Technologie
Retour au blog ›
Lissage exponentiel probabiliste pour l’IA explicable dans le domaine de la Supply Chain
Lisez les recherches de doctorat d'Antonio Cifonelli sur le lissage exponentiel probabiliste pour l'IA explicable dans le domaine de la Supply Chain — une autre excellente étude démontrant que quelques astuces ingénieuses peuvent transformer un modèle aussi basique que le lissage exponentiel en une voiture de course capable de battre les modèles deep learning à la pointe de la technologie.
L’analyse des ventes grâce à Envision - Atelier #2
Ce second atelier Envision offre aux étudiants et aux spécialistes de la supply chain une formation encadrée sur l'analyse des clients du retail selon la perspective probabiliste et de gestion de risques de Lokad.
Différentiation Automatique par Chemins Sélectifs: Au-delà de la Distribution Uniforme sur le Dropout en Rétropropagation
L'approche de Différentiation Automatique par Chemins Sélectifs (SPAD) améliore la Stochastic Gradient Descent (SGD) en adoptant une perspective inférieure au niveau du point de données. Cette technique, implémentée au niveau du compilateur, échange la qualité du gradient contre sa quantité, complétant les méthodes traditionnelles de SGD avec une vision plus nuancée.
Une critique opiniâtre de Deep gestion des stocks
Une équipe d'Amazon a publié vers la fin de l'année 2022 Deep gestion des stocks (DIM). Cet article présente une technique d'optimisation de stocks DIM qui combine à la fois le reinforcement learning et le deep learning. Alors que Lokad a suivi un chemin similaire par le passé, son PDG et fondateur Joannes Vermorel livre ici son évaluation critique de la technique suggérée.
Programmation différentiable pour optimiser des données relationnelles à grande échelle
La thèse de Paul Peseux sur la différentiation des requêtes relationnelles - un autre domaine sous-étudié de la supply chain - a introduit l'opérateur TOTAL JOIN, Polystar et un mini-langage ADSL pour différencier les requêtes relationnelles, le tout intégré par Lokad dans son DSL Envision dans le cadre de l'autodiff pour optimiser la prise de décision quotidienne sur les stocks.
L’analyse des fournisseurs via Envision - Atelier #1
Lokad lance son premier Envision Workshop, enseignant aux étudiants (et aux spécialistes de la supply chain) comment analyser les fournisseurs de la distribution en utilisant la perspective probabiliste de gestion des risques de Lokad.
Gestion des stocks sous la contrainte de quantités minimales de commande multi-référence
La recherche de doctorat de Gaetan Delétoille sur les MOQs - un domaine étonnamment sous-étudié de la supply chain - a introduit la w-policy, quelque chose que Lokad a intégré dans sa solution pour la prise de décision quotidienne concernant les stocks.
Algorithmes de classification distribués sur le cloud
Matthieu Durut, deuxième employé chez Lokad, a soutenu son doctorat en 2012 pour ses travaux de recherche réalisés chez Lokad. Ce doctorat a ouvert la voie à la transition de Lokad vers des architectures de calcul distribué cloud-native, aujourd'hui essentielles pour faire face à de vastes supply chains.
Apprentissage à grande échelle : une contribution aux algorithmes de clustering asynchrones distribués
Benoit Patra, premier employé chez Lokad, a soutenu son doctorat en 2012 pour ses recherches menées chez Lokad. Ce doctorat a apporté des éléments radicalement nouveaux à la théorie de la supply chain, et a préparé le terrain pour le développement futur de l'approche de prévision probabiliste de Lokad.
Descente de gradient stochastique avec estimateur de gradient pour variables catégoriques
Le vaste domaine du machine learning (ML) offre un large éventail de techniques et de méthodes couvrant de nombreuses situations. La supply chain, cependant, présente son propre ensemble de défis en matière de données, et parfois, des aspects jugés « basiques » par les praticiens de la supply chain ne bénéficient pas d'instruments ML satisfaisants – du moins selon nos critères.