Skip to main content
European Commission logo print header

Enhanced data management techniques for real time logistics planning and scheduling

Article Category

Article available in the following languages:

Une IA pour une chaîne d’approvisionnement mondiale à l’épreuve de l’avenir

Le projet LOGISTAR, financé par l’UE, révèle comment l’automatisation, l’intelligence artificielle et les données pourraient être la clé qui permettra d’optimiser les opérations logistiques au sein des chaînes d’approvisionnement mondiales.

Économie numérique icon Économie numérique
Transports et Mobilité icon Transports et Mobilité

Des chaînes d’approvisionnement efficaces forment l’épine dorsale de l’économie mondiale. Mais, comme la pandémie de COVID-19 l’a clairement démontré, les chaînes d’approvisionnement mondiales peuvent être facilement perturbées. C’est pourquoi, alors que nous ouvrons lentement les portes d’un monde post-pandémie, il est essentiel de redoubler d’efforts pour mieux protéger ces chaînes contre toute nouvelle perturbation. «La croissance économique mondiale a exercé de fortes tensions sur nos infrastructures logistiques très limitées», explique Enrique Onieva, professeur en informatique et systèmes intelligents à l’Université de Deusto, en Espagne. «L’utilisation efficace de ces infrastructures et des ressources de transport disponibles est un objectif absolument essentiel.» C’est dans ce contexte que le projet LOGISTAR (Enhanced data management techniques for real time logistics planning and scheduling) entre en jeu. «En exploitant des données en temps réel de plus en plus abondantes provenant de notre environnement interconnecté, le projet LOGISTAR entend ouvrir la voie à une planification efficace des opérations de transport au sein de la chaîne d’approvisionnement», ajoute Enrique Onieva, coordinateur du projet.

Une architecture de bout en bout

La principale réalisation du projet est une architecture de bout en bout capable de capturer et d’harmoniser automatiquement les données, d’envoyer les messages correspondants aux modules en charge de l’exécution des différents algorithmes, et de recueillir les résultats pour les présenter aux parties prenantes. «Cette solution récupère les données disponibles en temps réel et les envoie à des algorithmes basés sur l’IA à des fins de traitement», explique Enrique Onieva. «Ces algorithmes vont ensuite exécuter une série de services, chacun visant à optimiser les opérations de la chaîne d’approvisionnement.» Par exemple, un service prédit avec précision l’heure d’arrivée estimée et détecte les incidents afin d’optimiser les opérations d’entreposage. «En aidant les entrepôts à utiliser plus efficacement leurs ressources disponibles, ce service réduit les temps d’attente et les goulots d’étranglement au niveau de la chaîne d’approvisionnement occasionnés par ces retards», ajoute Enrique Onieva. Un autre service améliore l’acheminement des marchandises et optimise la capacité de chargement. «En exploitant différents modes de transport, comme les camions, les trains et les navires, nous pouvons à la fois optimiser l’utilisation de toutes les infrastructures disponibles et réduire les coûts globaux du transport et de la logistique», fait-il remarquer. À cet égard, le projet a également mis au point un outil de planification collaborative horizontale. «Nous aidons les différents acteurs de la chaîne d’approvisionnement à partager les ressources disponibles en vue de réduire le nombre de kilomètres parcourus par des camions vides, ce qui limite les émissions de gaz à effet de serre», explique Enrique Onieva.

Des réponses pratiques à des problèmes réels

Enrique Onieva estime que la COVID-19 a non seulement perturbé les chaînes d’approvisionnement, mais a aussi eu des conséquences sur les projets de recherche comme LOGISTAR. «La pandémie est apparue juste au moment où nous allions commencer nos activités d’essai, ce qui nous a contraints de tout faire à distance», explique-t-il. Malgré cet impondérable, le projet est parvenu à apporter des réponses pratiques aux problèmes réels de la chaîne d’approvisionnement. «Notre réussite est l’aboutissement direct de l’engagement de toutes les personnes associées à ce projet», conclut Enrique Onieva. «Bien que nous formions une grande équipe, dont les membres sont issus d’horizons et de secteurs différents, nous étions tous mus par le même objectif, c’est-à-dire faire que nos chaînes d’approvisionnement mondiales soient à l’épreuve de l’avenir.» Même si le projet s’est achevé, Enrique Onieva et certains partenaires du projet travaillent à améliorer le niveau de maturité technologique des services de LOGISTAR, l’objectif final étant d’aboutir à la commercialisation de cette technologie.

Mots‑clés

LOGISTAR, chaîne d’approvisionnement, automatisation, intelligence artificielle, IA, données, logistique, infrastructure, transport, algorithme, entrepôt

Découvrir d’autres articles du même domaine d’application