Apprentissage automatique et réseaux neuronaux sont des termes importants dans la logistique moderne, mais que signifient-ils réellement? Pour nous l'expliquer, faisons appel à un expert. Paul Hamblin, rédacteur en chef de Logistics Business Magazine, en a rencontré un.
Spécialiste des véhicules autoguidés (AGV) et de la robotique mobile, Kollmorgen mesure les performances et le comportement des systèmes AGV, tant au niveau du système qu'à bord de chacun. Elle recueille des informations sur les moteurs, les scanners laser, la localisation, le trafic et l'interférence des obstacles, ce qui lui permet de trouver des tendances et des modèles qui l'aident à améliorer les produits et les configurations des systèmes.
Les pics et les creux de productivité ou les tendances d'utilisation quotidienne peuvent être mesurés. Ces données sont utilisées pour optimiser les itinéraires, augmenter le débit et calculer une utilisation plus intelligente des ressources. Pour l'utilisateur final, cela se traduit par une baisse des coûts et une augmentation des recettes. Les données collectées peuvent également donner des indices importants sur les processus externes qui pourraient perturber les performances de l'AGV. Par exemple, les piétons qui gênent les AGV ou les chariots élévateurs manuels qui circulent dans des zones initialement prévues pour les AGV.
Comment Kollmorgen fait-elle tout cela? Samuel Alexandersson, responsable de la gestion des produits AGV chez Kollmorgen nous éclaire.
« Un réseau neuronal artificiel est un modèle de calcul qui s'inspire vaguement de la structure du cerveau humain », commence-t-il par expliquer. « Les cellules de notre cerveau, ou neurones, sont reliées par un réseau complexe de nerfs le long desquels circulent des signaux électrochimiques. En simplifiant, on peut dire que si les signaux d'entrée pondérés sont suffisamment forts, le neurone se déclenchera, et le signal se poursuivra jusqu'au prochain ensemble de cellules auquel le neurone est connecté.
De cette manière, la structure des connexions entre tous les neurones de notre cerveau détermine la façon dont un signal est propagé, et lorsque nous apprenons de nouvelles choses, ce qui se passe réellement dans notre cerveau est la restructuration des connexions.
Dans un réseau neuronal artificiel, les signaux sont numériques au lieu d'être électrochimiques, et les forces des connexions sont stockées dans des masses. Au départ, ces masses ont une valeur aléatoire, ce qui signifie que lorsque nous alimentons le réseau avec une entrée, il ne produit qu'une absurdité aléatoire. Mais de la même manière que nous, les humains, apprenons par l'expérience, nous pouvons laisser le modèle apprendre par l'expérience sous forme de données.
Chaque point de données est une entrée et une sortie attendue. Ces paires sont donc des exemples à partir desquels il est possible d'apprendre. En utilisant ces algorithmes d'apprentissage automatique pour ajuster progressivement les masses, la sortie du modèle se rapproche de plus en plus de la sortie attendue, de sorte qu'il est possible d'apprendre à faire des prédictions.
Par exemple, pour apprendre à une machine à faire la différence entre un chat et un chien, nous devons construire un ensemble de données avec des images (entrées), où chaque image a une étiquette indiquant s'il s'agit d'un chat ou d'un chien (sorties correctes). Après avoir entraîné le réseau neuronal avec l'ensemble de données, si on lui fournit une nouvelle image qu'il n'a jamais vu auparavant, il sera capable de dire s'il s'agit d'un chat ou d'un chien. »
M. Alexandersson, auriez-vous des exemples de la manière dont des informations peuvent être générées à partir de données dans un contexte logistique?
« La conception d'un système AGV peut être une tâche complexe qui exige beaucoup de compétences et d'expérience », répond-il. « Lors de la conception d'un réseau routier, par exemple, il peut y avoir des dizaines de milliers de tronçons de route individuels qui doivent être configurés correctement. Bien sûr, il est facile de faire des erreurs, qui sont souvent découvertes seulement au moment de l'exécution du système dans une simulation.
C'est pourquoi nous développons actuellement des outils capables d'analyser directement le réseau routier, afin que l'utilisateur obtienne une rétroaction plus immédiate. Des tests AB internes ont montré que les utilisateurs parvenaient 5 fois plus rapidement à trouver la cause première d'une configuration défectueuse.
Autre exemple plus anecdotique de l'impact d'une approche axée sur les données : lors d'une opération d'assistance, un problème qu'un ingénieur avait passé plusieurs heures à déboguer avec des méthodes conventionnelles a été résolu en 10 minutes grâce à un prototype analysant automatiquement les données de configuration. »
Et voilà, on en revient toujours aux chats et aux chiens!
