La Chaire de recherche SCALE AI sur les chaînes d’approvisionnement pilotées par les données misera sur l’optimisation mathématique pour améliorer les outils d’aide à la décision en logistique des transports.
  Comment amener les outils d’aide à la décision en logistique des transports à échanger plus facilement avec leurs utilisateurs? Voilà la grande question à laquelle Pr Vidal et son équipe s’attaqueront au cours des cinq prochaines années avec la Chaire de recherche SCALE AI sur les chaînes d’approvisionnement pilotées par les données qu’on vient d’octroyer au chercheur.

Au fil des années, Thibaut Vidal a acquis une solide expertise en développement d’algorithmes d’optimisation et d’apprentissage automatique destinés aux chaînes logistiques. Dans le cadre des travaux menés par sa chaire, il compte d’une part simplifier ces outils d’aide à la décision, mais aussi les rendre plus sûrs et transparents.

« Les outils d’aide à la décision fournissent une réponse sans qu’on puisse les interroger pour comprendre ce qui a mené à la solution proposée », explique le professeur Vidal. « Pourtant, on gagnerait souvent à obtenir plus de transparence et de contrôle sur le processus de décision, ne serait-ce que pour mettre l’utilisateur en confiance, mais aussi pour guider le diagnostic et l’amélioration des méthodes. »

Le chercheur cite l’exemple une demande d’accès au crédit. Après avoir fourni une série de données à un algorithme, un utilisateur reçoit l’une de deux réponses : oui ou non. En permettant à l’utilisateur d’explorer les décisions de l’algorithme pour comprendre pourquoi on lui refuse un crédit, celui-ci pourra s’ajuster pour augmenter ses chances d’obtenir une réponse positive lors d’une évaluation subséquente.

Des situations très similaires surviennent dans les chaînes logistiques, quand il s’agit de sélectionner une prochaine destination pour un chauffeur ou une ambulance, d’accepter ou non une requête ou un horaire, de procéder à une maintenance préventive, ou encore de réagir lorsque confrontés à un imprévu.

« En d’autres mots, l’outil ne fera pas que rendre une décision, il devra aussi répondre à la question "pourquoi" », explique Thibaut Vidal.


Thibaut Vidal, professeur agrégé au Département de mathématiques et de génie industriel.

Apprentissage machine interprétable

Ce type de question et d’analyse survient déjà dans le domaine de l’apprentissage machine, un domaine d’étude appelé « apprentissage machine interprétable ». L’équipe de Polytechnique Montréal compte sur cette approche pour améliorer des outils devenus névralgiques pour de nombreuses organisations publiques et privées.

Prenons le cas d’une entreprise de transport routier qui gère une centaine de camions et qui doit livrer des produits à 1 000 clients le même jour. Un bouchon de circulation se forme à un endroit. Une section d’autoroute ferme ailleurs. Comment créer des itinéraires optimisés en temps réel pour à la fois satisfaire les clients, assurer de bonnes conditions de travail aux chauffeurs et garantir la rentabilité de l’entreprise? Voilà où interviennent les outils d’aide à la décision dans le secteur des transports.

On y arrive déjà, mais on peut faire mieux, soutient le professeur Vidal. « Le problème, dans ce type de problème d’optimisation, c’est surtout que le nombre de solutions possibles croît de façon exponentielle avec l’augmentation des données. Traiter de tels problèmes nécessite des modèles de résolution très sophistiqués, mais d’autant plus difficiles à mettre en production du fait de leur complexité », dit-il.

Pour pallier cette problématique, le chercheur misera sur trois axes de recherche. Le premier axe visera le développement d’algorithmes d’optimisation mathématique qu’il qualifie de « classiques ». Le second axe sera basé sur des algorithmes d’apprentissage machine interprétables, comme des forêts d’arbres décisionnels. Le troisième axe, lui, tentera d’assembler un pont entre les deux premiers axes pour profiter de l’efficacité du premier et de la transparence du second.

Trois chaires en logistique des transports

La chaire de recherche pilotée par Thibaut Vidal bénéficiera d’une enveloppe de 2 millions de dollars répartis sur 5 ans à laquelle contribueront à parts égales SCALE AI et Polytechnique Montréal.

Cette chaire fait partie d’un groupe de trois chaires spécialisées en logistique des transports dont la création a été annoncée aujourd’hui par SCALE AI. Les deux autres chaires seront basées à HEC Montréal et à l’Université de Toronto.

Financée par le gouvernement fédéral et le gouvernement du Québec, SCALE AI compte près de 120 partenaires industriels, instituts de recherche et autres acteurs en intelligence artificielle. La supergrappe développe des programmes visant à soutenir des projets d’investissement d’entreprises qui implantent des applications concrètes en intelligence artificielle, l’émergence des futurs fleurons du secteur, ainsi que le développement d’une main-d’œuvre qualifiée.

En savoir plus

Site de SCALE AI