Optimisation de l’algorithme de slotting grâce à l’IA

Les chercheuses Selene Silvestri et Sarah Schaumann, du Center for Transportation and Logistics du MIT, expliquent comment ce projet commun aidera les entreprises à optimiser leurs opérations, à réduire leurs coûts et à mieux faire face à l’instabilité des marchés.

• En quoi consiste le projet sur lequel vous travaillez et quel est son objectif principal ?

  Selene Silvestri : Notre objectif est d’optimiser l’affectation des emplacements dans les entrepôts. En bref, nous souhaitons déterminer quand et où il est judicieux de déplacer les produits au sein de l’installation, que ce soit en raison d’éventuelles variations de la demande ou des critères opérationnels.

  Le système apprend à partir des données et guide la prise de décision tout en offrant une visibilité parfaite sur l’adressage des produits et les raisons de leurs déplacements

• Quels avantages ce système basé sur l’IA peut-il apporter au fonctionnement de l’entrepôt ?

  Sarah Schaumann : L’objectif de l’algorithme d’optimisation est de réduire les coûts de préparation des commandes, d’accélérer leur traitement et de minimiser les trajets effectués par les préparateurs de commandes et les robots. La technologie que nous développons apprend à partir des données qu’elle reçoit, elle facilite la prise de décision et fournit des informations claires sur l’adressage des produits et la logique de leurs déplacements.

  L’intégration conjointe de techniques, de machine learning et de modèles d’IA générative dans le cadre de ce projet va transformer la gestion et le fonctionnement des entrepôts. Cela aura également une incidence sur la rentabilité, car un emplacement bien choisi permet d’augmenter la productivité, de réduire les niveaux de stock et d’améliorer le retour sur investissement.

• Comment l’apprentissage automatique permet-il d’optimiser le placement des produits dans l’entrepôt ?

  

  Selene Silvestri : L’une des principales applications de l’apprentissage automatique est le regroupement de produits. Grâce à l’analyse des données historiques relatives aux commandes, les technologies de machine learning permettent d’identifier les groupes de références qui sont fréquemment commandés ensemble. Ainsi, l’algorithme place les produits présentant une forte affinité les uns à côté des autres et réduit les distances à parcourir pour les préparateurs de commandes. De plus, le système tient compte des éventuels encombrements dans certaines zones de l’entrepôt : les configurations de slotting susceptibles d’entraîner un regroupement d’opérateurs sont pénalisées afin de favoriser un flux de travail plus fluide.

• Comment sera optimisée la gestion des emplacements de palettes grâce à l’intelligence artificielle ?

  Sarah Schaumann : Parce que les méthodes traditionnelles peinent à s’adapter aux changements de rythme, à la saisonnalité et à la variabilité des commandes. Notre idée est de développer un modèle hybride qui associe la recherche opérationnelle aux méthodes de machine learning afin d’exploiter pleinement le potentiel de ces deux technologies. Ces technologies permettent de révéler des tendances au sein de l’entrepôt là où les méthodes d’optimisation traditionnelles atteignent leurs limites. En résumé, le nouvel algorithme d’optimisation de slotting renforcera l’efficacité opérationnelle des entrepôts performants.