TIRER PARTI DE L'IA EXPLICABLE POUR AMÉLIORER LES PRÉVISIONS DE LA CHAÎNE D'APPROVISIONNEMENT

LEVERAGING EXPLAINABLE AI FOR ENHANCED SUPPLY CHAIN PREDICTIONS

• Auteur / Autrice : Guillermo Martin
• Direction : Christophe Giraud, Olga Klopp
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques d'Orsay
• Partenaire(s) de recherche : Equipe de recherche : Probabilités et statistiques (LMO)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Statistiques

Apprentissage automatique

Ia

Statistics

Machine Learning

Ai

Résumé

Dans les environnements dynamiques de la chaîne d'approvisionnement d'aujourd'hui, il est primordial de prévoir avec précision la demande et d'optimiser les processus de distribution. Cette thèse cherche à étudier et à relever les défis multiples associés aux prévisions de la chaîne d'approvisionnement, en se concentrant sur deux dimensions principales : la complexité et la soutenabilité. En abordant les complexités découlant des connexions complexes de la chaîne d'approvisionnement et de l'influence des facteurs sociaux et environnementaux, l'étude contribuera à une gestion de la chaîne d'approvisionnement plus résiliente et plus efficace. En outre, elle examinera des approches permettant d'atténuer les risques d'une dépendance excessive à l'égard des modèles d'IA et de réduire les biais algorithmiques, permettant à terme l'adoption responsable de l'IA dans la prévision de la demande au sein de la chaîne d'approvisionnement. Ce projet de recherche abordera à la fois les aspects théoriques et pratiques de la gestion de la chaîne d'approvisionnement. Il fournira un cadre holistique qui exploite le modèle NAR, GNNs et les techniques avancées d'apprentissage automatique pour améliorer la précision des prévisions de la demande et optimiser les processus de distribution dans les chaînes d'approvisionnement. Notre objectif est de rendre les résultats de cette recherche pertinents et applicables aux scénarios réels de chaîne d'approvisionnement. En particulier, nous rechercherons des informations sur les facteurs qui déterminent les prévisions, rendant les prévisions plus transparentes et exploitables et facilitant une prise de décision plus éclairée dans la gestion de la chaîne d'approvisionnement.

In today's dynamic supply chain environments, achieving accurate demand forecasting and optimizing distribution processes are of paramount importance. The proposed Ph.D. thesis seeks to investigate and address the multifaceted challenges associated with supply chain predictions, focusing on two core dimensions: complexity and sustainability. By addressing the complexities arising from intricate supply chain connections and the influence of social and environmental factors, the study will contribute to more resilient and efficient supply chain management. Furthermore, it will examine approaches to mitigate the risks of over-reliance on AI models and reduce algorithmic bias, ultimately enabling the responsible adoption of AI in demand forecasting within the supply chain. This research project will address both theoretical and practical aspects of supply chain management. It will provide a holistic framework that leverages the NAR model, GNNs, and advanced machine learning techniques to improve demand forecasting accuracy and optimize distribution processes in supply chains. We aim to make the results of this research relevant and applicable to real-world supply chain scenarios. In particular, we will be looking for insights into the factors driving the forecasts making the predictions more transparent and actionable and facilitate more informed decision-making in supply chain management.