Les algorithmes d'apprentissage machine (Machine Learning) classiques s’appuient sur l’entraînement de modèles à partir de données historiques. Ces modèles peuvent aider à résoudre des problèmes de plus en plus complexes, notamment, dans le contexte de la logistique des transports. Cependant, les algorithmes d'apprentissage machine sont souvent considérés comme des « boîtes noires » au fonctionnement obscur, particulièrement lorsqu’ils sont combinés avec des modèles d’optimisation. L’adoption de ces modèles en pratique est ainsi sévèrement limitée par leur manque de transparence. Une nouvelle étude, menée par Alexandre Forel, chercheur postdoctoral à Polytechnique Montréal, Axel Parmentier, professeur de l’École Nationale des Ponts et Chaussées, et Thibaut Vidal, professeur agrégé au MAGI à Polytechnique Montréal et titulaire de la Chaire de recherche SCALE-AI sur les chaînes d’approvisionnement pilotées par les données, présente une nouvelle méthode pour expliquer les décisions obtenues par une combinaison d’algorithmes de prédiction et d’optimisation. Ce modèle innovateur permet d’expliquer l’impact des informations contextuelles pour prendre de meilleures décisions.
Au cours des quarante dernières années, l’aide à la décision était basée sur des modèles statiques. Puis, les méthodes d’optimisation ont évolué pour prendre en compte l’incertitude des données; connues sous le nom d’optimisation stochastique, c’est-à-dire, dans laquelle certains paramètres dépendent de variables aléatoires. Aujourd’hui, une abondance de données et l’avancée remarquable des capacités techniques permettent de prendre en compte la nature dynamique des situations réelles. Par exemple, pour optimiser le temps de trajet d’un transporteur terrestre, on peut se référer aux conditions climatiques ou bien à l’état actuel du trafic urbain.
Grâce à la nouvelle méthode d’explication des décisions, un industriel va pouvoir comprendre pourquoi une solution est meilleure dans un certain contexte. D’un point de vue technique, l’étude se base sur un problème d’optimisation inverse. « Nous inversons le processus de décision afin d’identifier les situations qui rendent une décision avantageuse », explique le professeur Vidal. Les résultats de cette nouvelle étude représentent une avancée significative pour les objectifs de la Chaire de recherche sur les chaînes d’approvisionnement pilotées par les données. Créée en 2021, la Chaire a pour mission de faire progresser les méthodes d’aide à la décision et de promouvoir leur interprétabilité. Elle bénéficie du support financier de SCALE-AI, une grappe d’innovation mondiale du Canada en intelligence artificielle (IA) vouée à bâtir les chaînes d’approvisionnement de nouvelle génération et à accroître la performance de l’industrie en tirant profit des technologies de l’IA.
