulsions électriques. Cela permet aux humains d’apprendre, de tirer des conclusions et de penser de manière abstraite. En ce qui concerne l’intelligence artificielle, des neurones artificiels entraînés par des algorithmes sont utilisés. Cependant, le but n’est pas de reproduire l’intelligence humaine mais plutôt de permettre aux systèmes d’apprendre la reconnaissance de formes à l’aide d’un grand volume de données.

L’idée derrière l’apprentissage automatique est que les systèmes peuvent apprendre automatiquement un modèle, tel qu’un ensemble de règles, sur la base de données d’apprentissage. Grâce à l’apprentissage automatique, les entreprises ne doivent plus créer manuellement les modèles. Il n’est donc plus nécessaire de définir des règles, des contrôles et des interprétations. La qualité des données d’apprentissage est un facteur clé pour que l’apprentissage automatique puisse produire les résultats souhaités. Pour rester compétitif sur le marché, les entreprises devraient être en phase avec les normes techniques les plus récentes et exploiter les avantages importants offerts par l’intelligence artificielle. Le processus d’apprentissage automatique dans CarLo est le suivant : Les données de planification de transports, telles que le type de transport, la date, le point de départ, le point d’arrivé, les postes de chargement, le poids de chargement et les marchandises dangereuses, sont saisies et traitées par un algorithme.

L’algorithme permet à CarLo d’apprendre le comportement de l’exploitant et de créer un modèle avec lequel les futures tournées sont planifiées automatiquement selon les règles apprises. En d’autres termes, il n’y a plus de processus standard fixe dans CarLo. Le processus est plutôt adapté aux besoins individuels de chaque entreprise. Soloplan a dû faire face à des défis uniques pour lesquels il n’existait pas de solution standard. Comment peut-on adapter un modèle d’apprentissage automatique aux besoins individuels de chaque client ? À cause du grand nombre de fonctions disponibles dans le TMS CarLo, les données clients requises pour l’apprentissage sont très hétérogènes. Cela représente un défi majeur : Il se peut qu’une approche fonctionne bien pour un client et ne fonctionne pas du tout pour un autre. Ce problème est normalement abordé par les ingénieurs d’apprentissage automatique qui peuvent ajuster manuellement le modèle en examinant de diverses statistiques.

Lors du développement d’un modèle d’apprentissage automatique, il y a deux tâches qui sont particulièrement difficiles. D’une part, la « sélection de caractéristique », c’est-à-dire la sélection d’un sous-ensemble de caractéristiques pertinentes d’un enregistrement de données (par exemple, la sélection de la destination, du poids, du type de transport, etc. parmi les nombreuses caractéristiques des ordres de transport déjà traités). D’autre part, le « sur-ajustement »/« sous-ajustement », ce qui pose souvent un problème pour les ingénieurs d’apprentissage automatique. D’un point de vue mathématique, le modèle doit être suffisamment complexe pour apprendre le comportement humain. Toutefois, le modèle ne doit pas apprendre ce comportement par cœur. Les ingénieurs d’apprentissage automatique appellent la solution souhaitée « modèle de généralisation ».

Ayant plus de 1 000 clients dans le monde entier, Soloplan ne peut pas fournir à chaque client un modèle d’apprentissage automatique sur mesure. Pour cette raison, l’algorithme d’apprentissage automatique doit être capable d’exécuter automatiquement toutes les tâches manuelles mentionnées ci-dessus sans intervention humaine. C’est pourquoi Soloplan a développé un pipeline auto-optimisant qui peut entraîner de manière autonome un modèle d’apprentissage automatique. La dernière version du TMS CarLo est livrée avec ce nouveau programme qui révolutionnera la planification de transports !

Les avantages de la planification de transports à l’aide de l’apprentissage automatique sont évidents : Son utilisation permet à l’exploitant de gagner beaucoup de temps et aide également à éviter les erreurs et à augmenter considérablement l’efficacité.

Un autre grand avantage est que le changement du personnel n’entraîne plus de perte de savoir-faire. Comme CarLo apprend le comportement sur la base des données d’apprentissage, un nouvel exploitant, par exemple, peut planifier les tournées de la même manière qu’un salarié de longue date. Seul le client est en possession des données. Elles ne doivent pas être transmises à Soloplan. De plus, le pipeline s’adapte aux exigences changeantes de l’entreprise comme le modèle est constamment entraîné avec de nouveaux ordres de transport. L’apprentissage automatique facilite le travail avec CarLo de plusieurs façons. Son utilisation nous permet d’obtenir les informations dont nous avons besoin pour accomplir nos tâches plus rapidement et plus facilement que jamais. Conclusion : Ces technologies nous soutiennent et ne nous remplacent pas.