PAROLES d'EXPERT : 3 QUESTIONS A...
Interview exclusive AEQUITAS & FIDES (06/2020)
Dr. Lee Schlenker
Principal & Consultant Senior, Business Analytics Institute (BAI)
« L’Intelligence Artificielle peut-elle prédire l’avenir du transport intermodal portuaire ? »
L’Intelligence Artificielle (IA) laisse augurer un avenir prometteur pour la logistique de la chaîne d’approvisionnement, en proposant une vision de villes interconnectées, de ports intelligents, d’autoroutes intelligentes et de cargos automatisés.
Explorons, tour à tour, la spécificité de ce marché, isolons les faits sur l’IA de la fiction et proposons notre feuille de route sur l’IA, comme guide de la voie à suivre dans les mois à venir.
1/ Dans quel contexte faut-il envisager l’introduction de l’IA ?
Le transport intermodal portuaire implique un ensemble de défis et d’opportunités logistiques concernant le transport de conteneurs de marchandises utilisant plusieurs modes de transport. C’est bien plus qu’un simple ensemble de processus métier linéaires : le potentiel de l’écosystème logistique augmente de manière exponentielle avec chaque mode de transport supplémentaire. Le service idéal dépend donc, à la fois, de la portée et de la nature de l’écosystème – chaque nœud de transport offre des logiques industrielles alternatives, et souvent contradictoires.
La valeur de l’activité repose sur la capacité de chaque opérateur à proposer une combinaison optimale des délais de livraison, flexibilité, fiabilité et échanges d’informations.
Si les environnements portuaires constituent divers pôles du système intermodal, ils présentent de nombreuses caractéristiques qui les distinguent des modèles d’entreprise traditionnels. Les ports hébergent des réseaux de partenaires complexes comprenant des administrations, des terminaux, des lignes de transport, des entreprises de camionnage et de logistique, ainsi que des fournisseurs de stockage à quai. Ils fonctionnent en offrant une variété de services privés et publics, avec des coûts différents et des contraintes de ressources. Leur potentiel est conditionné par leur passé – leurs activités et leurs frontières reflètent les multiples visions et intérêts commerciaux qui ont interagi dans leur arrière-pays au fil des ans. Comme tous les systèmes adaptatifs complexes, il n’y a pas de point de contrôle unique, pas d’objectif universel, pas d’état d’équilibre optimal.
Quels que soient leur histoire, leur emplacement et leurs ressources, les ports intermodaux sont confrontés à un ensemble de défis économiques communs : concurrence intense, processus manuels fragmentés, actifs sous-utilisés, applications et formats hérités et interfaces client rudimentaires. La coordination des chaînes de transport de conteneurs dépend du maillage efficace de différents processus et interfaces à travers le réseau. Améliorer le transport intermodal implique d’accroître la diversité et la fréquence des options de transport, d’accélérer les opérations des terminaux et de mieux utiliser les équipements portuaires.
Dans certains cas, cela nécessitera de simplifier les routines qui caractérisent les différentes interfaces de la chaîne, en utilisant des normes internationales claires et des tailles de conteneur standard. Dans d’autres cas, cela impliquera la synchronisation des heures d’ouverture dans la chaîne, l’optimisation totale de l’utilisation des itinéraires et l’équilibrage des charges de retour. Pour répondre à chacun de ces défis, il faut disposer d’informations préalables sur la demande, d’un retour plus rapide des compagnies de transport quant aux sollicitations qui leur sont formulées et d’une gestion des informations plus ambitieuse entre les autorités portuaires et les organisations partenaires.
2/ Quelles sont les opportunités actuelles ?
L’IA implique l’application de technologies, de données et d’analyses pour reproduire la pensée et l’action humaines. Le Machine Learning (ML), un sous-ensemble de l’IA, s’appuie sur des algorithmes et des modèles statistiques pour exploiter les données, en améliorant la prise de décision individuelle ou collective. En pratique, l’apprentissage machine se concentre sur l’apport de nouvelles connaissances sur les défis du marché, alors que l’IA vise à imiter l’intelligence humaine dans la résolution de problèmes logistiques. Bien que l’apprentissage automatique soit souvent utilisé comme synonyme d’intelligence artificielle, il implique des visions, objectifs, méthodes et applications très différentes pour améliorer le transport intermodal.
Dans la gestion de l’infrastructure, les capteurs intelligents peuvent aider les opérateurs à suivre, exploiter et entretenir les installations physiques qu’ils gèrent. Dans la manutention de la cargaison, les systèmes de surveillance permettent de s’assurer que les équipements fonctionnent efficacement et de manière productive. Les systèmes de rendez-vous des terminaux peuvent aider à réduire les temps de rotation, à réduire le trafic portuaire et à améliorer la qualité de l’air. Enfin, les systèmes de douane et de recouvrement peuvent améliorer le traitement des détails et des paiements de la cargaison, y compris des licences commerciales et des dédouanements.
En théorie, l’intelligence machine peut être exploitée pour résoudre quatre types de problèmes distincts dans le transport intermodal :
- Dans le back-office, l’IA peut avoir des dividendes en assumant des tâches répétitives et orientées dans les domaines de la comptabilité, des finances, des ressources humaines et du conseil juridique.
- L’exécution est un autre domaine dans lequel l’IA et la robotique peuvent tirer parti des systèmes de vision par ordinateur, des interfaces de conversation et des véhicules autonomes pour consolider la main-d’œuvre traditionnelle dans les domaines du tri, de l’inspection, de la récupération et de la livraison.
- Dans la Logistique Prédictive, l’intelligence machine peut être utilisée à bon escient pour réduire l’incertitude et la volatilité qui handicapent traditionnellement les processus métier clés, tels que la gestion de réseau, la gestion de la demande et de la capacité et l’optimisation des itinéraires.
- Enfin, l’intelligence artificielle pourrait bien être mise à profit pour traiter de la production de biens publics résultant de la coordination de services partagés, de la cohérence des services et de la gestion responsable de l’environnement qui échappent au contrôle des acteurs économiques privés.
3/ Alors, comment avancer concrètement ?
Si les occasions de tirer parti de l’IA abondent, la question du point de départ des activités pose un défi majeur aux autorités portuaires, comme aux opérateurs. Il peut être utile de visualiser l’environnement portuaire comme un atout économique, ou un système à ressources partagées, produisant des biens et des services au bénéfice des générations actuelles et futures. Cinq éléments caractérisent ces biens communs : la vision, les clients, les services, les technologies et les résultats. Pris ensemble, ce système de ressources partagées établit un pont entre le passé et l’avenir.
En tant que système de ressources partagées, les réseaux de transport intermodaux produisent à la fois des biens privés et des biens publics. Si les modèles commerciaux et les processus des opérateurs sont conçus pour produire des biens et des services commercialisables, les ports eux-mêmes, et l’infrastructure environnante, sont particulièrement bien placés pour produire des biens publics au profit des générations actuelles et futures. L’optimisation des itinéraires, la qualité de l’air, la sécurité et le bien-être général sont tous des exemples de produits de ce type qui, par nature, ne peuvent pas être exclus, ne sont pas rivaux et produisent des externalités positives. Il convient de se questionner sur les services spécifiques que vos clients recherchent et comment vos pratiques en matière de données soutiennent la production de ces services.
Dans une organisation « AI-Ready », les informations tactiques et opérationnelles de votre réseau de partenaires doivent être collectées, nettoyées et validées, puis exploitées à l’aide de l’IA pour produire des avantages mesurables pour vos clients. Cependant, la rareté actuelle des données documentant les problèmes de transport de marchandises continue de nuire aux efforts visant à tirer parti de l’IA. Les données sur les mouvements dans les environnements portuaires et les zones métropolitaines environnantes manquent souvent de détails sur les origines et les destinations, ainsi que sur la ventilation par secteur / produit des produits transportés. Les données, trop sommaires, des exportations internationales (camion, train, pipeline et courrier) entravent les efforts déployés pour analyser les goulets d’étranglement du réseau actuel et prévoir les besoins futurs en matière de transport.
Comment votre organisation obtiendra-t-elle les quantités et les qualités de données nécessaires pour jeter les bases de l’apprentissage machine ? Les avantages de l’IA dans votre vision sont-ils liés à l’automatisation des processus d’entreprise, à l’interprétation des commentaires des consommateurs, à la maîtrise des relations conceptuelles ou, éventuellement, à l’influence sur la dynamique de l’environnement ?
L’intelligence artificielle n’est pas un remède universel pour votre entreprise. Selon le rôle que les autorités portuaires souhaitent jouer en matière d’intelligence artificielle, des quantités et des qualités distinctes de données, des algorithmes, des scénarios d’utilisation et des mesures sont nécessaires. En utilisant AI Continuum comme support visuel, l’IA peut être utilisée pour agir, prédire, apprendre ou créer. En fonction de vos objectifs et de votre contexte, plusieurs cas d’utilisation peuvent ensuite être analysés, discutés et traités :
Source : Dr. Lee Schlenker
Les systèmes de gestion de flotte, tels que Verizon Connect et Jobber, aident les opérateurs à améliorer l’efficacité de leur flotte, en analysant leurs données opérationnelles. Les systèmes de gestion des transports, tels que Transplace et Transporeon, permettent l’intégration d’activités liées au transport et la participation au processus logistique.
A titre d’illustration, les marchés numériques, tels que TimoCom et Uber Freight, améliorent l’efficacité du marché en associant les expéditeurs et les transporteurs à une capacité de Fret adaptée à la demande réelle. Des transitaires virtuels, comme Flexport et Saloodo!, fournissent aux clients des contrats de bout en bout, en guise de guichet unique, pour les services liés au transport. Enfin, les plates-formes d’appels d’offres, telles que Ticontract et Colo21, permettent aux expéditeurs et aux transporteurs de négocier des contrats de transport à long terme, tout en réduisant les déséquilibres de réseau des transporteurs.
Dans cette feuille de route relative à l’IA, il faut analyser la manière dont vos clients prennent leurs décisions opérationnelles et déterminer où l’IA peut fournir une valeur commerciale mesurable aux scénarios de port intelligent. La feuille de route suggérée examine les quatre points cardinaux de la prise de décision en matière de gestion : perception, prévision, évaluation et action, afin d’explorer la façon dont chaque point conditionne notre capacité à exécuter, à inventer et à innover sur la base des données disponibles. Il est alors possible de cartographier les défis et les opportunités de mise en correspondance de l’intelligence humaine et de la machine, en fonction du contexte commercial spécifique du transport intermodal.
Source : Dr. Lee Schlenker
Dr. Lee SCHLENKER est Consultant Senior du Business Analytics Institute (BAI) et Professeur de l’Analytique de Données et de la Gestion Communautaire. Au cours des vingt dernières années, il a dirigé de nombreuses missions pour les grands groupes de conseil dans les secteurs de l’industrie, des télécommunications, des travaux publics et des services. Il est régulièrement sollicité pour apporter son expertise unique lors de conférences internationales pour le compte des sociétés innovatrices telles que Apple, IBM, Oracle, SAP, SAS et Vinci en Europe, en Asie et au Moyen-Orient.