codecentric AG

Description

Lors de la livraison à domicile de boissons et d’autres produits alimentaires, un traitement rapide des commandes constitue un avantage concurrentiel déterminant. C’est pourquoi, de la commande dans la boutique en ligne jusqu’à la livraison à la porte du logement, un maximum de 120 minutes doit s’écouler.

Pour orchestrer la logistique des conducteurs, flaschenpost s’appuie sur le machine learning afin d’établir des prévisions pour les processus logistiques et les chaînes d’approvisionnement. À cette fin, de grandes quantités de données sont préparées et analysées afin d’identifier des tendances et des schémas utiles pour prédire la disponibilité des conducteurs et estimer la durée des étapes de travail. Plus les estimations sont précises, plus les résultats de la planification des tournées pour les conducteurs le sont.

Défi

Si le nombre de conducteurs prévus à un moment donné n’est pas correct, cela entraîne souvent une sous ou surutilisation des capacités des conducteurs : une sous utilisation peut conduire à des temps d’attente inactifs et, éventuellement, à des commandes refusées, tandis qu’une surutilisation peut provoquer des retards et des annulations de commandes qui ne peuvent plus être honorées. En anticipant avec précision ces points, on améliore directement la satisfaction des clients, et donc on augmente le chiffre d’affaires.

Solution

// Structure de l’équipe

Une équipe commune, composée de développeurs de flaschenpost et de codecentric, a été mise en place pour la durée du projet. L’équipe réunissait un mélange de data scientists et de data engineers expérimentés et plus jeunes, qui utilisaient des méthodes agiles comme Scrum afin d’améliorer en continu les algorithmes et de les déployer opérationnellement.

// Jalons du projet

Un jalon important a consisté à étendre le portefeuille de prévisions, afin de pouvoir optimiser d’autres étapes de la chaîne logistique avec le machine learning. En complément, différentes solutions ont été étudiées et mises en œuvre pour automatiser des processus complexes de données et de machine learning. Elles visaient à réduire l’effort consacré aux tâches administratives et opérationnelles. Il fallait aussi présenter de manière claire et pouvoir comparer les métriques de différents algorithmes. Ainsi, le meilleur modèle peut être identifié rapidement, et une analyse systématique peut être menée pour déterminer quelles données permettent d’améliorer un modèle d’IA.

// Conception technique

Les paramètres qui doivent être définis avant l’entraînement d’un modèle et qui influencent ses performances ont été automatisés. Le monitoring et le reporting ont également été étendus de manière pertinente, pour que l’équipe ait une meilleure visibilité sur la performance du portefeuille de prévisions. Le langage de programmation principal était Python, qui, outre sa très bonne intégration à Kubernetes et Azure, prend également en charge tous les frameworks pertinents de machine learning et d’ingénierie des données. Par ailleurs, la pile technologique comprenait notamment Kubernetes, MLFlow, HyperOpt, FastAPI et streamlit.

Résultats

Le portefeuille de prévisions logistiques optimisé et étendu de flaschenpost SE fonctionne désormais de manière robuste et peut être facilement étendu. La solution permet une analyse systématique des données et contribue ainsi à améliorer le modèle d’IA. Grâce à l’automatisation, au suivi avec MLFlow et à un tableau de bord qui présente les métriques des différents algorithmes, le temps de cycle, de la conception du modèle jusqu’à l’évaluation en conditions de production, a pu être considérablement réduit.

Pour les développeurs de flaschenpost, il est désormais possible de visualiser de façon transparente les données concernées, les paramètres d’entraînement ainsi que l’utilisation des modèles. En outre, les données peuvent être ajustées sans difficulté. Les modèles ainsi développés permettent à flaschenpost de mieux prévoir et planifier la logistique des conducteurs, avant, pendant et après une tournée de livraison. Grâce à l’automatisation, on a à la fois réduit les coûts d’infrastructure informatique et accéléré le traitement de l’analyse des données.