Contactez-nous

Analyse de DeepVu, éditeur de logiciels de planification supply chain

Par Léon Levinas-Ménard
Dernière mise à jour : 4 novembre 2026

Retour aux études de marché

DeepVu fournit des logiciels cloud et des prestations de modélisation sur mesure pour la planification supply chain. Ses modèles VuDecide recommandent des décisions d’approvisionnement, d’exécution des commandes, de réapprovisionnement et de production. VuSim simule les conditions d’exploitation et les perturbations ; VuGraph ajoute des signaux externes économiques, commerciaux et sur les matières premières. Les clients accèdent aux solutions par des tableaux de bord ou des intégrations avec les systèmes d’entreprise. 2 7 9

Note globale supply chain : 3.5/10.

Dimension Note
Profondeur de compréhension de la supply chain 5.0/10
Substance des décisions et de l’optimisation 3.4/10
Intégrité du produit et de l’architecture 3.2/10
Transparence technique 2.6/10
Sérieux de l’éditeur 3.2/10

DeepVu identifie des décisions concrètes et plusieurs de leurs conséquences économiques. Son modèle d’exécution des commandes choisit par exemple les quantités, origines d’expédition et modes de livraison en tenant compte du transport et des pénalités contractuelles. La faiblesse centrale est le lien non vérifié entre un monde simulé et des décisions rentables dans le monde réel. Les documents publics ne donnent ni prévisions conjointes calibrées de la demande et de l’approvisionnement ni description reproductible des performances des modèles de décision. 3 4 5

Le modèle opérationnel reste lui aussi en deçà du positionnement autonome. DeepVu décrit explicitement une décision assistée, dans laquelle les personnes choisissent des recommandations issues de scénarios alternatifs. La tâche coûteuse de décider à quel futur croire reste donc au planificateur. Les éléments publics étayent une offre configurable de modélisation et d’aide à la décision ; ils n’établissent pas un processus sans supervision, aux retours économiques mesurés et au faible travail récurrent. 2 15

DeepVu face à Lokad

Pour un industriel qui décide où acheter ses composants et comment allouer un stock rare, les deux éditeurs cherchent à améliorer les décisions plutôt qu’à simplement afficher des rapports historiques. La différence porte sur l’articulation entre incertitude, économie et travail humain.

DeepVu présente des environnements simulés alternatifs et laisse les planificateurs choisir la recommandation pertinente. Sa fonction de récompense combine des KPI sélectionnés par le client. Cela peut expliciter les arbitrages, mais laisse aussi deux responsabilités importantes à la mise en œuvre : attribuer une probabilité crédible aux futurs concurrents et traduire des mesures différentes en un objectif économiquement cohérent. 5 8

L’approche d’optimisation des stocks de Lokad évalue les décisions réalisables face à des futurs probabilistes, incluant l’incertitude de la demande et de l’approvisionnement, et les classe par contribution économique attendue. Les décisions courantes s’exécutent par programme ; les spécialistes améliorent les données, hypothèses et logiques décisionnelles. La perspective développée dans Introduction à la supply chain place la qualité économique de ce processus répété au centre des préoccupations.

La comparaison pratique porte donc sur le travail nécessaire pour continuer à améliorer les véritables commandes d’achat, allocations et plannings. Une recommandation rapide conserve un coût d’exploitation élevé si quelqu’un doit continuellement choisir un scénario, ajuster les poids des KPI ou commander des modifications du modèle. DeepVu publie des tarifs de conseil et des exemples de personnalisation, mais aucune mesure de la diminution de ces activités après le déploiement. 9 10

Histoire technologique : la promesse d’autonomie précède l’étiquette agentique

Date Éléments publics Portée
2010 Vufind lançait une application iPhone combinant reconnaissance d’images, réseau social, recommandations et jeu en réalité augmentée. Les conditions actuelles de DeepVu identifient l’entreprise comme Vufind Inc., exerçant sous le nom de DeepVu. 17 14 L’histoire de l’entreprise comprend un ancien produit technologique grand public, pas quinze années de logiciels supply chain.
2017 Venable annonçait la participation de DeepVu à Berkeley SkyDeck depuis décembre 2016 et décrivait l’apprentissage par renforcement pour les prix fournisseurs, les prévisions de demande et la planification de production. 18 Le positionnement supply chain et apprentissage par renforcement existait déjà avant la récente vague agentique.
2021 Un profil d’entreprise dans les documents de Founder Funder Spring Connect présentait une planification d’entreprise autonome, un graphe supply chain et une combinaison pondérée de KPI métier. 16 L’autonomie était une promesse commerciale des années avant le moment ChatGPT.
Juillet 2024 Le lancement sur AppSource décrivait une version bêta ajustant une prévision de référence aux chocs de consommation et laissant les planificateurs choisir entre prévisions ; d’autres chocs devaient suivre selon la demande des clients. 15 Cette version précisément décrite avait un périmètre plus restreint que la promesse ancienne de planification autonome.
Site actuel, examiné en novembre 2026 DeepVu combine IA agentique, IA générative, apprentissage par renforcement avec retour humain, jumeaux numériques et graphes de connaissances dans son positionnement. 1 La terminologie s’est élargie ; le processus opérationnel publié reste centré sur le choix du planificateur.

La proposition sous-jacente est continue : apprendre des décisions dans des environnements simulés enrichis de données externes. La chronologie ne montre pas une succession de moteurs supply chain sans rapport entre eux. Elle montre un écart persistant entre l’étendue de la promesse d’autonomie et les détails disponibles sur un produit livré. L’annonce de 2024 est particulièrement instructive, car elle précise la référence, la variable initiale de choc et l’étape de sélection humaine. 15 16

Qualifier l’apprentissage par renforcement d’IA générative n’explique pas ce qui a changé dans la méthode numérique. Les documents actuels ne fournissent ni spécification technique correspondante, ni évaluation comparative, ni réduction mesurée des interventions du planificateur. Une étiquette établie a été rejointe par de nouvelles sans démonstration publique de la capacité ajoutée. 1 2

Les modèles de décision et l’économie qu’ils représentent

L’offre d’exécution des commandes est assez concrète. Elle choisit un centre de distribution, une quantité, un fractionnement de commande et un mode d’expédition ; la constitution de chargements de camions et la date de départ sont aussi décrites. Les coûts incluent le transport et les pénalités de fractionnement ou de non-respect des engagements de livraison. Le vieillissement des stocks peut déclencher un redéploiement entre centres de distribution. Ce sont des décisions économiquement pertinentes dont les interactions échapperaient à de simples rapports de prévision. 3

Les achats ajoutent l’allocation entre fournisseurs, la prévision des prix, la fiabilité de livraison et le rendement. La planification de production couvre l’affectation de produits et de main-d’œuvre aux lignes et équipes ainsi que les stocks de sécurité de matières. Ces descriptions établissent l’espace d’action visé. Elles laissent largement indéfinies la représentation des capacités communes, des séquences de production réalisables, des engagements contractuels et des interactions entre achats et exécution des commandes. 4 5

La page sur la durabilité donne la formulation la plus claire de l’objectif : une fonction de récompense combine plusieurs KPI, pondérés selon les priorités du client pour le trimestre. C’est un choix de modélisation majeur. Une unité de performance de livraison, un dollar de coût d’achat et un score de durabilité n’ont pas le même sens. Des poids arbitraires peuvent améliorer mathématiquement une récompense tout en détruisant de l’argent. Un modèle économique crédible doit exposer les taux de conversion, pénalités et limites strictes qui rendent ces arbitrages défendables. 8

L’apprentissage par renforcement ne résout pas seul ce problème. Il cherche des actions performantes dans la récompense et l’environnement fournis. Les pages de DeepVu ne divulguent ni équations de récompense, ni protocole d’apprentissage, ni contrôles de faisabilité, ni traitement des conséquences différées. L’affirmation selon laquelle cette méthode serait la seule solution aux objectifs contradictoires de la supply chain n’est pas étayée. 8

L’utilisation de décisions historiques d’exécution des commandes pose un autre test. Ces données contiennent les actions choisies par des personnes et leurs conséquences observées ; elles ne contiennent pas les résultats de toutes les actions rejetées. En apprendre suppose de distinguer une bonne politique des habitudes, contraintes et effets de sélection présents dans les données. DeepVu décrit les entrées d’entraînement sans expliquer comment cette séparation est effectuée. 3

Jumeaux numériques, incertitude et promesses de précision

VuSim inclut explicitement des perturbations d’approvisionnement : congestion portuaire, accumulation de conteneurs, retards de pandémie et restrictions géopolitiques, en plus des chocs de demande. DeepVu reconnaît donc que l’incertitude dépasse la demande des clients. Il manque une relation quantifiée entre ces possibilités : probabilités, dépendances, durée et effets sur chaque décision. Un ensemble de scénarios alarmants ne fournit pas cette relation. 2

Un jumeau numérique servant à évaluer des décisions futures est une prévision de grande dimension. Il prédit l’évolution des stocks, livraisons, productions et coûts après une action. Ses erreurs peuvent être amplifiées par un optimiseur entraîné à l’exploiter. Les preuves nécessaires portent sur la calibration face aux opérations ultérieures, les résultats d’actions hors de la politique historique et la résistance d’une amélioration proposée à des erreurs plausibles du monde simulé. La description publique du simulateur de DeepVu n’aborde pas ces tests. 2 5

VuGraph insiste sur l’étendue des informations externes, notamment l’inflation, l’emploi, les marchés de matières premières et le commerce international. Davantage d’entrées peuvent aussi introduire des corrélations instables, des publications tardives et des observations historiques révisées. Une évaluation utile comparerait les décisions avec et sans ces signaux, en n’utilisant que les informations disponibles à chaque date historique de décision. La page VuGraph donne des exemples d’entrées, mais aucune évaluation de ce type. 7

DeepVu traite bien de précision prévisionnelle conventionnelle. Sa page de planification de la demande décrit des mises à jour issues des nouvelles ventes et des prévisions de performance des livraisons. La promesse chiffrée la plus frappante de la page d’accueil est une précision de 91–95% pour les prix hebdomadaires des bobines d’acier laminé à chaud de Shanghai, à des horizons de deux à douze semaines, avec la MAPE comme métrique annoncée. La description publique laisse indéfinis la conversion de l’erreur en précision, la période de test, les résultats par horizon et la référence. 6 1

Cette série de prix de matière première n’est pas une prévision de demande par SKU. Un score élevé sur un niveau de prix peut coexister avec une faible aptitude à prévoir ses variations économiquement utiles. La comparaison pertinente inclut le dernier prix observé et les décisions d’achat issues de la prévision, après coûts de transaction et de stock. Le pourcentage du titre ne prouve à lui seul aucun de ces gains. 1

Productivité, maintenance de la configuration et coût de possession

Le processus de production documenté demande à une personne de choisir entre des agents entraînés pour des environnements différents. Cela déplace le travail de la création d’une prévision vers l’interprétation de prévisions et recommandations concurrentes. À grande échelle, la mesure essentielle est le nombre de décisions récurrentes terminées sans cette interprétation, ainsi que l’effort de traitement des exceptions. DeepVu ne publie aucun de ces chiffres. 5

Le travail d’amélioration reste important même lorsque l’inférence est rapide. Quelqu’un doit actualiser le simulateur lorsqu’apparaît un fournisseur, une contrainte de production ou une politique commerciale, déterminer l’utilité d’un nouveau signal, réviser la récompense et tester la politique obtenue. C’est le problème d’holimisation : obtenir économiquement de meilleures décisions inclut le coût de compréhension et de modification du modèle. L’apprentissage automatisé ne rend pas la représentation environnante capable de se maintenir seule.

Les services de DeepVu incluent modèles sur mesure, simulations de chocs, enrichissement de graphes, renseignement fournisseurs et nettoyage des données. L’entreprise publie un tarif professionnel de 400–450 dollars par heure, selon le problème. Son offre d’emploi en visualisation précise aussi que les tableaux de bord sont fréquemment personnalisés pour les clients. Ce sont des sources concrètes de frais de mise en œuvre et de maintenance ; l’offre publique ne fournit ni enveloppe d’effort standard ni preuve que les changements répétés deviennent peu coûteux. 9 10

Le calculateur de ROI rend le périmètre des coûts particulièrement visible. Son illustration par défaut suppose 1 milliard de dollars de chiffre d’affaires annuel, 80 000 dollars de frais d’abonnement mensuels et des améliorations saisies en entrée. Celles-ci incluent une hausse de 35% de la productivité en science des données. Il affiche environ 13,14 millions de dollars de bénéfice annuel supplémentaire et 1 269% de ROI net. Le calcul soustrait le coût annuel de l’abonnement et divise par ce même coût. 12 13

Ce sont les conséquences arithmétiques d’améliorations supposées, pas des retours mesurés. Le calculateur n’a pas d’entrées correspondantes pour l’intégration, le conseil, la maintenance continue des modèles ou les équipes métier choisissant les scénarios. Son résultat peut donc augmenter alors que des coûts de possession importants restent hors du dénominateur. Additionner plusieurs catégories de bénéfices n’établit pas non plus l’indépendance de leurs effets. 12 13

Nomenclature logicielle

La page carrières, datée du 29 juin 2024, contient une description explicite de la pile technique. Elle identifie des services AWS dont EKS, EC2, S3, Textract et CloudWatch ; des services Google Cloud de calcul, Kubernetes, stockage et SQL ; des grappes de modèles Python ; ainsi que des microservices web et des tableaux de bord. Elle attribue la diversité des clouds aux préférences des clients. La page des services professionnels situe séparément l’entraînement des modèles et les tableaux de bord sur Azure et Google Cloud. 10 9

C’est un modèle de livraison et de personnalisation multicloud. Ses coûts récurrents incluent les outils de déploiement, les politiques d’accès, l’observabilité, les dépendances des modèles et les interfaces entre services d’inférence et écrans propres aux clients. Les deux pages n’associent pas les services cloud aux éditions du produit et n’expliquent pas si la mention Azure remplace l’ancienne description AWS. L’acheteur manque donc d’une description claire des composants requis par sa propre installation. 9 10

DeepVu ne publie dans ces documents ni schéma système, ni contrat d’intégration versionné, ni procédure d’export des modèles, ni spécification de déploiement reproductible. Les plateformes cloud citées établissent l’existence d’une infrastructure d’ingénierie ; elles n’établissent ni une exploitation économique ni une frontière cohérente entre logiciel standard et travail commandé. 9 10

Sécurité, propriété et responsabilité économique

La politique publique de confidentialité conserve une date d’effet de juin 2010 et traite d’intégrations aux réseaux sociaux, de concours et de contributions publiques. Sa section sécurité promet des mesures de protection raisonnables sans décrire séparation des clients, portée des identifiants, isolation réseau, accès à la production ou récupération. Ces omissions sont importantes pour un logiciel traitant des données d’achat et d’exploitation. 11

Les conditions, actualisées le 7 janvier 2024, classent les modèles, environnements simulés, prévisions et décisions recommandées comme propriété intellectuelle du fournisseur. Les données du client restent sa propriété. Cette distinction laisse une question pratique de sortie : quels historiques de décisions, hypothèses et logiques exécutables le client peut-il conserver et réutiliser ? Aucune procédure d’export n’y répond publiquement. 14

La page d’accueil promet un multiple minimal de ROI, variable selon le client et le cas d’usage. Les conditions publiques excluent les résultats ainsi que la précision ou l’actualité des données de partenaires externes et comportent un plafond de responsabilité de 100 dollars. Un cahier des charges négocié peut ajouter des engagements, mais aucune méthode publique de mesure ou de réparation ne relie la garantie annoncée à ces conditions. 1 14

Cela crée un vide de responsabilité autour du différenciateur revendiqué du produit. Si une recommandation enrichie par graphe fonctionne mal, les conditions publiées ne répartissent aucune responsabilité pour un signal faible, une simulation défectueuse ou une récompense inadaptée. Un engagement utile couvrirait le processus décisionnel et son évaluation économique, y compris le travail de modélisation de l’éditeur lui-même. 14

Note supply chain

Chaque dimension est la moyenne arithmétique de cinq critères de même poids. La note globale est la moyenne des 25 critères, arrondie à une décimale.

Profondeur de compréhension de la supply chain

Critère Note
Cadrage économique 6/10
Aboutissement des décisions 5/10
Clarté conceptuelle sur la supply chain 5/10
Indépendance vis-à-vis des doctrines centrales dépassées 6/10
Résistance au théâtre des KPI 3/10

Moyenne : 5.0/10.

Cadrage économique — 6/10. Les décisions proposées ont des coûts et des conséquences commerciales identifiables. La faiblesse porte sur la conversion d’objectifs concurrents en une valeur économique commune : une récompense configurable peut masquer cette conversion plutôt que la résoudre. 3 8

Aboutissement des décisions — 5/10. Les recommandations peuvent spécifier des actions opérationnelles. Leur chemin vers l’exécution dépend encore de l’interprétation humaine des scénarios, laissant la décision récurrente finale partiellement hors du logiciel. 4 5

Clarté conceptuelle sur la supply chain — 5/10. Perturbations et variabilité des fournisseurs sont reconnues. La présentation publique ne les relie pas par une représentation conjointe de l’incertitude permettant des décisions cohérentes entre fonctions. 2 4

Indépendance vis-à-vis des doctrines centrales dépassées — 6/10. L’offre n’est pas organisée uniquement autour du consensus prévisionnel ou d’objectifs de service fixes. Son avancée reste limitée par la dépendance aux personnes choisissant le futur sur lequel planifier. 5 8

Résistance au théâtre des KPI — 3/10. Ni un pourcentage de prévision sans référence ni un calculateur rempli de gains supposés n’établit de valeur. L’évaluation économique au niveau des décisions manque toujours. 1 12

Substance des décisions et de l’optimisation

Critère Note
Profondeur de la modélisation probabiliste 3/10
Substance distinctive de l’optimisation ou du ML 4/10
Prise en compte des contraintes réelles 4/10
Automatisation des décisions et productivité du travail 3/10
Résilience face à la complexité opérationnelle réelle 3/10

Moyenne : 3.4/10.

Profondeur de la modélisation probabiliste — 3/10. Énumérer les perturbations prépare utilement le travail, mais une politique exige leurs probabilités et dépendances. Ces quantités et leur validation sont absentes de la méthode publiée. 2

Substance distinctive de l’optimisation ou du ML — 4/10. Entraîner des politiques face à une simulation est une orientation méthodologique concrète. Son caractère distinctif ne peut être évalué sans conception de l’apprentissage, référence crédible et preuve que les gains du simulateur survivent au déploiement. 2 8

Prise en compte des contraintes réelles — 4/10. Les descriptions d’actions couvrent plusieurs décisions pratiques. La documentation publique s’arrête avant d’expliquer la faisabilité conjointe lorsque contraintes commerciales, de matières et de production interagissent. 3 4 5

Automatisation des décisions et productivité du travail — 3/10. Des suggestions plus rapides n’établissent pas une réduction du travail décisionnel récurrent. L’étape documentée de sélection humaine et l’absence de mesures de charge limitent la promesse d’automatisation. 5 15

Résilience face à la complexité opérationnelle réelle — 3/10. Les scénarios de stress élargissent l’attention du modélisateur. La résilience exige des politiques qui tolèrent les erreurs de ces scénarios et restent économiques à réviser ; aucune de ces propriétés n’est mesurée publiquement. 2 9

Intégrité du produit et de l’architecture

Critère Note
Cohérence architecturale 4/10
Clarté des frontières du système 4/10
Sérieux en matière de sécurité 2/10
Parcimonie logicielle et coût de possession 3/10
Compatibilité avec les opérations programmatiques et assistées par agents 3/10

Moyenne : 3.2/10.

Cohérence architecturale — 4/10. Simulateur, modèle de politique et service de données externes constituent une conception intelligible. Les descriptions publiques d’infrastructure ne montrent pas comment elle est conditionnée et maintenue entre déploiements. 2 9 10

Clarté des frontières du système — 4/10. Les intégrations d’entreprise font partie de l’offre, mais la frontière entre recommandation, action approuvée et transaction engagée manque de spécification technique publique. 2 15

Sérieux en matière de sécurité — 2/10. La présentation publique de sécurité ne fournit aucun mécanisme opérationnel qu’un acheteur puisse évaluer face aux risques d’accès, d’isolation et de récupération. L’ancienneté et le contenu grand public de la politique réduisent encore son utilité. 11

Parcimonie logicielle et coût de possession — 3/10. Modèles personnalisés et multiples environnements de déploiement créent des obligations d’ingénierie récurrentes. La méthode publiée de ROI n’inclut pas ces obligations dans sa base de coûts. 9 10 13

Compatibilité avec les opérations programmatiques et assistées par agents — 3/10. L’intégration est promise, mais les documents publics n’établissent ni exécution contrôlée sans supervision, ni modifications reproductibles des modèles, ni réduction concrète du besoin d’interpréter chaque recommandation. 2 5

Transparence technique

Critère Note
Documentation technique publique 3/10
Inspection sans médiation de l’éditeur 2/10
Portabilité et visibilité de la dépendance à l’éditeur 3/10
Transparence de la méthode de mise en œuvre 3/10
Densité des preuves derrière les affirmations techniques 2/10

Moyenne : 2.6/10.

Documentation technique publique — 3/10. Les pages produit identifient les entrées et actions prévues. Elles ne détaillent pas assez l’objectif, le modèle d’incertitude ou le comportement des intégrations pour les reconstruire. 2 3 4

Inspection sans médiation de l’éditeur — 2/10. Les exemples et le calculateur publiés permettent d’inspecter des hypothèses marketing, pas d’évaluer indépendamment une politique entraînée sur des données opérationnelles réalistes. 1 12

Portabilité et visibilité de la dépendance à l’éditeur — 3/10. Les catégories de propriété sont explicites, tandis que les mécanismes de transfert de la logique décisionnelle et de son historique restent non précisés. 14

Transparence de la méthode de mise en œuvre — 3/10. Le catalogue de services identifie les travaux commandables. Il donne peu d’indications sur les tests d’acceptation, le contrôle des changements, l’effort récurrent ou l’évolution des responsabilités après le lancement. 9

Densité des preuves derrière les affirmations techniques — 2/10. Les larges promesses de résilience et d’autonomie manquent des protocoles de validation nécessaires pour distinguer une politique entraînée utile d’une simulation convaincante. 2 15

Sérieux de l’éditeur

Critère Note
Sérieux technique de la communication publique 3/10
Intégrité de la feuille de route technologique 4/10
Clarté conceptuelle 4/10
Responsabilité économique 2/10
Solidité concurrentielle dans un monde de logiciels agentiques 3/10

Moyenne : 3.2/10.

Sérieux technique de la communication publique — 3/10. Certaines pages précisent de véritables décisions, mais les affirmations catégoriques de supériorité remplacent les preuves comparatives. Le discours public sous-estime la difficulté de valider un environnement opérationnel simulé. 3 8

Intégrité de la feuille de route technologique — 4/10. L’orientation apprentissage par renforcement est continue. L’ancienne promesse d’autonomie reste mal conciliée avec la version plus restreinte, faisant intervenir l’humain, décrite en détail. 16 18 15

Clarté conceptuelle — 4/10. Relier les actions à leurs conséquences métier est pertinent. Considérer la sélection de scénarios et l’optimisation de KPI pondérés comme suffisantes pour la résilience laisse irrésolues les questions économiques et probabilistes les plus difficiles. 5 8

Responsabilité économique — 2/10. Une garantie sans règle publique de mesure ni réparation donne peu de prise à l’acheteur pour attribuer la responsabilité lorsque le bénéfice modélisé ne se matérialise pas. 1 14

Solidité concurrentielle dans un monde de logiciels agentiques — 3/10. La valeur durable viendrait de modèles validés et de l’amélioration peu coûteuse des décisions récurrentes. Ni un vocabulaire croissant d’agents ni un menu de scénarios plus vaste n’établit cet avantage. 2 9

Sources

Sources consultées le 4 novembre 2026. Les affirmations produit sont attribuées à DeepVu ; la note évalue leur substance technique et les éléments publics.

[1] Planification supply chain autonome et résiliente

Page d’accueil de DeepVu. Positionnement actuel, promesse chiffrée de précision, résumés de cas clients et garantie de ROI.

[2] IA supply chain : VuDecide et VuSim

IA supply chain de DeepVu. Périmètre du simulateur et processus explicitement assisté de décision.

[3] Optimisation des stocks et exécution des commandes

Stocks chez DeepVu. Variables de décision, coûts d’exécution et entrées d’entraînement.

[4] Achats et gestion du risque fournisseur

Achats chez DeepVu. Allocation entre fournisseurs et périmètre de modélisation des achats.

[5] Planification de production et optimisation de capacité

Production chez DeepVu. Ordonnancement, stock de sécurité et sélection entre recommandations.

[6] Planification de la demande et modèles de décision de stock

Planification de la demande chez DeepVu. Actualisation des prévisions et objectifs de performance.

[7] Graphe de connaissances supply chain VuGraph

VuGraph de DeepVu. Catégories de données externes et rôle annoncé dans la prévision.

[8] Durabilité et fonction de récompense

Durabilité chez DeepVu. Récompense pondérée par le client et promesses d’optimisation.

[9] Services professionnels

Services professionnels de DeepVu. Périmètre, tarif horaire publié et description Azure/Google Cloud.

[10] Carrières et pile technique

Carrières chez DeepVu. Offres datées du 29 juin 2024 ; description explicite de l’infrastructure et travail de personnalisation.

[11] Politique de confidentialité

Politique de confidentialité de DeepVu. En vigueur depuis juin 2010 ; déclaration publique de sécurité et contexte du service.

[12] Calculateur de ROI

Calculateur de ROI de DeepVu. Entrées par défaut et illustration affichée du retour.

[13] Implémentation du calculateur de ROI

JavaScript du calculateur de DeepVu. Arithmétique et dénominateur limité à l’abonnement.

[14] Conditions de service

Conditions de DeepVu. Actualisées le 7 janvier 2024 ; dispositions publiques de propriété et commerciales.

[15] Version bêta de VuDecide sur AppSource

Annonce de DeepVu via PR.com, 12 juillet 2024. Périmètre livré et interaction des planificateurs.

[16] Founder Funder Spring Connect : DeepVu

Profils des entreprises de l’événement, avril 2021, page 13. Description contemporaine du produit DeepVu.

[17] Lancement de l’application de réseau social visuel Vufind

Annonce de Vufind via PR Newswire, 22 novembre 2010. Ancien produit et identité de l’entreprise.

[18] Annonce de Venable et Berkeley SkyDeck

Annonce de Venable, 17 mai 2017. Description contemporaine de l’offre d’apprentissage par renforcement de DeepVu.