bakhtiarzein-stock.adobe.com

IA générative et supply chain : quatre applications possibles

De la prévision de la demande à l’amélioration de la durabilité, voici comment les grands modèles de langage (LLM) peuvent améliorer la gestion, la résilience et la communication au sein de la chaîne d’approvisionnement.

Un outil d’Intelligence artificielle générative (ou GenAI) permet de saisir une demande ou une question (un prompt) dans un champ de texte pour générer un nouveau contenu (texte, image ou vidéo). Les modèles de GenAI (les LLMs) sont entraînés sur de grands ensembles de données. Il est alors possible d’interfacer le modèle avec une application ou d’adapter le modèle préentraîné aux données – en particulier à celles qui couvrent tous les aspects de la chaîne d’approvisionnement, comme l’inventaire, la logistique et la demande.

En ingérant ces informations, l’IA générative peut améliorer la gestion et la résilience de la chaîne d’approvisionnement de plusieurs façons.

1. Faire parler la prévision de la demande et l’opérationnel

Pour un supply chain robuste, il est important d’anticiper correctement la demande, ou de s’adapter aux évolutions lorsqu’elles sont soudaines (comme pendant la pandémie). Les entreprises peuvent utiliser des modèles d’IA générative en complément de leurs modèles statistiques (ML et prédictifs) pour expliquer les historiques de ventes, résumer les tendances du marché et détailler les indicateurs clés de performance.

De la même manière, en complément d’un outil de gestion des stocks/ERP/MES, l’IA générative peut expliciter les données clés et les rendre plus activables et accessibles aux collaborateurs pour améliorer l’opérationnel (niveaux de l’inventaire, temps de fabrication prévue, recommandation de réapprovisionner ou réduire les stocks, avec un calendrier, etc.)

La même idée peut s’appliquer à tous les outils SCM. Comme ceux qui – en s’appuyant des historiques de météos, sur les cartes de trafic et sur les prix du carburant – identifient des itinéraires optimaux et mettent en évidence les perturbations potentielles ainsi que des itinéraires bis si nécessaire. Avec la GenAI, ces recommandations parlent littéralement à l’utilisateur qui, en retour, peut demander d’autres estimations comme s’il dialoguait avec le SCM.

2. Communication entre fournisseurs et clients

Une communication suivie entre une entreprise, ses fournisseurs et ses clients est essentielle pour une chaîne d’approvisionnement efficace.

L’IA générative peut aider à rédiger des mails, lire des messages reçus (ou des documents), et résumer des échanges (ou des documents).

Elle peut aussi aller chercher des informations extérieures (rapports, articles sur des événements susceptibles d’affecter les fournisseurs et de créer des retards de trafic) pour faire des notes de synthèses.

Les chatbots à base de GenAI (sur le modèle de ChatGPT) peuvent également traiter certaines requêtes des clients, comme le traitement d’un retour ou le suivi d’une livraison, en self-service.

3. Durabilité et évolutivité

La durabilité est devenue une priorité.

Entraîner des modèles GenAI sur une documentation qui liste les matériaux utilisés par une entreprise, sur des fiches de matériaux alternatifs, et sur des rapports officiels sur les bonnes pratiques reconnues (sectorielles ou autres) permet de questionner cette base d’informations et d’avoir en retour un aperçu clair, très compréhensible (puisqu’il est possible de demander des précisions et des explications supplémentaires à une IA générative), des manières de rendre la supply chain plus « verte ».

4. Analytique et assistant virtuel

Dans la supply chain comme dans d’autres domaines, l’IA générative est un complément idéal de la BI et de l’analytique. Elle sait regrouper les résultats de simulations et de scénarios de types « si ceci, alors cela » et les compiler dans un rapport.

Elle permet par exemple de poser la question « Quels fournisseurs a les plus mauvaises performances ? » et d’avoir soit la fiche du prestataire (en mode assistant virtuel d’une application métier) ou une explication écrite en langage naturel.

Pour approfondir sur Applications métiers

Close