Dans ce replay de 30 minutes, découvrez comment Michelin a réussi son projet de déploiement d’une IA en Supply Chain et ce, pour 15 magasins en Europe et 4000 produits différents. Focus sur le machine learning au service de la prévision de production et d’approvisionnement à long terme et à la maille de l’article.

Plonger au cœur d’une réunion du chantier Innovation@SCALE

Au sein du Lab Digital et Technologies existe un groupe de travail nommé Innovation@SCALE. Cette équipe est constituée de membres en charge d’animer l’innovation en Supply Chain dans leur entreprise. Toutes les 6 semaines, pendant 1 h, ils exposent leurs succès ou erreurs dans le cadre de passage à l’échelle.

Pour mieux comprendre ce que signifie partager des expériences d’industrialisation du passage à l’échelle, nous avons décidé de filmer un extrait (la moitié) de la dernière réunion et de vous y donner accès au travers d’un replay avec timeline. Aujourd’hui, le chantier est un forum d’échange de use cases pour s’inspirer et s’améliorer.

Depuis sa création en février 2023, Renault, Deret, Geopost et Michelin ont présenté leur gouvernance de l’innovation, c’est-à-dire comment ils pilotent le déploiement grande échelle de leurs projets, mais aussi la partie plus prospective de l’innovation.

Comprendre pourquoi et comment Michelin déploie de l’IA pour sa Supply Chain

La présentation débute par une définition des activités du service de Pierre Cordina, Supply Chain/IA leader chez Michelin et intervenant du jour. Ce service travaille sur l’Intelligence Artificielle, la Business Intelligence (BI) ainsi que sur des rapports d’analyses très poussés allant jusqu’à proposer des solutions aux humains.

Michelin déploie de l’Intelligence Artificielle (IA) à différentes étapes de sa Supply Chain afin que des machines prennent des décisions de manière autonomes pour les gens. Dans cette vidéo, il est plus particulièrement question de machine learning pour prévoir les besoins en pneu à produire ou à approvisionner.

Depuis 2019, cette solution de forecast dit tactique permet d’obtenir des prévisions mensuelles à long terme pour les collaborateurs en usine. Elle aide à déterminer la quantité de pneus devant être produite (pour les pays possédant une usine) ou importée (pour les pays n’en ayant pas).

La plateforme D@ril, un des facteurs clés de la réussite du déploiement international du projet

Encouragées par le succès d’une première machine (s@@m) qui détecte dans le réseau les stock out, propose et corrige les situations, les équipes de Michelin ont appliqué la même démarche en 6 étapes afin d’effectuer le passage à l’échelle de la solution de forecast :

1. Récolter les données
2. Nettoyer les données
3. Enseigner le passé à la machine
4. Former la machine
5. Tester la machine
6. Prédire le futur

La phase 5 se réalise en double run, c’est-à-dire que l’on teste la machine et en parallèle, les prévisions par l’humain se poursuivent. Ceci afin de comparer les conclusions mais surtout dans le but de faciliter l’adoption par les opérateurs. En effet, sur la base de tests sur des périmètres d’articles grandissants et de bons résultats observés par les équipes, on construit la confiance vis-à-vis de la solution.

Aujourd’hui, une machine est toujours couplée à un forecast manager, c’est-à-dire à un opérationnel. Elles sont très bien accueillies dans le monde entier grâce à de meilleurs résultats que l’humain ou la machine seuls. Il a été observé que sur une typologie de produits particuliers, l’équipier détient des informations complémentaires et décisives qui améliorent les bilans de l’appareil.

Si vous souhaitez en savoir plus sur le fonctionnement de la solution et la démarche de passage à l’échelle de l’innovation engagée par Michelin, 2 options s’offrent à vous : visionner le replay réservé aux membres ou nous poser vos questions. Et si vous êtes vous-mêmes acteurs de l’innovation dans votre entreprise, il vous est possible de rejoindre le groupe en nous contactant par mail.

À retenir : les facteurs clés de succès

1. L’erreur à ne pas faire : ne pas choisir des sujets d’IA pour lesquels vous ne savez pas comment exploiter les résultats sur le terrain.
2. Équipe : ses membres, son autonomie et son habilité à échanger avec le business
3. La méthodologie en 6 étapes
4. La plateforme D@ril
5. Un ramp up progressif et drivé localement