Méthodologie du modèle ouvert pour la conception d’un système d’aide à la décision stratégique : le cas de la logistique urbaine

Open model methodology for the design of a decision support system : the case of city logistics

• Auteur / Autrice : Arthur Gaudron
• Direction : Arnaud de La Fortelle
• Type : Thèse de doctorat
• Discipline(s) : Informatique temps réel, robotique, automatique
• Date : Soutenance le 01/07/2020
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Centre de robotique (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Laetitia Dablanc
• Jury : Examinateurs / Examinatrices : Arnaud de La Fortelle, Éric Ballot, Hélène Wiedemann, Milena Janjevic
• Jury : Rapporteurs / Rapporteuses : Olivier Péton, Jesus González Feliu

Mots clés

Mots clés contrôlés

Simulation par ordinateur

Apprentissage automatique

Intelligence artificielle

Logistique urbaine

Systèmes d'aide à la décision

Mots clés libres

Aide à la décision

Simulation interactive

Intelligence artificielle

Logistique urbaine

Decision support system

Interactive simulation

Articifial intelligence

City logistics

Résumé

Le transport de marchandises, ou logistique urbaine, est un système complexe tant par la diversité de ses parties prenantes (ville, transporteurs, commerçants, etc.) que par l’intrication de leurs interactions. Chacun de ces acteurs a des objectifs qui lui sont propres mais dont les effets des décisions pour y parvenir se répercutent à un niveau global. Piloter cette activité représente donc un réel défi : non seulement modéliser précisément le système – passé ou présent – pose de réelles difficultés (en termes de complexité et des données nécessaires), mais cette modélisation ne permet que difficilement d’augurer des effets des décisions prises sur celui-ci. Son pilotage demande la capacité de projeter et se représenter les effets de décisions, non-encore observées, sur celui-ci. Pour que les décisions de la logistique urbaine soient pertinentes, elles doivent s’appuyer sur des modèles qui devront intégrer une vision plus fine de l’activité, au niveau microscopique, c’est-à-dire des opérations, vers un niveau macroscopique qui primait jusque-là. Pour cela, nous proposons donc de nous appuyer sur des outils de simulation mathématique qui ont pour objectif de simuler les effets macroscopiques de différentes décisions (p. ex. interdiction de certaines motorisations), en prenant en compte les interactions microscopiques de la logistique comme la prévisible modification d’une organisation logistique et l’impact sur les indicateurs associés (p. ex. le niveau de pollution d’une rue ou le coût de la livraison). C’est pourquoi nous proposons la « méthodologie du modèle ouvert » dont l’objectif est de concevoir et valider un modèle qui pourra être utilisé par les acteurs de la logistique urbaine lors de leur prise de décision stratégique. Au cœur de cette méthodologie se tient la question de l’intégration du savoir expert dans un modèle de simulation. Une telle question agite la communauté scientifique au moins depuis la création de l’IA comme discipline : d’abord avec les systèmes experts, dont l’échec est lié à l’impossibilité de mécaniser le savoir expert ; à présent avec les avancées extrêmement prometteuses de l’apprentissage automatique, qui entre autres tentent d’apprendre par des données les raisonnements des experts, mais dont les modèles se heurtent à des problèmes de disponibilité de la donnée, de validation et d’explicabilité. Nous pensons que cette méthodologie permet de réconcilier la science des données et les sciences de gestion de manière à ce que dans des environnements complexes, la décision puisse être assistée par des simulations qui permettent de plus précisément maîtriser cette complexité. De plus, en supposant une certaine disponibilité de la donnée, et la volonté de la mise en place d’un pilotage data-driven (donc plus automatisé), ce modèle pourrait servir comme une première base de validation de modèles plus complexes d’apprentissage automatique.

The transportation of goods, or city logistics, is a complex system as much by the diversity of its stakeholders (city, transporters, traders, etc.) as by the entanglement of their interactions. Each of these actors has its own objectives, but the effects of decisions to achieve them have repercussions on a global level. Piloting this activity therefore represents a real challenge: not only precisely modeling the system - past or present - poses real difficulties (in terms of complexity and of the data required), but this modeling makes it difficult to predict the effects of the decisions taken on this one. Its management requires the ability to project and represent the effects of decisions, not yet observed, on it. Relevant city logistics decisions must be based on models which must integrate a more detailed vision of activity, at the microscopic level, that is to say operations, towards a macroscopic level which prevailed until then. To do this, we therefore propose to rely on mathematical simulation tools which aim to simulate the macroscopic effects of different decisions (e.g. prohibition of certain engines) by considering microscopic interactions of logistics such as foreseeable change in a logistics organization and the impact on associated indicators (e.g., the level of pollution on a street or the cost of delivery). This is why we are proposing the "open model methodology", the objective is to design and validate a model that can be used by actors in city logistics when making strategic decisions. At the heart of this methodology is the question of integrating expert knowledge into a simulation model. Such a question has agitated the scientific community at least since the creation of AI as a discipline: first with expert systems, whose failure is linked to the impossibility of mechanizing expert knowledge; now with the extremely promising advances in machine learning, which among other things attempt to learn from experts reasoning, but whose models face problems of data availability, validation and explainability. We believe that this methodology makes it possible to reconcile data science and management science so that in complex environments, the decision can be assisted by simulations which allow to master more precisely this complexity. In addition, assuming a certain availability of data, and the desire to set up a data-driven piloting (therefore more automated), this model could serve as a first basis for validating more complex machine learning models.