S’attaquer au commerce de détail en rupture de stock avec l’IA

S’attaquer au commerce de détail en rupture de stock avec l’IA

Défis :

Element AI transforme la recherche de pointe en IA et l’expertise de l’industrie en solutions logicielles qui apprennent et s’améliorent de façon exponentielle. L’entreprise cherchait des moyens possibles de combiner simulation et IA et a identifié trois défis à relever avec l’aide de AnyLogic :

  1. La simulation peut-elle aider à générer des jeux de données précieux pour pré-former un modèle d’IA ?
  2. L’IA peut-elle aider à améliorer le comportement des agents dans la simulation ?
  3. Les techniques d’apprentissage de renforcement peuvent-elles être appliquées aux cas réels d’utilisation dans l’industrie ?

Pour tous ceux qui ne sont pas familiers avec les progrès récents dans l’apprentissage automatique, il est important de souligner que l’apprentissage profond nécessite généralement de très grands ensembles de données pour la formation des modèles pour réussir. Plutôt que de construire de vastes systèmes fondés sur des règles, les réseaux neuronaux, une famille de modèles utilisés dans l’IA, apprennent de grandes quantités de données en prenant des décisions qui sont conformes au plus grand nombre possible types de données. Toutefois, les données peuvent être affectées par plusieurs problèmatiqued’s :

Pour toutes ces raisons, lorsqu’une équipe d’IA souhaite s’engager avec un client ou développer une capacité de base, elle doit déterminer les besoins en données au début du projet, soit par le biais d’une phase d’audit des données, soit d’une phase de collecte et d’étiquetage des données. Cette étape peut prendre beaucoup de temps et être très coûteuse. Par conséquent, c’était le premier défi pour Element AI à relever avec la simulation.

Comme deuxième défi, Element AI a examiné comment l’IA peut aider la simulation à prendre de meilleures décisions et a découvert quelques applications intéressantes :

Enfin, en raison de la valeur inexploitée, énumérée dans les deux premiers défis ci-dessus, Element AI a décidé de reporter les essais industriels des techniques d’apprentissage de renforcement pour une date ultérieure et l’étude de cas.

Solution :

Element AI AnyLogic simulation model capture d’écran
Modèle de simulation de magasin Element AI

Afin de relever les défis identifiés, Element AI a sélectionné un cas d’utilisation industrielle qui bénéficierait de l’utilisation des idées de simulation mises en évidence ci-dessus. L’entreprise s’est concentrée sur la reproduction des activités d’une épicerie ; plus précisément, l’accent a été mis sur la prévision de la demande de produits et la priorisation des tâches des employés pour le réapprovisionnement des rayons.

Le premier objectif était de générer des données de 5 ans sur la demande de produits minute par minute, avec une variabilité significative, le bruit et des événements irréguliers. La clé était de créer suffisamment de données pour que l’algorithme de prévision des séries temporelles (IA) tire des leçons à un niveau de complexité qui justifie l’utilisation de l’IA par-dessus les formules traditionnelles basées sur les règles.

Un risque connu avec cette approche est qu’un modèle d’IA peut s’adapter aux données simulées et ne pas réussir à généraliser lorsque de nouveaux paramètres sont insérés ou par rapport aux données de la vie réelle. Ceci est généralement surmonté ou minimisé avec la randomisation de domaine.

Le deuxième objectif était d’utiliser l’IA pour guider la priorisation des tâches des employés dans la simulation. Plus précisément, aidez les employés virtuels (agents) qui sont responsables des tâches de réapprovisionnement des rayons de l’épicerie à identifier quel produit ils devraient prioriser pour éviter ou minimiser les événements coûteux de rupture de stock.

Pour étudier ces deux objectifs, le modèle de simulation d’épicerie comprenait trois types d’agents de base, chacun avec un ensemble de paramètres générés aléatoirement, afin d’assurer le niveau de complexité souhaité.

1. Clients modélisés comme agents piétons avec divers :

2. Catégories de produits avec divers :

3. Employés ayant divers caractéristiques de :

Enfin, Element AI a travaillé en étroite collaboration avec l’équipe de support AnyLogic pour trouver un moyen d’exécuter des modèles d’IA en dehors de AnyLogic, mais toujours synchronisé avec l’exécution de simulation.

La solution développée comportait quatre étapes simples :

Le principal avantage de cette approche est qu’elle n’a pas d’exigence particulière au niveau de complexité de l’IA et du langage de codage (Python dans ce cas),à part d’avoir à mettre brièvement en pause la simulation à intervalles réguliers.

Résultat :

Les 5 années de données générées par la simulation ont permis aux scientifiques d’Element AI de former des modèles de prévision de séries chronologiques pour la demande de produits minute par minute. Cela a été fait à l’aide d’une fraction des données, où les quatre premières années ont été utilisées pour former l’IA, et la cinquième année a été utilisée pour tester l’exactitude de la prévision.

La base de référence pour les prévisions horaires de la demande de produits a été définie comme Lag-0 qui prévoit que l’heure précédente se répétera d’elle même. L’exactitude des autres modèles de séries chronologiques a ensuite été évaluée par rapport à cette ligne de base.

Comparaison des modèles de séries chronologiques pour les prévisions horaires de la demande de produits. Retard de base-0

Les résultats énumérés dans ce tableau montrent qu’un gérant de magasin qui essaie de prédire ce qui sera vendu dans l’heure suivante serait exact à 61 % s’il utilisait la dernière heure comme référence. Ce même propriétaire de magasin serait jusqu’à 80% précis s’il / elle a tiré parti d’un outil de prévision de la demande IA.

Cependant, cette conclusion vient avec une mise en garde. Bien qu’il y ait eu de multiples sources de variabilité et de complexité introduites dans le modèle de simulation, les données générées manquaient encore de réalisme.

Par exemple, il n’y a pas eu d’événements irréguliers qui pourraient forcer le magasin à fermer pendant un certain temps, il n’y avait pas d’employés qui ne se sont pas présentés au travail, il y avait toujours assez de produits dans le magasin arrière pour remplir les étagères, et finalement le problème de prévision de la demande a été simplifiée en évitant l’introduction de nouveaux produits.

Pour ces raisons, il pourrait s’avérer difficile d’utiliser les données générées par cette simulation pour augmenter les données, car l’IA n’a pas appris à gérer le bruit supplémentaire et pourrait être incapable de s’adapter aux données du monde réel. C’est là que les techniques de randomisation de domaine et les progrès récents dans l’apprentissage sim-to-real ou de transfert learning seraient bénéfiques.

Cependant, même si elle ne peut garantir les résultats une fois exposés à des données réelles, l’IA formée à l’aide de cette approche de simulation peut aider les chercheurs à exclure les modèles de prévision inappropriés et à évaluer si un cas d’utilisation bénéficierait de sources supplémentaires capteurs ou de données .

Tel qu’identifié dans le deuxième objectif, le modèle de simulation a également permis à Element AI de comparer l’impact de diverses politiques d’IA pour la priorisation des tâches en fonction d’un ensemble de mesures par période de temps définie (jour, semaine, mois, année) :

Exemple de résultats pour les profits quotidiens du magasin

La stratégie de file d’attente signifie que les produits sont réapprovisionnés dans l’ordre auquel ils s’épuisent. Les autres politiques sont ensuite comparées à cette base de référence pour évaluer la politique optimale pour les bénéfices, mais peuvent également être utilisées pour optimiser pour d’autres KPI comme l’utilisation du temps des employés. Il s’avère que, selon les paramètres définis, la hiérarchisation des tâches a beaucoup moins d’impact que la capacité de prévoir la demande, mais différents paramètres ou ensembles de données peuvent conduire à une conclusion différente.

En fin de compte, la simulation a été utilisée pour générer des données afin d’améliorer la capacité de prévision de l’IA et comme banc d’essai pour différentes politiques d’agents d’IA. Une fois déployée dans un magasin de détail, cette solution pourrait aider un gérant de magasin à mieux comprendre combien de produits sont censés se vendre à l’heure et où les employés devraient concentrer leurs efforts de réapprovisionnement des rayons.

Dans l’ensemble, ce projet a permis à Element AI de se familiariser avec le monde de la simulation d’événements discrets et des agents, de prendr en compte les clients d’une nouvelle manière et de générer des données pour les équipes internes. Plus important encore, l’utilisation de la simulation a donné à Element AI un élément de base pour pouvoir tirer parti lorsqu’il s’agit de s’attaquer à des projets futurs plus complexes qui impliquent l’apprentissage de renforcement, le sim-to-real, transfert learning et le jumelage numérique.

Études de cas similaires

Plus d’études de cas