Commençons par la conclusion : la préparation des données pour l'IA est l'endroit où la plupart des projets d'IA en entrepôt se gagnent ou se perdent, et cela n'a presque rien à voir avec le choix d'un modèle. Sur plus de 30 mises en service de WMS que j'ai dirigées, le même schéma se répète. Une équipe dépense son budget dans une démonstration de l'algorithme, puis branche les données de production et découvre que la moitié des codes d'emplacement ne correspondent pas, que les comptages d'inventaire ne concordent pas avec les livres, et que deux commandes historiques sur dix manquent de champs essentiels. Le modèle n'a pas tort. Il n'a simplement rien de solide sur quoi s'appuyer.

À l'automne 2024, j'étais sur site dans un entrepôt 3PL de l'est de la Chine. Le client voulait des suggestions de réapprovisionnement par IA, et la démonstration avait l'air très bien. Au moment où nous avons connecté les données réelles, tout s'est effondré : le même produit portait trois codes différents dans trois systèmes, la moitié des enregistrements de picking n'avait aucune information d'emplacement, et un cinquième des commandes sortantes des six derniers mois manquait de données de poids. Nous avons arrêté le projet pendant six semaines juste pour corriger les données. J'ai vu cet échec exact trois fois maintenant, et le scénario est toujours le même. Le côté métier veut voir des résultats vite, le côté technique veut faire une démonstration vite, et la préparation des données est traitée comme quelque chose à faire à côté. Les tâches annexes reviennent toujours se faire payer double.

La préparation des données pour l'IA recouvre trois types de données différents

La préparation des données pour l'IA recouvre trois types de données, et les confondre est la façon dont les équipes perdent des semaines. Le premier, ce sont les données de référence : produits, emplacements, fournisseurs, clients. Les données de référence, c'est l'unicité. Un produit reçoit un code et un nom. Un emplacement reçoit une coordonnée et un statut. Quand les données de référence sont sales, chaque jugement que porte l'IA repose sur une fondation fausse. Le contrôle est simple : exportez la table des produits et dédupliquez-la séparément par nom, par spécification et par code-barres. Fusionnez les doublons avant de faire quoi que ce soit d'autre.

Le deuxième type, ce sont les données transactionnelles : bons de réception, bons d'expédition, bons de transfert, feuilles de comptage. C'est le seul manuel dont dispose l'IA pour apprendre comment un entrepôt fonctionne vraiment. Les données transactionnelles, c'est l'exhaustivité. Une commande sans horodatage n'a jamais eu lieu. Un enregistrement de picking sans emplacement n'a pas de trajet. Ma méthode, c'est l'échantillonnage mensuel : tirer 100 commandes au hasard chaque mois et suivre chacune de bout en bout. Si le taux de champs manquants dépasse un sur dix, les données de ce mois-là restent hors du jeu d'entraînement.

Le troisième type, ce sont les données d'état : instantanés d'inventaire, occupation des emplacements, état des équipements. Les données d'état, c'est la fraîcheur. L'IA a besoin de l'entrepôt tel qu'il est en ce moment, pas tel qu'il était le mois dernier. Beaucoup d'entrepôts actualisent les instantanés d'inventaire une fois par nuit dans un traitement par lots, si bien que les changements faits dans la journée n'apparaissent que le lendemain. Les recommandations construites sur ce type de données arrivent après que les marchandises ont déjà bougé.

Chaque type de données se salit à sa façon. Les données de référence se désordonnent, les données transactionnelles se perdent, les données d'état deviennent périmées. Les nettoyer avec un seul processus unique revient à ne pas les nettoyer du tout.

L'ordre compte, et le prendre à l'envers est l'erreur classique

Le bon ordre, c'est d'abord les données de référence, puis les données transactionnelles, puis les données d'état. Les données de référence sont le dictionnaire. Si le dictionnaire est faux, chaque traduction qui suit est fausse. J'ai vu un projet passer trois semaines à nettoyer des commandes historiques, pour découvrir ensuite que le schéma de codification des produits avait changé deux fois et que la moitié des codes de ces commandes étaient déjà retirés. Trois semaines perdues.

Qu'est-ce qui compte comme « terminé » pour les données de référence ? Ma liste de contrôle de mise en service comporte trois portes strictes : les codes produits sont uniques à cent pour cent, les codes d'emplacement correspondent un pour un aux emplacements physiques, et les noms des fournisseurs et des clients sont dédupliqués. Si ces portes ne sont pas franchies, n'allez pas plus loin. Aller plus loin ne fait qu'accumuler des intérêts sur le retravail.

Pour les données transactionnelles, il y a un raccourci : n'essayez pas de nettoyer tout l'historique. Prenez la période continue la plus récente de données de bonne qualité, disons les trois derniers mois, et exigez qu'elle soit complète et cohérente. L'IA apprend des schémas, pas de l'archéologie. Trois mois de données propres valent mieux que deux ans d'historique à moitié sale.

Les données d'état sont les plus difficiles, parce que le test n'est pas un nettoyage ponctuel mais une capacité durable. Avant la mise en service, posez une question : un changement d'inventaire peut-il apparaître dans le système dans l'heure qui suit ? Sinon, les suggestions de l'IA auront toujours un temps de retard. Aucun déploiement d'IA ne corrige cet écart. Il ne fait qu'habiller le décalage.

Faisons le calcul : ce que vous fait gagner la préparation des données pour l'IA

Prenons un entrepôt de taille moyenne comme exemple : 500 commandes par jour, trois lignes par commande en moyenne. Cela fait 45,000 lignes transactionnelles par mois. Avec un taux de champs manquants d'un sur dix, cela signifie 4,500 enregistrements défectueux chaque mois, et plus de 50,000 en un an. Une fois l'IA en service et qu'elle commence à donner des suggestions étranges, corriger ces 50,000 lignes coûte plusieurs fois ce que cela aurait coûté avant la mise en service, parce que l'activité tourne déjà sur les données sales et ne peut pas s'arrêter.

La préparation des données mérite donc sa propre ligne budgétaire et son propre calendrier. D'après mon expérience, elle devrait prendre au moins un tiers de tout le calendrier du projet d'IA. Moins que cela, et le projet risque de revenir pour du retravail dans les deux mois suivant la mise en service. Les managers froncent souvent les sourcils devant ce ratio parce que la préparation des données ne produit rien de visible. C'est vrai, et c'est aussi ce qui décide si tout ce qui suit est réel.

Voici un jugement contre-intuitif : plus de données ne sont pas de meilleures données. Beaucoup d'entrepôts commencent par « nous avons cinq ans d'historique », ce qui sonne riche. Ouvrez-le et vous trouvez deux changements de système, trois révisions des règles de codification, et six mois de registres manuels entre les deux. Cinq ans comme cela valent moins que trois mois de données cohérentes. L'IA n'a pas peur des petites données. Elle a peur des données qui se contredisent.

Il y a aussi un problème de propriété qu'on ignore. Le côté métier pense que les données sont un travail technique, le côté technique pense que c'est un travail métier, et au final personne n'en est propriétaire. À chaque lancement de projet, je l'écris : le métier est propriétaire des données de référence, les opérations sont propriétaires de l'exhaustivité transactionnelle, et l'équipe système est propriétaire de la fraîcheur des états. Trois propriétaires, un contrôle hebdomadaire des comptages. Une propriété floue finit toujours en registre désordonné.

Deux autres points de défaillance que je continue de voir. L'un est un changement de règle de codification que personne n'annonce. Un code produit gagne un chiffre, un schéma de codes-barres change, et l'IA continue de reconnaître les marchandises selon les anciennes règles. Chaque changement de règle va dans le journal des modifications et à toutes les parties prenantes le jour même, pas seulement un message dans un petit groupe de discussion. L'autre est le mélange des données de test avec les données de production. Les commandes de test, les commandes de formation et les commandes d'exercice mélangées dans les transactions apprennent à l'IA des schémas qui ne se sont jamais produits. Éliminez-les avant la mise en service et gardez un environnement de test séparé. Partager un environnement pour économiser des efforts est une fausse économie.

Ma liste de contrôle de mise en service se termine toujours par la même ligne : trouvez un préparateur de première ligne, montrez-lui une suggestion de l'IA et demandez-lui : « Est-ce que cela ressemble à notre entrepôt ? » S'il acquiesce, la préparation des données est terminée. S'il secoue la tête, retournez-y et continuez à nettoyer. Le modèle ne vous dira jamais que les données sont sales. Seules les personnes sur le terrain le peuvent.

Par Lin Xiao, Consultant en mise en œuvre de WMS Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.