Améliorer la coopération entre l’IA et les planificateurs humains

Les planificateurs de la chaîne d’approvisionnement ont la possibilité de modifier les prévisions produites par les systèmes d’auto-apprentissage utilisant l’intelligence artificielle. Cela ajoute-t-il de la valeur ? Et sur quelles prévisions peut-on se fier le plus : celles du logiciel ou celles de l’homme ? Dans une étude de pointe, les chercheurs de KLU Naghmeh Khosrowabadi, le professeur Kai Hoberg et le professeur Christina Imdahl (Université de technologie d’Eindhoven) vont au fond de ces questions. Selon leur étude, l’intervention humaine – en moyenne – n’a pas augmenté la précision des prévisions.

Pour l’étude, l’équipe a analysé les données de 30 millions de prévisions pour chaque unité de produit, par magasin et chaque jour d’un fournisseur d’IA de premier plan et d’un grand distributeur alimentaire européen.

L’optimisme des planificateurs conduit à des prévisions plus inexactes

Les résultats montrent que les planificateurs, en moyenne, ne contribuent pas à l’exactitude des prévisions. « Au lieu de cela, les planificateurs ont même tendance à surcompenser des effets comme la météo ou une remise qui ont déjà été pris en compte par le système d’IA », explique Khosrowabadi. Dans l’étude, seulement 50% des interventions humaines ont conduit à de meilleurs résultats.

Un examen plus approfondi des données révèle en outre qu’environ 5 % des prévisions générées par l’IA ont été ajustées par les planificateurs de la chaîne d’approvisionnement. « Nous voulions savoir pourquoi les planificateurs avaient décidé d’ajuster les prévisions générées par l’IA », explique Naghmeh Khosrowabadi. « Nos résultats montrent que les caractéristiques du produit telles que le prix, la fraîcheur ou les remises sont des facteurs clés de la fréquence des ajustements des planificateurs aux prévisions de l’IA. »

Si, par exemple, le système d’IA donne une prévision pour un produit très cher, les planificateurs ont tendance à y prêter plus d’attention et sont plus susceptibles d’intervenir, par exemple en ajustant la prévision. « En outre, nos résultats montrent que les augmentations importantes par rapport aux prévisions de l’IA, par exemple lorsque la prévision humaine des articles à vendre un jour donné dans un magasin spécifique est deux fois supérieure à la prévision de l’IA, sont plus fréquentes mais aussi souvent inexactes. Trop d’optimisme de la part des planificateurs semble être un problème ici », déclare le professeur Kai Hoberg. Les baisses par rapport aux prévisions de l’IA, en revanche, étaient moins probables mais plus précises.

Améliorer la coopération entre les planificateurs humains et l’IA

« Les planificateurs humains continueront à jouer un rôle important dans les processus de prévision basés sur l’IA », déclare le professeur Hoberg, « dans certains cas, les planificateurs humains ont des connaissances qui ne sont pas accessibles à un système d’IA, par exemple des événements locaux ou des actions de concurrents, qui permettent pour augmenter les chances d’une meilleure prévision à plus de 70 %. C’est pourquoi nous devons renforcer la coopération des planificateurs et de l’IA. »

Pour cela, l’équipe recommande plus d’échanges entre les commerçants et les fournisseurs d’IA : mieux les planificateurs comprennent comment le système fait ses prévisions, plus il leur est facile de décider quand intervenir. « En utilisant les résultats de notre étude, les entreprises peuvent économiser de l’argent et du temps », promet Khosrowabadi, « La clé est d’aider les planificateurs à décider quand ils doivent intervenir – et quand le système fonctionne bien tout seul et qu’ils peuvent se concentrer sur d’autres tâches . »

L’étude a impliqué Naghmeh Khosrowabadi dans le cadre de sa thèse de doctorat, le professeur Dr Kai Hoberg et le professeur Dr Christina Imdahl de KLU. Ils ont analysé les données de 30 millions de SKU de prévisions de niveau de magasin d’un fournisseur d’IA de premier plan et d’un grand détaillant européen. Des données sur des variables supplémentaires telles que les produits, la météo ou les jours fériés ont également été prises en compte.

L’ouvrage est publié dans la Revue européenne de recherche opérationnelle.

Fourni par l’Université de logistique de Kühne