00:00:09 La programmation différentiable et son impact sur la supply chain.
00:01:00 Les inefficacités dans les supply chains et les problèmes non résolus dans diverses industries.
00:02:06 Les défis dans l’industrie de la mode et la demande sensible au prix.
00:04:20 La difficulté de combiner les méthodes existantes pour une optimisation conjointe.
00:05:51 La programmation différentiable comme héritière du deep learning pour une optimisation conjointe.
00:08:00 Apprentissage et optimisation dans la gestion de la supply chain.
00:09:24 La programmation différentiable et les problèmes non résolus dans diverses industries.
00:10:27 Prévision de la demande et utilisation des données clients.
00:13:24 Problèmes complexes et conséquences de second ordre dans les promotions.
00:15:52 Adaptation aux besoins et attentes des clients.
00:17:03 Le rôle du deep learning et des progrès matériels dans la résolution de problèmes complexes.
00:19:20 Rendements décroissants dans les progrès de l’IA et besoin d’expressivité.
00:21:12 La programmation différentiable permet de supprimer les silos dans la gestion de la supply chain.
00:23:23 Réflexions finales.
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 la supply chain. Vermorel explique que les méthodes traditionnelles de prise de décision en matière de stocks, d’achats et de tarification sont souvent déconnectées, ce qui entraîne des inefficacités. La programmation différentiable peut optimiser ces décisions en tenant compte de plusieurs facteurs simultanément. Cette approche, encore relativement nouvelle, peut résoudre des problèmes non résolus dans diverses industries, tels que la prévision de la demande dans le commerce de détail et l’optimisation en cas d’incertitude. Les avancées technologiques ont permis de développer des modèles plus complexes, ce qui permet de résoudre des problèmes à grande échelle. La programmation différentiable a le potentiel de révolutionner l’optimisation de la supply chain, en supprimant 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 la supply chain avec Joannes Vermorel, fondateur de Lokad, une entreprise spécialisée dans l’optimisation de la supply chain. Ils explorent les problèmes insolubles et la façon dont ces défis ont été relevés dans diverses industries.
Vermorel explique qu’un problème insoluble n’est pas nécessairement un problème qui n’aura jamais de solution, mais plutôt un problème qui n’a pas encore de solution satisfaisante. Il souligne que bien que les supply chains soient fonctionnelles, elles fonctionnent souvent avec des inefficacités importantes. Ces inefficacités peuvent ne pas être apparentes tant qu’elles ne sont pas examinées de près, et il peut y avoir des variables qui peuvent être ajustées pour améliorer la supply chain et qui ne sont pas traditionnellement prises en compte par les responsables de la 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 a son propre ensemble de problèmes mal résolus, en utilisant 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 énorme écart.
Vermorel explique qu’il existe un problème non résolu d’optimisation conjointe de la demande, des stocks et de la tarification, car ces facteurs sont souvent traités comme des entités disjointes. En réponse à la question de Chandler sur la possibilité de combiner les méthodes existantes pour résoudre ce problème, Vermorel déclare que historiquement, la plupart des solutions développées ne se prêtaient pas à être combinées les unes aux autres. L’approche de la Planification des Ventes et des Opérations (S&OP) a tenté de résoudre ce problème au niveau humain en facilitant la communication entre différents départements, mais cela ne se traduit pas bien par l’automatisation logicielle.
En ce qui concerne l’automatisation logicielle, Vermorel souligne les difficultés qui surviennent lorsqu’on essaie d’intégrer des systèmes distincts tels que la planification des besoins en matériel axée sur la demande (DDMRP), les systèmes de gestion d’entrepôt (WMS) et les modules complémentaires de gestion des informations sur les produits (PIM) pour la tarification. Ces systèmes prennent souvent des décisions indépendantes, ce qui conduit à une approche disjointe et à des inefficacités potentielles.
Vermorel explique que les méthodes traditionnelles de prise de décision en matière de stocks, d’achats et de tarification sont souvent disjointes, ce qui peut entraîner des résultats suboptimaux. Il suggère que la programmation différentiable peut aider à optimiser ces décisions en tenant compte de plusieurs facteurs simultanément.
La programmation différentiable est conceptuellement similaire à l’apprentissage profond, mais elle se concentre sur un mélange d’apprentissage et d’optimisation plutôt que sur la simple reconnaissance de motifs. Vermorel souligne que l’apprentissage profond a fait d’importants progrès dans la reconnaissance d’images, mais il a également permis des avancées dans l’optimisation numérique. Ces avancées ont permis le développement de modèles plus complexes avec des millions de paramètres, ce qui a à son tour amélioré 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 d’incertitude. Par exemple, elle peut aider à déterminer combien d’unités acheter à un fournisseur ou quand appliquer une remise sur un produit spécifique. Vermorel souligne que les clients sont souvent influencés par l’assortiment global de 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 estime qu’elle peut être appliquée à un large éventail de problèmes non résolus dans diverses industries. Il donne l’exemple de la prévision de la demande dans le commerce de détail, où les programmes de fidélité et les données des clients peuvent offrir des informations précieuses sur les habitudes d’achat. Actuellement, il existe peu de solutions sur le marché qui exploitent 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 dans des conditions d’incertitude. Les méthodes d’optimisation traditionnelles ont souvent du mal avec les conditions stochastiques, ou aléatoires, ce qui a conduit à l’adoption d’approches simplifiées, telles que MRP (Material Requirements Planning) et DDMRP (Demand Driven MRP). Vermorel soutient que ces méthodes sont souvent insuffisantes et que la programmation différentiable peut fournir un moyen 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 de l’optimisation de la supply chain. En combinant l’apprentissage et l’optimisation, cette approche peut aider les entreprises à prendre des décisions plus éclairées qui tiennent compte de plusieurs facteurs et incertitudes. Bien que la programmation différentiable soit encore un domaine relativement nouveau, Vermorel estime qu’elle présente des promesses significatives pour améliorer la gestion de la supply chain et la prévision de la demande dans différentes industries.
Ils discutent du rôle de la programmation différentiable dans la résolution des défis de la supply chain et du potentiel de résolution de problèmes complexes, auparavant insolubles.
Vermorel explique que la programmation différentiable est un outil puissant pour relever les défis complexes de la supply chain. Les avancées technologiques ont permis l’optimisation de modèles avec 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 ayant de nombreux produits et magasins.
L’un des principaux défis auxquels la programmation différentiable contribue à répondre est le “problème méchant”. Ces problèmes surviennent lorsque des actions ont des conséquences de second ordre, par exemple lorsque des promotions dans une marque de mode incitent les clients à ne faire leurs achats qu’en période de soldes. Actuellement, aucun algorithme n’est capable de résoudre ces problèmes méchants, mais Vermorel estime que l’IA de niveau humain pourrait éventuellement être en mesure de les aborder.
Le succès récent de la programmation différentiable peut être attribué à une combinaison de progrès matériels et logiciels. Les progrès rapides de la puissance de traitement, associés aux avancées de l’efficacité algorithmique, ont permis l’optimisation de modèles avec des centaines de millions de paramètres. Vermorel estime que nous avons atteint un point de rendements décroissants en termes de puissance de traitement, et le principal défi réside désormais dans l’amélioration de l’expressivité et de l’adaptation de problèmes complexes à un cadre optimisable.
Pour les praticiens de la supply chain, la programmation différentiable offre la possibilité de briser les silos et d’optimiser conjointement des problèmes auparavant isolés. Cela pourrait représenter un énorme pas en avant en termes d’efficacité, ce qui obligerait les entreprises à repenser leurs structures organisationnelles. À mesure que les entreprises commencent à adopter la programmation différentiable, elles peuvent suivre l’exemple d’Amazon en brisant ces silos et en optimisant à travers les domaines.
La programmation différentiable a le potentiel de révolutionner l’optimisation de la supply chain en abordant des problèmes auparavant insolubles et en brisant les silos organisationnels. Avec les progrès matériels et logiciels, 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 légèrement nouveau de la programmation différentiable. Ce nouveau développement passionnant est le dernier descendant de l’apprentissage profond et a permis de résoudre une série de problèmes 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 la supply chain. Alors Joannes, nous parlons aujourd’hui de problèmes insolubles, ce qui semble assez difficile. Que voulons-nous dire par un problème insoluble ?
Joannes Vermorel: Ce que je veux dire en réalité, c’est un problème qui peut ne jamais avoir de solution, mais plutôt des problèmes qui n’ont pas encore de solution satisfaisante. C’est intéressant car dans les supply chains, tous les problèmes sont en quelque sorte résolus, vous savez. De toute évidence, les usines produisent et les gens apprécient les choses qu’ils peuvent acheter en magasin, donc la supply chain fonctionne réellement. Mais elle peut fonctionner avec des inefficacités significatives, et tant que vous n’avez pas vraiment compris cela, vous ne pouvez même pas voir à quel point elle est inefficace à plusieurs niveaux. Surtout lorsque vous commencez à penser à des variables d’ajustement que vous pouvez utiliser et qui ne sont pas traditionnellement utilisées par, je dirais, les responsables de la supply chain en général, comme la tarification, l’assortiment et toutes sortes de moyens de plier et de tordre la demande du marché pour la rapprocher de ce que vous proposez.
Kieran Chandler: D’accord, donc quels sont les défis auxquels nous sommes confrontés depuis quelques années maintenant ?
Joannes Vermorel: Cela dépend, car chaque secteur a son propre ensemble de problèmes difficiles et mal résolus. Prenons par exemple la mode. Dans la mode rapide ou la mode abordable, la demande est très sensible au prix. C’est pourquoi les gens se précipitent lors des soldes, car c’est le moment où vous pouvez avoir des prix très agressifs. De toute évidence, en raison de la popularité massive des soldes, il y a beaucoup de gens qui estiment que cela vaut la peine d’attendre des heures et d’aller dans des magasins surpeuplés pour bénéficier de ces prix. Donc, les gens veulent des vêtements et des choses qu’ils aiment, mais ils les veulent vraiment à un prix abordable. Cependant, pratiquement toutes les solutions de prévision 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’est tout. Alors qu’il est clair que lorsque vous mettez un produit sur le marché, il y a toute une stratégie de tarification qui est mise en œuvre. Si le produit ne se vend pas assez, vous déclencherez des soldes et des réductions pour liquider le stock et faire de la place pour la prochaine collection à venir. Donc, évidemment, si vous avez quelque chose qui, en termes d’organisation des processus et de technologie logicielle pour soutenir tout cela, traite la demande des clients et la tarification comme des choses complètement déconnectées, il y a évidemment un énorme fossé. Et c’est clairement un problème non résolu qui est une optimisation conjointe de la demande, des stocks et de la tarification en même temps.
Kieran Chandler: Alors comment aborde-t-on ces problèmes avec les méthodes existantes ? Je veux dire, pouvons-nous combiner les méthodes existantes pour obtenir quelque chose de satisfaisant ?
Joannes Vermorel: Non, la plupart des recettes qui ont été inventées historiquement ne se prêtaient pas à être combinées les unes aux autres. C’est un peu ce que S&OP a essayé de faire, mais au niveau humain. Donc laissons les gens discuter entre eux. Avec les humains, ça peut fonctionner car ils peuvent parler et leur sémantique peut s’aligner. Mais quand il s’agit d’automatisations logicielles, où DDMRP prend des décisions, WMS prend des décisions de stockage, et puis vous avez un complément sur votre PIM (gestion des informations sur les produits) qui contrôle le prix, tous ces systèmes ne se combinent pas.
Kieran Chandler: Vous savez, ils n’ont rien qui les connecte nativement, et même s’ils le font, ce n’est pas du tout clair. En considérant le genre de méthodes utilisées pour générer la décision, comme la décision de stockage ou d’achat d’un côté et la décision de tarification de l’autre côté, y a-t-il quelque chose que vous pourriez simplement construire au milieu pour concilier les décisions et les optimiser conjointement ?
Joannes Vermorel: Au fond, ces systèmes sont conçus avec une mentalité de division et conquête, où ce qui n’est pas dans le champ d’application est simplement ignoré. C’est ainsi que vous pouvez avoir des recettes qui sont aussi beaucoup plus simples. La programmation différentiable consiste en une optimisation duale qui prend en compte de nombreux problèmes différents et les réunit en un seul.
La programmation différentiable est conceptuellement liée à l’apprentissage profond, mais elle ne se concentre pas autant sur la précision des prévisions. C’est plutôt une perspective différente sur les choses. Les progrès récents en apprentissage profond ont surtout porté sur le côté apprentissage, avec d’énormes progrès en reconnaissance de motifs dans les images et en identification d’objets ou de personnes. C’est très cool, et les progrès ont été significatifs.
Cependant, il y avait aussi un autre aspect où l’apprentissage profond a débloqué de nombreux résultats formidables, qui était l’optimisation numérique. La raison pour laquelle nous avons réussi à reconnaître des motifs d’images complexes avec plus de précision est que nous avions des modèles beaucoup plus complexes, avec beaucoup plus de paramètres, dans les dizaines de millions. Pour même 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 nous parlons de millions de paramètres à optimiser.
L’apprentissage profond et les technologies d’IA ont apporté une série de percées en matière d’optimisation à grande échelle, ce qui a rendu possible bon nombre des percées du côté apprentissage. La programmation différentiable provient d’une perspective différente. Ce qui est intéressant, c’est à la fois l’aspect apprentissage et les outils numériques pour réaliser une optimisation à grande échelle. Parfois, ce que vous voulez, c’est un mélange d’apprentissage et d’optimisation.
Dans la supply chain, vous ne voulez pas autant apprendre sur la demande future, mais plutôt prendre la bonne décision optimisée dans des conditions futures incertaines, comme combien d’unités acheter si le fournisseur propose un certain prix. Une fois que vous avez acquis les unités, quand devez-vous décider de faire une remise sur un produit spécifique ? Il s’agit à la fois d’apprendre la demande future et d’optimiser les variables où vous avez beaucoup de liberté.
Dans le cas de la mode, pour un produit, un prix et un stock, la réalité est que les clients ne viennent pas dans un magasin pour un produit. Ils ont des besoins, des souhaits et des désirs, et ils regardent finalement l’assortiment. Si vous commencez à réfléchir aux décisions pour un produit à la fois, vous passez à côté du sujet. C’est pourquoi toutes ces marques ont besoin de collections, car elles ont besoin d’un large assortiment 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 bien ?
Joannes Vermorel: La pile technologique est assez nouvelle, et avec la programmation différentiable, je ne dirais pas qu’il existe une routine bien établie où cela fonctionne très bien. Ce que je veux dire, c’est qu’il y a tellement d’opportunités à explorer dans ce domaine.
Kieran Chandler: De nombreux problèmes sont observés dans diverses industries. Lors d’une discussion précédente, nous avons parlé des limites de la planification des besoins en matériel (MRP) et de la façon dont le DDMRP est essentiellement un correctif pour les systèmes MRP assez défaillants. Mais quel est le problème non résolu dans ce domaine ?
Joannes Vermorel: Le problème non résolu est l’optimisation en présence d’incertitude. Lorsque vous effectuez une optimisation comme la résolution d’une énigme avec un avenir statique et immobile et que vous appliquez toutes vos contraintes, ce genre de choses a été résolu depuis les années 1980. Cependant, lorsque vous introduisez un degré élevé d’aléatoire, c’est un problème complètement différent. Tous les optimiseurs numériques que nous avons s’effondrent, et c’est pourquoi les gens se rabattent sur des recettes super simplistes avec des points de découplage et des articles découplés. Le MRP est une conséquence d’un manque d’outils appropriés pour résoudre réellement le problème.
Kieran Chandler: Pouvez-vous nous donner un autre exemple où les industries passent complètement à côté du sujet ?
Joannes Vermorel: Bien sûr. Lorsque vous pensez en termes de prévision de la demande, chaque unité vendue est liée à un client. De nos jours, grâce aux programmes de fidélité, presque toutes les chaînes de vente au détail et les plateformes de commerce électronique peuvent identifier leurs clients et savoir exactement qui a acheté quoi à quel moment, dans quelles conditions et quels produits étaient présents. Ils savent que le choix d’un client était limité à ce qui était disponible à ce moment-là. Il y a beaucoup d’informations ici, comme l’assortiment au moment de la décision d’achat et l’identité des clients qui ont un historique d’achat. Cependant, je constate qu’il n’y a presque aucune solution sur le marché qui utilise ces données. C’est une déconnexion claire et un énorme potentiel qui n’est pas du tout exploité.
Kieran Chandler: Quels sont les véritables défis dans les chaînes d’approvisionnement que la programmation différentiable ne parvient même pas à effleurer ?
Joannes Vermorel: Il y a des problèmes complexes qui ne seront probablement pas résolus avant l’avènement de l’intelligence artificielle forte, ou de l’intelligence de niveau humain. Ces problèmes complexes consistent à réfléchir aux conséquences de vos actions au deuxième ordre. Par exemple, lorsque vous faites des promotions pour une marque de mode, vous faites deux choses : liquider votre stock, ce qui est bien, et peut être optimisé avec la programmation différentiable ; mais vous devez également réfléchir aux conséquences de vos actions dès le début lorsque vous passez une commande.
Kieran Chandler: Vous fournissez vos premières unités, d’accord, c’est bien. Mais ensuite, quelles sont les conséquences au deuxième ordre ? Le fait que lorsque vous faites des promotions, lorsque vous faites des soldes, vous entraînez en réalité votre base de clients à ne faire leurs achats que dans votre magasin, vos chaînes ou votre e-commerce uniquement lorsqu’il y a une promotion. Et il peut y avoir une dérive qui se produit depuis plus d’une décennie, où vous passez de personnes qui achètent très volontiers tout le temps à la plupart de vos clients qui n’achètent maintenant que pendant les soldes.
Joannes Vermorel: C’est comme une prophétie auto-réalisatrice, et clairement en ce moment. C’est pourquoi on l’appelle un “problème complexe”. Vous pouvez consulter la page Wikipedia. Fondamentalement, le composant est que nous ne traitons pas avec des automates. Vos clients ne sont pas automatisés ; ils sont intelligents et ils s’adaptent. Donc fondamentalement, vous devez réfléchir au fait que lorsque vous faites quelque chose, les gens vont réfléchir et s’adapter à ce que vous faites. C’est ce que j’appelle ces conséquences au deuxième ordre.
Lorsque les gens savent que vous allez faire quelque chose, ils ont des attentes et ils basent leurs actions sur ce qu’ils pensent de vous. C’est une récursion, et c’est quelque chose de très humain que les humains sont en réalité assez doués pour faire. Ce sont toutes ces conséquences complexes.
Par exemple, disons que vous êtes un fabricant de voitures. Vous améliorez la chaîne d’approvisionnement pour la distribution des pièces de voiture et pour votre propre réseau de garages. Votre garage devient tellement performant que vous aliénez en réalité vos partenaires historiques sur le marché. Donc vous faites une optimisation d’un côté et ensuite vous contrariez des partenaires importants qui étaient vos partenaires historiques. Devriez-vous renoncer à optimiser votre chaîne d’approvisionnement juste pour garder vos partenaires heureux ? Peut-être, peut-être pas. Encore une fois, c’est une sorte de problème complexe qui est complètement au-delà des capacités de n’importe quel algorithme que je connais, même les trucs d’IA les plus sophistiqués que vous lisez dans la presse sont loin de pouvoir résoudre ce genre de problème complexe.
Kieran Chandler: Il semble que ces problèmes complexes sont probablement un problème pour la programmation différentiable de demain et Skynet, pas 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 qui a rendu possible les progrès de la programmation différentiable ?
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 qui peuvent avoir cent millions de paramètres. C’est ce que vous obtenez avec les techniques modernes d’apprentissage profond, notamment à des fins d’optimisation dans les contextes de programmation profonde et différentiable. C’est un changement de paradigme car le défi avec bon nombre des clients dont nous discutons est que, sauf s’ils sont vraiment de petites entreprises, ils ont des problèmes qui sont en quelque sorte à grande échelle. 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, nous parlons d’environ un demi-million d’unités de gestion des stocks (SKU), donc c’est comme un demi-million de variables pour les décisions de tarification et de stock chaque jour.
Ce qui a changé, c’est lorsque nous sommes passés de la capacité à optimiser des problèmes avec quelques centaines de variables à des millions. Soudainement, cela a rendu visible la résolution de nombreux problèmes qui étaient auparavant invisibles. De manière intéressante, avec l’apprentissage profond, il s’agissait d’une combinaison de progrès matériels et de progrès logiciels. L’IA progresse toujours rapidement, et les meilleurs processeurs avec plus de cœurs et plus de puissance de traitement brute progressent également relativement rapidement. Mais en plus de cela, ce qui est encore plus rapide, ce sont une série de percées où vous aviez un matériel qui vous donnait 10 unités de puissance de traitement dans deux ans.
Kieran Chandler: Peut-être que nous aurons 20 unités ou peut-être que cela se produira dans 3 ans, d’accord, c’est une progression exponentielle agréable sur une période de, disons, trois ans ou quelque chose comme ça. Mais si tous les six mois, vous avez des percées logicielles ou mathématiques qui doublent l’efficacité de l’algorithme que vous avez, alors votre progression est nettement plus rapide. C’est exactement ce qui s’est passé avec l’apprentissage profond. Il y a eu un progrès constant du matériel, mais il a été complètement amplifié par une série de percées qui étaient plus du côté algorithmique et mathématique, où vous aviez littéralement deux fois plus de puissance de calcul avec le même matériel. L’accélération s’est produite 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 une décennie. Je veux dire, pas exactement, mais cela vous donne une idée. 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 également. Est-ce que cette croissance va se poursuivre ou est-ce quelque chose qui grandit autant qu’il le faut ?
Joannes Vermorel: À ce stade, je pense que nous avons atteint le point de rendements décroissants. La plupart des problèmes auxquels nous sommes confrontés ne sont pas dus à un manque de puissance de traitement ; nous avons une puissance de traitement excessive. Nous n’avons pas de problèmes où nous disons, si la puissance de traitement 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 traitement pour obtenir un petit avantage, c’est généralement extrêmement marginal. Vous pouvez obtenir une précision supplémentaire de quelques 0,2 pour cent en investissant dix fois plus de CPU, mais cela ne vaut tout simplement pas la peine. Il vaut mieux repenser l’ensemble. Je pense que le principal défi réside maintenant dans le genre d’expressivité, comment vous faites en sorte que ces problèmes s’inscrivent dans un cadre. La programmation différentiable n’est pas l’opposé ; elle vise à cibler une expressivité maximale afin que vous puissiez avoir beaucoup de choses qui étaient jusqu’à présent des problèmes ouverts, qui se retrouvent simplement dans le domaine des choses que vous pouvez faire avec la programmation différentiable.
Kieran Chandler: Commençons donc à rassembler les choses, et en ce qui concerne la programmation différentiable, qu’est-ce que cela signifie pour le praticien de la supply chain ? Quels sont les avantages qu’il est susceptible de voir grâce à cela, et comment cela va-t-il changer sa façon d’aborder les choses actuellement ?
Joannes Vermorel: La programmation différentiable représentera un énorme pas en avant pour se débarrasser des silos. Nous avons réalisé un épisode, je pense que c’était il y a 20 épisodes, sur tous ces silos où nous avions des silos verticaux et horizontaux. La réalité est que je disais que nous devrions simplement nous débarrasser de ces silos, mais en réalité, les gens pourraient s’y opposer. Oui, cela a du sens car il y a évidemment des inefficacités inexploitées qui pourraient être simplement supprimées et optimisées si nous sommes capables de le faire, mais la technologie n’est tout simplement pas là. Donc pour l’instant, nous sommes coincés avec nos silos simplement à cause d’un manque d’alternative. Je crois que la programmation différentiable ouvre concrètement la porte à la réflexion sur la tarification conjointe plus l’assortiment ou le traitement de l’assortiment ou la tarification de l’assortiment ou l’achat plus la tarification. Vous pouvez voir 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 la façon dont ces entreprises sont organisées car ces anciens silos ne survivront pas dans ce nouveau monde lorsque les entreprises commenceront à adopter la méthode d’Amazon en démantelant ces silos et en optimisant ces domaines de manière transversale.
Kieran Chandler: Génial, merci pour votre temps aujourd’hui. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi,
