00:00:09 Programmation différentiable et son impact sur supply chain.
00:01:00 Inefficacités dans supply chain et problèmes non résolus dans diverses industries.
00:02:06 Défis dans l’industrie de la mode et demande sensible au prix.
00:04:20 Difficulté à combiner des méthodes existantes pour une optimisation conjointe.
00:05:51 Programmation différentiable en tant que descendant du deep learning pour une optimisation conjointe.
00:08:00 Apprentissage et optimisation dans la gestion de la supply chain.
00:09:24 Programmation différentiable et problèmes non résolus dans diverses industries.
00:10:27 Prévision de la demande et utilisation des données clients.
00:13:24 Problèmes épineux et conséquences de second ordre dans les promotions.
00:15:52 S’adapter aux besoins et aux attentes des clients.
00:17:03 Le rôle du deep learning et les progrès matériels dans la résolution de problèmes complexes.
00:19:20 Rendements décroissants dans les progrès en IA et nécessité d’expressivité.
00:21:12 La programmation différentiable permettant d’éliminer les silos dans la gestion de la supply chain.
00:23:23 Conclusion.
Résumé
Dans cette interview, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, discutent du potentiel de la programmation différentiable pour l’optimisation de supply chain. Vermorel explique que les méthodes traditionnelles pour prendre des décisions concernant le stock, l’achat et la tarification sont souvent déconnectées, ce qui entraîne des inefficacités. La programmation différentiable peut optimiser ces décisions en prenant simultanément en compte plusieurs facteurs. Cette approche, encore relativement nouvelle, peut s’attaquer à des problèmes non résolus dans diverses industries, telles que la prévision de la demande dans le commerce de détail et l’optimisation en situation d’incertitude. Les avancées technologiques ont permis de développer des modèles plus complexes, rendant possible la résolution de problèmes à grande échelle. La programmation différentiable a le potentiel de révolutionner l’optimisation de supply chain, en éliminant les silos organisationnels et en améliorant l’efficacité globale.
Résumé Étendu
Dans cette interview, Kieran Chandler, l’animateur, discute de la programmation différentiable et de son impact sur l’optimisation de supply chain avec Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de supply chain. Ils explorent des problèmes non résolus et la manière dont ces défis ont été abordés dans diverses industries.
Vermorel explique qu’un problème non résolu n’est pas nécessairement celui qui n’aura jamais de solution, mais plutôt celui qui n’a pas encore de solution satisfaisante. Il souligne que, bien que la supply chain soit fonctionnelle, elle fonctionne souvent avec des inefficacités significatives. Ces inefficacités peuvent ne pas être apparentes tant qu’on ne les examine pas de près, et il peut exister des variables à ajuster pour améliorer la supply chain qui ne sont pas traditionnellement prises en compte par les gestionnaires de supply chain, telles que la tarification et l’assortiment.
Chandler s’interroge sur les défis spécifiques qui ont été difficiles à résoudre dans l’industrie de la supply chain. Vermorel répond que chaque secteur vertical a son propre ensemble de problèmes mal résolus, en prenant la mode comme exemple. La fast fashion, qui est très sensible aux prix, démontre que la demande est fortement influencée par la tarification. Cependant, la plupart des solutions de planification de la demande dans la mode traitent la demande comme si la tarification n’existait pas, ce qui crée un écart considérable.
Vermorel explique qu’il existe un problème non résolu d’optimisation conjointe de la demande, des stocks et de la tarification, ces facteurs étant souvent traités comme des entités déconnectées. En réponse à la question de Chandler sur la possibilité de combiner les méthodes existantes pour résoudre ce problème, Vermorel affirme qu’historiquement, la plupart des solutions développées ne se prêtaient pas à être amalgamées. L’approche Sales and Operations Planning (S&OP) a tenté de résoudre ce problème au niveau humain en facilitant la communication entre les différents départements, mais cela ne se traduit pas bien en automatisation logicielle.
En ce qui concerne l’automatisation logicielle, Vermorel souligne les difficultés qui se posent lorsqu’on essaie d’intégrer des systèmes distincts tels que la planification des besoins en matériel pilotée par la demande (DDMRP), le système de gestion d’entrepôt (WMS), et les modules complémentaires de gestion de l’information produit (PIM) pour la tarification. Ces systèmes prennent souvent des décisions indépendantes, ce qui conduit à une approche désarticulée et à des inefficacités potentielles.
Vermorel explique que les méthodes traditionnelles pour prendre des décisions concernant les stocks, les achats et la tarification sont souvent déconnectées, ce qui peut mener à des résultats sous-optimaux. Il suggère que la programmation différentiable peut aider à optimiser ces décisions en prenant simultanément en compte plusieurs facteurs.
La programmation différentiable est conceptuellement similaire au deep learning, mais elle se concentre sur un mélange d’apprentissage et d’optimisation au lieu de se limiter à la reconnaissance de motifs. Vermorel souligne que le deep learning a réalisé des avancées significatives en reconnaissance d’images, mais il a également conduit à des percées dans l’optimisation numérique. Ces avancées ont permis le développement de modèles plus complexes avec des millions de paramètres, améliorant ainsi le processus d’optimisation.
Dans le contexte de la gestion de la supply chain, la programmation différentiable peut être appliquée à la fois à l’apprentissage de la demande future et à la prise de décisions optimisées dans des conditions incertaines. Par exemple, elle peut aider à déterminer combien d’unités acheter auprès d’un fournisseur ou quand appliquer une remise sur un produit spécifique. Vermorel souligne que les clients sont souvent influencés par l’assortiment global des produits, ce qui signifie que l’optimisation des décisions pour des produits individuels peut ne pas être suffisante.
Bien que la programmation différentiable soit une approche relativement nouvelle, Vermorel pense qu’elle peut être appliquée à un large éventail de problèmes non résolus dans diverses industries. Il cite l’exemple de la prévision de la demande dans le commerce de détail, où les programmes de fidélisation et les données clients peuvent offrir des informations précieuses sur les habitudes d’achat. Actuellement, il existe peu de solutions sur le marché qui tirent parti de ces données, et la programmation différentiable peut potentiellement aider à exploiter ces informations pour une meilleure prise de décision.
Un autre défi que la programmation différentiable peut relever est l’optimisation en situation d’incertitude. Les méthodes d’optimisation traditionnelles rencontrent souvent des difficultés avec des conditions stochastiques, c’est pourquoi des approches simplifiées, telles que la MRP (Material Requirements Planning) et le DDMRP (Demand Driven MRP), ont été adoptées. Vermorel soutient que ces méthodes sont souvent insuffisantes et que la programmation différentiable peut offrir une manière plus efficace de résoudre de tels problèmes.
L’interview avec Joannes Vermorel met en évidence le potentiel de la programmation différentiable pour relever divers défis dans l’optimisation de supply chain. En combinant apprentissage et optimisation, cette approche peut aider les entreprises à prendre des décisions plus éclairées en tenant compte de multiples facteurs et incertitudes. Bien que la programmation différentiable soit encore un domaine relativement nouveau, Vermorel estime qu’elle recèle de grandes promesses pour l’amélioration de la gestion de la supply chain et la prévision de la demande dans différents secteurs.
Ils discutent du rôle de la programmation différentiable pour relever les défis de la supply chain et du potentiel qu’elle offre pour résoudre des problèmes complexes, jusque-là insolubles.
Vermorel explique que la programmation différentiable est un outil puissant pour relever des défis complexes de supply chain. Les avancées technologiques ont permis d’optimiser des modèles comptant des millions de paramètres, alors qu’auparavant, seuls quelques centaines étaient possibles. Ce bond en capacité a rendu possible la résolution de problèmes à grande échelle, ce qui est particulièrement pertinent pour les entreprises disposant de nombreux produits et magasins.
L’un des principaux défis que la programmation différentiable aide à relever est le « wicked problem ». Ces problèmes surviennent lorsqu’il y a des conséquences de second ordre aux actions, comme lorsque les promotions d’une marque de mode conduisent les clients à n’acheter qu’en période de soldes. Actuellement, aucun algorithme n’est capable de résoudre ces wicked problems, mais Vermorel croit qu’une IA de niveau humain pourra éventuellement s’en charger.
Le succès récent de la programmation différentiable peut être attribué à une combinaison d’avancées matérielles et logicielles. Le progrès rapide en puissance de traitement, associé à des avancées en efficacité algorithmique, a permis d’optimiser des modèles avec des centaines de millions de paramètres. Vermorel estime que nous avons atteint un point de rendements décroissants en puissance de traitement, et que le principal défi réside désormais dans l’amélioration de l’expressivité et l’adaptation des problèmes complexes à un cadre optimisable.
Pour les praticiens de la supply chain, la programmation différentiable offre le potentiel de briser les silos et d’optimiser conjointement des problèmes auparavant isolés. Cela pourrait représenter un bond en avant considérable en termes d’efficacité, obligeant les entreprises à repenser leurs structures organisationnelles. À mesure que les entreprises commenceront à adopter la programmation différentiable, elles pourront suivre l’exemple donné par Amazon pour éliminer ces silos et optimiser à travers les domaines.
La programmation différentiable a le potentiel de révolutionner l’optimisation de supply chain en s’attaquant à des problèmes jusque-là insolubles et en brisant les silos organisationnels. Grâce aux avancées matérielles et logicielles, cette approche offre aux praticiens de la supply chain de nouvelles opportunités pour relever des défis complexes et améliorer l’efficacité globale.
Transcription Complète
Kieran Chandler: Salut, aujourd’hui sur Lokad TV, nous allons aborder le sujet un peu nouveau de la programmation différentiable. Ce développement passionnant est le dernier descendant du deep learning et a débloqué une série de défis qui étaient auparavant considérés comme insolubles. Aujourd’hui, nous allons en apprendre un peu plus sur ce processus et comprendre comment cela a conduit à des progrès rapides dans le monde de supply chain. Alors Joannes, nous parlons de problèmes insolubles aujourd’hui, ce qui semble assez ambitieux. Que entend-on par un problème insoluble ?
Joannes Vermorel: Ce que je veux dire, en réalité, c’est un problème qui n’a peut-être jamais de solution, mais plutôt des problèmes qui n’ont pas encore de solution satisfaisante. C’est intéressant parce que dans la supply chain, tous les problèmes sont en quelque sorte résolus, tu vois, d’une certaine manière. Évidemment, les usines produisent et les gens se font plaisir avec des choses qu’ils peuvent acheter en magasin, donc la supply chain fonctionne en réalité. Mais elle peut fonctionner avec des inefficacités significatives, et tant que tu n’auras pas vraiment pris le temps de l’analyser, tu ne verras peut-être même pas à quel point elle est inefficace à plusieurs niveaux. Surtout quand tu commences à penser aux variables d’ajustement que l’on peut utiliser et qui ne sont pas traditionnellement prises en compte par, je dirais, les gestionnaires de supply chain en général, telles que la tarification, l’assortiment, et toutes sortes de moyens de façonner et d’adapter la demande du marché afin qu’elle se rapproche de ce que tu proposes.
Kieran Chandler: D’accord, alors, quels types de défis rencontrons-nous depuis quelques années ?
Joannes Vermorel: Cela dépend, car chaque secteur vertical a son propre ensemble de problèmes difficiles et mal résolus. Prenons la mode par exemple. Dans la fast fashion ou la mode abordable, la demande est très sensible aux prix. C’est pourquoi les gens se ruent vers les soldes, car c’est le moment où l’on peut bénéficier de prix super agressifs. Évidemment, en raison de la popularité massive des soldes, beaucoup estiment qu’il vaut la peine d’attendre des heures et de se rendre dans des magasins surchargés pour profiter de ces prix. Ainsi, les gens veulent des vêtements et des articles qui leur plaisent, mais ils les veulent vraiment à un prix abordable. Cependant, pratiquement toutes les solutions de planification de la demande que je connais pour la mode, à l’exception de Lokad, traitent la demande comme si la tarification n’existait pas, comme si c’était un prix catalogue et c’était tout. Or, lorsqu’on lance un produit sur le marché, il y a toute une stratégie de tarification en jeu. Si le produit ne se vend pas suffisamment, tu déclencheras des soldes et des réductions pour liquider le stock et faire de la place pour la prochaine collection. Donc, évidemment, si tu as quelque chose qui, en termes d’organisation des processus et de technologie logicielle pour soutenir tout cela, traite la demande client et la tarification comme des éléments complètement déconnectés, il y a manifestement un écart considérable. Et c’est clairement un problème non résolu qui relève d’une optimisation conjointe de la demande, des stocks et de la tarification simultanément.
Kieran Chandler: Alors, comment aborde-t-on ces problèmes avec les méthodes existantes ? Je veux dire, peut-on combiner les méthodes existantes pour obtenir quelque chose de satisfaisant ?
Joannes Vermorel: Non, la plupart des recettes inventées historiquement ne se prêtaient pas à être fusionnées. C’est en quelque sorte ce que le S&OP a tenté de faire un peu, mais à un niveau humain. Alors faisons en sorte que les gens communiquent entre eux. Avec des humains, cela peut fonctionner parce qu’ils peuvent parler et aligner leur sémantique. Mais lorsqu’il s’agit d’automatisations logicielles, où le DDMRP prend des décisions, le WMS prend des décisions concernant les stocks, et ensuite tu as un module complémentaire sur ton PIM (product information management) qui contrôle le prix, tous ces systèmes ne se combinent pas.
Kieran Chandler: Tu sais, ils n’ont rien qui les connecte nativement, et même s’il en existe, ce n’est pas très clair du tout. En considérant les méthodes utilisées pour générer la décision – comme la décision de stock ou d’achat d’une part et la décision de tarification d’autre part – y a-t-il quelque chose que l’on pourrait simplement construire au milieu pour concilier les décisions et optimiser conjointement ?
Joannes Vermorel: Au cœur, ces systèmes sont conçus avec un état d’esprit « diviser pour régner », où ce qui n’est pas dans le périmètre est tout simplement ignoré. C’est ainsi que l’on peut obtenir des recettes beaucoup plus simples. Le differentiable programming consiste en une optimisation duale qui prend en compte de nombreux problèmes différents et les réunit en un seul.
Differentiable programming est conceptuellement lié au deep learning, mais pas aussi axé sur accuracy pour les prévisions. C’est plus comme une perspective différente sur les choses. Les récents progrès en deep learning ont principalement concerné le côté apprentissage, avec des avancées énormes en reconnaissance de motifs dans les images et en identification d’objets ou de personnes. C’est vraiment génial, et les progrès ont été significatifs.
Cependant, il y avait également un autre aspect dans lequel le deep learning a permis d’obtenir de nombreux résultats remarquables, à savoir l’optimisation numérique. La raison pour laquelle nous avons réussi à reconnaître des motifs d’image complexes avec plus de précision est que nous disposions de modèles bien plus complexes, avec beaucoup plus de paramètres, se chiffrant en dizaines de millions. Pour entraîner ces modèles et construire un modèle mathématique efficace sur votre ensemble de données, vous avez besoin d’une recette d’optimisation numérique qui fonctionne à grande échelle, car il s’agit de millions de paramètres à optimiser.
Le deep learning et la tech AI ont apporté une série de percées en optimisation à grande échelle, qui ont rendu possibles de nombreuses avancées du côté de l’apprentissage. Le differentiable programming adopte une perspective différente. Ce qui est intéressant, c’est à la fois l’aspect apprentissage et les outils numériques permettant de réaliser une optimisation à grande échelle. Parfois, ce que l’on souhaite, c’est un mélange d’apprentissage et d’optimisation.
Dans la supply chain, vous ne souhaitez pas autant apprendre ce que sera la demande future, autant prendre la bonne décision optimisée dans des conditions futures incertaines, par exemple combien d’unités acheter si le fournisseur propose un certain prix. Une fois que vous avez acquis les unités, quand devriez-vous décider de rabattre un produit spécifique ? Il s’agit à la fois d’apprendre la demande future et d’optimiser des variables pour lesquelles vous disposez d’une grande liberté.
Dans le secteur de la mode, pour un produit, un prix et un stock, la réalité est que les clients ne viennent pas en magasin pour un seul produit. Ils ont des besoins, des envies et des désirs, et ils regardent avant tout l’assortiment. Si vous commencez à penser aux décisions pour un produit à la fois, vous passez à côté de l’essentiel. C’est pourquoi toutes ces marques ont besoin de collections, car il leur faut disposer d’un assortiment large pour que cela ait du sens pour les clients.
Kieran Chandler: Où cette approche fonctionne-t-elle vraiment bien dans le monde réel ? Quels sont les défis classiques qu’elle résout très efficacement ?
Joannes Vermorel: La pile technologique est assez récente, et avec le differentiable programming, je ne dirais pas qu’il existe une routine bien établie où cela fonctionne très bien. Ce que je dis, c’est qu’il y a tant d’opportunités à explorer dans ce domaine.
Kieran Chandler: De nombreux domaines de problèmes sont observés dans diverses industries. Dans une discussion précédente, nous avons parlé des limites du MRP et de la façon dont le DDMRP consiste essentiellement à colmater des systèmes MRP assez défaillants. Mais quel est le problème non résolu dans ce domaine ?
Joannes Vermorel: Le problème non résolu est l’optimisation sous incertitude. Lorsque vous effectuez une optimisation semblable à un puzzle avec un futur statique, immuable, et que vous appliquez toutes vos contraintes, ce genre de problème a été résolu depuis les années 1980. Cependant, lorsque vous introduisez un haut degré de hasard, c’est une tout autre problématique. Tous les optimiseurs numériques dont nous disposons s’effondrent, et c’est pourquoi les gens retombent sur des recettes super simplistes avec des points de découplage et des éléments découplés. Le MRP est la conséquence d’un manque d’outils appropriés pour réellement aborder le problème.
Kieran Chandler: Pouvez-vous nous donner un autre exemple où les industries passent fondamentalement à côté de l’essentiel ?
Joannes Vermorel: Bien sûr. Lorsque l’on pense en termes de prévision de la demande, chaque unité vendue est liée à un client. De nos jours, grâce aux programmes de fidélisation, presque chaque enseigne de distribution et plateforme de le e-commerce peut identifier ses clients et savoir exactement qui a acheté quoi, à quel moment, dans quelles conditions, et quels produits étaient présents. Ils savent que le choix du client était limité à ce qui était disponible à ce moment-là. Il y a ici une multitude d’informations, comme l’assortiment au moment de la décision d’achat et l’identité des clients ayant un historique d’achats. Cependant, je constate qu’il y a presque aucune solution sur le marché qui utilise ces données. C’est un décalage évident et un potentiel immense qui n’est pas du tout exploité.
Kieran Chandler: Quels sont les vrais défis dans les supply chains que le differentiable programming ne fait même pas effleurer ?
Joannes Vermorel: Il existe des problèmes épineux qui ne seront probablement pas résolus avant l’avènement d’une IA forte ou d’une intelligence au niveau humain. Ces problèmes épineux impliquent de réfléchir aux conséquences de second ordre de vos actions. Par exemple, lorsque vous faites des promotions pour une marque de mode, vous faites deux choses : liquider vos stocks, ce qui est bien et peut être optimisé avec le differentiable programming ; mais vous devez également penser aux conséquences de vos actions dès le moment où vous passez une commande.
Kieran Chandler: Fournissez vos premières unités, d’accord, très bien. Mais ensuite, quelles sont les conséquences de second ordre ? Le fait que, lorsque vous faites des promotions, lorsque vous faites des soldes, vous entraînez en réalité votre clientèle à n’acheter dans votre magasin, vos chaînes, ou votre le e-commerce qu’en promotion. Et il se peut qu’un glissement se soit produit pendant plus d’une décennie, passant de personnes qui achetaient très volontiers tout le temps à la majorité de vos clients qui n’achètent désormais qu’en solde.
Joannes Vermorel: C’est comme une prophétie auto-réalisatrice, et clairement en ce moment. C’est pourquoi on parle de “problème épineux”. Vous pouvez consulter la page Wikipedia. Fondamentalement, le fait est que nous n’avons pas affaire à des automates. Vos clients ne sont pas automatisés ; ils sont intelligents et ils s’adaptent. En gros, vous devez prendre en compte que lorsque vous faites quelque chose, les gens réfléchiront et s’adapteront à ce que vous faites. Voilà ce que j’appelle ces conséquences de second ordre.
Lorsque les gens savent que vous allez faire quelque chose, ils ont des attentes, et ils fondent leurs actions sur ce qu’ils pensent de vous. C’est une récursion, et c’est quelque chose de très humain, que les humains maîtrisent en réalité assez bien. Ce sont toutes ces conséquences épineuses.
Par exemple, supposons que vous soyez un constructeur automobile. Vous améliorez la supply chain pour la distribution de pièces détachées et pour votre propre réseau de garages. Votre garage devient si performant que vous finissez par aliéner vos partenaires historiques sur le marché. Vous optimisez donc d’un côté et, de l’autre, vous contrariez des partenaires importants qui étaient vos partenaires historiques. Devriez-vous renoncer à optimiser votre supply chain simplement pour garder vos partenaires satisfaits ? Peut-être, peut-être pas. Encore une fois, il s’agit d’un problème épineux qui dépasse totalement les capacités de tout algorithme dont je sois au courant, même les systèmes d’IA les plus sophistiqués que vous lisez dans la presse n’effleurent même pas ce type de problème épineux.
Kieran Chandler: On dirait que ces problèmes épineux sont probablement un défi pour le differentiable programming de demain et Skynet, et non pour les Terminators. Alors, pourquoi est-ce maintenant le moment de revenir sur certains de ces problèmes insolubles ? Qu’est-ce qui a changé dans le monde de la technologie pour permettre au differentiable programming de réaliser ces progrès ?
Joannes Vermorel: Ce qui a changé, c’est que nous sommes passés d’une technologie où nous pouvions optimiser des modèles avec littéralement quelques centaines de paramètres à des modèles pouvant comporter cent millions de paramètres. C’est ce que vous obtenez avec les techniques modernes de deep learning, notamment pour des fins d’optimisation dans des contextes de deep et differentiable programming. Cela change la donne, car le défi pour bon nombre des clients dont nous parlons est que, à moins qu’ils ne soient de très petites entreprises, ils ont des problèmes d’envergure. Même s’ils ne sont pas Walmart, dès que vous avez environ 50 magasins, vous devez résoudre des problèmes à grande échelle. Si vous avez 10 000 produits par magasin, il s’agit d’environ un demi-million de SKUs, donc environ un demi-million de variables pour les décisions de tarification et de stocks chaque jour.
Ce qui a changé, c’est lorsque nous sommes passés de la capacité d’optimiser des problèmes avec quelques centaines de variables à des problèmes avec des millions. Soudainement, cela a permis de résoudre de nombreux problèmes qui étaient auparavant invisibles. Fait intéressant, avec le deep learning, il s’agissait d’une combinaison de progrès matériel et de progrès logiciel. L’IA progresse encore rapidement, et de meilleures CPU avec plus de cœurs et une plus grande puissance de traitement brute continuent de progresser relativement vite. Mais par-dessus tout, ce qui est encore plus rapide, c’est une série de percées où le matériel vous offrait 10 unités de puissance de traitement deux ans plus tard.
Kieran Chandler: Peut-être que vous aurez 20 unités ou peut-être que ce sera dans 3 ans, d’accord, c’est une belle progression exponentielle sur une période de disons trois ans ou quelque chose comme ça. Mais si tous les six mois vous obtenez des percées logicielles ou mathématiques qui doublent l’efficacité de l’algorithme que vous avez, alors votre progrès sera dramatiquement plus rapide. C’est exactement ce qui se passe avec le deep learning. Il y a eu une progression régulière du matériel, mais elle a été complètement amplifiée par une série de percées davantage du côté algorithmique et mathématique, où vous aviez littéralement deux fois plus de puissance avec le même matériel. L’accélération a eu lieu au cours de la dernière décennie, et le résultat est que nous sommes passés de modèles avec quelques centaines de variables à des centaines de millions en l’espace d’une décennie. Enfin, pas exactement, mais cela vous donne une sorte de cadre. Donc, voilà ce qui a changé, je dirais qu’une grande partie consiste simplement à pouvoir le faire à grande échelle avec agilité et à moindre coût. Cette croissance va-t-elle continuer ou est-ce quelque chose qui croît réellement autant que nécessaire ?
Joannes Vermorel: À ce stade, je pense que nous avons atteint le point de rendement décroissant. La plupart des problèmes auxquels nous faisons face aujourd’hui ne sont pas dus à une pénurie de puissance de calcul ; nous disposons d’une puissance de calcul excédentaire. Nous n’avons pas de problèmes où l’on dirait, si la puissance de calcul était dix fois moins chère, nous pourrions le faire. C’est très rare, et lorsque nous avons des méthodes où nous pourrions investir beaucoup plus de puissance de calcul pour obtenir un petit coup de pouce, c’est généralement extrêmement marginal. Vous pouvez obtenir une amélioration de précision de 0,2 % en investissant dix fois plus de CPU, mais cela n’en vaut tout simplement pas la peine. Il vaut mieux repenser l’ensemble. Je crois que le principal défi réside désormais dans la capacité à exprimer, à intégrer ces problèmes dans un cadre. Le differentiable programming n’est pas l’opposé ; il cherche à atteindre une expressivité maximale afin que de nombreuses questions, encore problématiques jusqu’à présent, puissent entrer dans le domaine de ce que l’on peut faire avec le differentiable programming.
Kieran Chandler: Rassemblons un peu les choses, alors, et en termes de differentiable programming, qu’est-ce que cela signifie pour le praticien de la supply chain ? Quels sont les bénéfices qu’il est susceptible d’en tirer, et comment cela va-t-il changer sa manière d’aborder la situation actuellement ?
Joannes Vermorel: Le differentiable programming représentera un pas en avant considérable pour éliminer les silos. Nous avons réalisé un épisode, je crois qu’il y a une vingtaine d’épisodes, sur tous ces silos, qu’ils soient verticaux ou horizontaux. En réalité, je disais qu’il faudrait simplement se débarrasser de ces silos, mais la réalité est que certaines personnes pourraient s’y opposer. Certes, c’est logique car il existe évidemment des inefficacités inexploitées qui pourraient être simplement supprimées et optimisées si nous en avions la possibilité, mais la technologie n’est tout simplement pas là. Pour l’instant, nous sommes donc enfermés dans nos silos par manque d’alternative. Je pense que le differentiable programming ouvre concrètement la porte à la réflexion sur une tarification conjointe et un assortiment, ou un traitement d’assortiment, ou une tarification d’assortiment, ou encore un achat couplé à la tarification. Vous pouvez constater toutes sortes de problèmes que nous avons résolus isolément, et maintenant vous pouvez dire : oh, nous allons les résoudre conjointement. Cela va également nécessiter de réinventer l’organisation de ces entreprises, car ces anciens silos ne survivront pas dans ce nouveau monde où les entreprises commenceront à adopter la méthode d’Amazon pour démanteler ces silos et optimiser ces domaines de manière croisée.
Kieran Chandler: Brillant, merci pour votre temps aujourd’hui. C’est quelque chose pour cette semaine. Merci beaucoup d’avoir suivi,
