Excerpt: La plupart des échecs de l'IA en entrepôt ne sont pas des échecs d'algorithme. Ce sont des échecs de qualité des données d'IA en entrepôt : codes produit en double, enregistrements d'emplacements qui ne correspondent plus à la réalité, et unités que personne n'a standardisées. Cet article explique comment nettoyer les données de référence avant l'automatisation, et pourquoi l'ordre compte.

Au cours des deux dernières années, presque tous les entrepôts que j'ai visités avaient une histoire d'IA à raconter, et le schéma des cas ratés est remarquablement constant. Quand un projet tourne mal, on blâme l'algorithme : la prévision était fausse, la recommandation n'avait aucun sens, le système devenait de plus en plus chaotique à mesure qu'on l'utilisait. Pourtant, plus j'écoute, plus je soupçonne qu'une grande part de la responsabilité se situe ailleurs. Un modèle ne connaît pas votre entrepôt. Il ne connaît que les données que vous lui fournissez. C'est pourquoi la qualité des données d'IA en entrepôt, et non le choix du modèle, est généralement la véritable histoire derrière un déploiement raté. Quand ces données sont sales, chaque conclusion produite par le modèle porte la marque de cette saleté, et plus il calcule vite et plus le tableau de bord est beau, plus il se trompe avec assurance.

La qualité des données d'IA en entrepôt commence par les données de référence, pas par le modèle

Voici un jugement qui va à l'encontre de l'instinct habituel : plus vos données sont sales, moins vous devriez vous précipiter vers un algorithme plus intelligent. Beaucoup de responsables supposent qu'un modèle assez malin corrigera tout seul les mauvaises données. En pratique, c'est l'inverse qui se produit. Un modèle performant est doué pour trouver des motifs dans les données, et il apprendra les motifs présents dans les données sales avec tout autant de zèle, avant de les présenter avec des scores de confiance élevés. Des problèmes qu'un planificateur humain aurait peut-être repérés à l'instinct arrivent désormais enveloppés dans l'autorité d'un chiffre généré par machine, et personne n'ose les remettre en question. Les problèmes de données de référence ne disparaissent pas avec l'arrivée de l'IA. Ils passent d'erreurs occasionnelles à des erreurs systématiques, et les erreurs systématiques se ressemblent toutes, ce qui les rend plus difficiles, et non plus faciles, à repérer.

Dans les projets que j'ai suivis, les données de référence sales retombent toujours dans les mêmes quelques catégories : des codes qui ne sont pas uniques, des enregistrements d'emplacements qui ne correspondent plus au terrain, et des unités et codes-barres qui n'ont jamais été standardisés. Chacun ressemble à un petit défaut pris isolément. Injectés ensemble dans un modèle, ils totalisent un désastre.

Trois entrepôts, trois types de données de référence sales

À l'automne 2023, un entrepôt tiers dans le Zhejiang qui traite de petits appareils électroménagers a activé un modèle de prévision de réapprovisionnement. Chaque jour, le système recommandait consciencieusement de réapprovisionner une bouilloire électrique donnée, et les ordres de réapprovisionnement semblaient parfaitement professionnels. Sur le terrain, pourtant, personne ne trouvait le stock. Il a fallu deux semaines de recherche pour en trouver la cause : un produit existait dans le système sous trois codes différents. Les achats en avaient créé un, l'équipe e-commerce en avait créé un autre pour se connecter à une plateforme de vente, et l'entrepôt lui-même en avait ajouté un troisième lors d'un inventaire qui ne s'était pas réconcilié. Chaque code portait son propre enregistrement de stock. Le modèle a additionné les trois et conclu que le stock était abondant, alors qu'en réalité un seul code détenait des marchandises vendables. L'entrepôt a connu une rupture de stock pendant trois jours en pleine haute saison, le client a facturé des pénalités prévues au contrat, et l'équipe projet a fini par éteindre le modèle. Le modèle n'a jamais été le problème.

Au printemps 2024, un entrepôt dans le Guangdong a déployé l'optimisation du picking par vagues, le modèle recommandant des plans de chargement basés sur les dimensions des emplacements. Il a calculé qu'un camion pouvait prendre quarante cartons. Les chauffeurs ont fini par attendre au quai plus de deux heures pendant que l'équipe découvrait que seuls vingt-huit cartons tenaient réellement. La longueur, la largeur et la hauteur des données de référence des emplacements avaient été mesurées à la main trois ans plus tôt, et personne ne les avait mises à jour après le changement des emballages et des palettes. Le modèle a serré son plan au maximum contre des dimensions périmées, et la réalité a débordé dès le premier chargement. À partir de ce jour, le personnel de terrain a cessé de faire confiance aux conseils de chargement du système, et le projet d'optimisation n'a plus existé que sur le papier.

Un troisième entrepôt avait le désordre de codes-barres le plus révélateur. Les codes-barres fournisseurs, les codes internes et les codes de plateformes étaient utilisés indifféremment, si bien qu'environ trois scans sur dix nécessitaient une intervention manuelle. Quand l'inspection visuelle par IA a été ajoutée, le taux de fausses alarmes est resté obstinément élevé, et après deux mois de réglage des paramètres, les ingénieurs ont admis la vérité : les caméras et l'algorithme allaient bien, mais les données de référence contenaient deux images de référence différentes pour le même produit, donc la machine ne pouvait jamais obtenir une correspondance nette.

Faites les comptes avant de nettoyer quoi que ce soit

Beaucoup de propriétaires grimacent quand ils entendent les mots gouvernance des données, car cela sonne comme un gouffre financier sans fin. Ma suggestion est de faire d'abord les comptes, et de faire les deux côtés du bilan :

| Tâche | Coût du nettoyage | Coût de ne pas nettoyer | | Rendre les codes produit uniques | Deux ou trois personnes pendant environ deux semaines de vérification et de fusion | Erreurs de prévision systématiques et pénalités de rupture de stock en haute saison | | Réconcilier les emplacements avec le terrain | Un inventaire complet plus des contrôles ponctuels de routine | Conseils de chargement et de picking qui restent faux jusqu'à ce que le personnel cesse de croire au système | | Standardiser les unités et les codes-barres | S'accorder sur des règles et nettoyer les documents historiques | Interventions de scan et fausses alarmes d'inspection, avec des contournements manuels qui s'accumulent |

Selon les retours d'expérience de ces entrepôts, le coût du nettoyage représente généralement une fraction de ce que coûte la reprise d'un modèle raté. Le coût de ne pas nettoyer s'accumule chaque mois, car chaque mauvaise décision entame la confiance du terrain dans le système. Une fois cette confiance perdue, un projet d'IA n'a pas échoué techniquement. Il a échoué organisationnellement. Autrement dit, le travail de qualité des données d'IA en entrepôt est une ligne budgétaire qui se rentabilise toute seule, tandis que l'omettre facture des intérêts chaque mois.

La séquence compte autant que le travail lui-même. Mon jugement, fondé sur ces cas, est que les données de référence viennent d'abord, les données transactionnelles ensuite, et le choix du modèle en dernier. Les données de référence sont le registre de l'entrepôt : si le registre est faux, chaque document construit dessus hérite de l'erreur.

La norme du propre peut se réduire à trois tests. Sur l'identité, un produit reçoit exactement un code, et tout code excédentaire doit être fusionné, gelé et reconnu de façon cohérente dans tous les systèmes. Sur les emplacements, l'enregistrement doit correspondre au terrain, avec des dimensions, une capacité de charge et une disponibilité mesurées plutôt que supposées, et certainement pas mesurées une fois puis crues pendant trois ans. Sur les unités et les codes-barres, la conversion entre unités de réception, unités de stockage et unités d'expédition doit être écrite dans le système, les règles de codes-barres doivent être uniformes dans tout l'entrepôt, et un envoi fournisseur avec la mauvaise étiquette doit être arrêté à la réception au lieu d'être reconnu à la main plus tard.

Si les trois tests passent, alors parlons de choix d'algorithme. Si l'un d'eux échoue, le budget est mieux employé à nettoyer d'abord. Ce n'est pas de la prudence pour elle-même. C'est ce que l'arithmétique indique.

Une tendance à surveiller : la qualité des données comme nouvelle porte d'entrée

En regardant deux ou trois ans devant, je formulerais un jugement étayé par des preuves : la qualité des données de référence devient le ticket d'entrée des projets d'IA en entrepôt. Les algorithmes et la puissance de calcul continuent de devenir moins chers, tandis que des données propres, fiables et définies de façon cohérente deviennent plus rares et donc plus précieuses. Les clients qui auditent un entrepôt, les plateformes qui intègrent un vendeur et les fournisseurs d'automatisation qui évaluent un site demanderont de plus en plus d'abord une chose : vos données de référence peuvent-elles résister à un examen ? En bref, la qualité des données d'IA en entrepôt passe d'une corvée de back-office à un argument de vente.

La question que je laisserais donc à tout entrepôt qui cherche aujourd'hui une IA est simple. Seriez-vous prêt à publier votre bilan de santé de vos données de référence ? Si la réponse honnête est non, la réponse à la question plus large est déjà claire. L'IA peut attendre. Nettoyer les données ne le peut pas.

Par Dr. Chen, Chercheur en supply chain

Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.