L'efficacité est primordiale dans le secteur des entrepôts, où l'on s'attend à des commandes rapides et à des expéditions en un jour. Pour répondre à ce besoin croissant, une société d'entreposage innovante a été créée. Attabotics Inc. utilise une solution de haute technologie : des navettes robotisées qui circulent dans une installation spécialement conçue pour tirer les colis pour les commandes. Leur récent partenariat avec Amii montre comment l'apprentissage automatique est utilisé dans le monde réel pour résoudre les problèmes logistiques et faire parvenir les colis aux clients plus rapidement.
Un nouvel article présenté cette semaine par les scientifiques d'Amii lors de la Conférence internationale sur les agents autonomes et les systèmes multi-agents (AAMAS) explique comment ils ont pu utiliser l'apprentissage automatique pour accroître considérablement l'efficacité des entrepôts robotisés d'Attabotic et montre que cette technologie est susceptible de transformer la logistique de la chaîne d'approvisionnement.
"La question n'est pas de savoir si l'apprentissage automatique fonctionne. Il s'agit de savoir dans quelle mesure il fonctionne".
- Amii Fellow-in-Residence et Chaire CIFAR AI du Canada Matthew E. Taylor
Transformer l'entrepôt traditionnel
Les entrepôts traditionnels sont généralement courts et longs ; ils sont construits pour maximiser l'espace au sol afin de contenir davantage de produits. Les entrepôts peuvent être équipés de rayonnages ou empiler les produits verticalement, mais quelqu'un doit utiliser une échelle ou un chariot élévateur pour les descendre.
Les installations d'Attabotic utilisent mieux la dimension verticale. Les articles sont placés dans des bacs, qui sont maintenus dans un système de cubes en 3D. Lorsqu'une commande est passée, des robots (affectueusement appelés "fourmis") se déplacent le long des étagères et choisissent un conteneur contenant l'article en question. Ils transportent ensuite le conteneur jusqu'à un poste de travail, où un préparateur de commandes humain prend le produit et l'expédie. La fourmi replace alors le conteneur sur l'étagère et repart pour la commande suivante.
Sean Murphy, directeur des logiciels et de l'innovation chez Attabotics, explique que cela permet de sortir les produits de la porte et de les livrer plus rapidement au client. Cette approche peut conduire à des entrepôts qui occupent 85 % d'espace en moins, ce qui signifie qu'ils peuvent être situés dans des zones à plus forte densité, plus proches des clients.
"C'est le sentiment du client dans le commerce électronique : vous voulez que ce soit rapide. C'est ce que je fais ; je suis sûr que vous commandez également de cette manière. La rapidité est une bonne chose. Si c'est gratuit, c'est encore mieux", ajoute-t-il.
"Beaucoup de nos clients recherchent le meilleur système de récupération et de stockage automatisé, et c'est ce que nous faisons.
L'entreprise compte parmi ses clients de grands détaillants, ainsi que des agences gouvernementales au Canada et aux États-Unis. Alors que ses ingénieurs ont passé des années à affiner le comportement de ses fourmis robotisées, Attabotics a contacté Amii pour voir si l'apprentissage automatique pouvait encore améliorer leur efficacité.
M. Murphy explique que l'objectif initial était ambitieux : augmenter de 25 % le débit, c'est-à-dire le nombre de colis quittant l'entrepôt dans un laps de temps donné. Mais, au final, cet objectif a été largement dépassé.
Créer un jumeau numérique
Pour accélérer le processus, les scientifiques d'Amii spécialisés dans l'apprentissage automatique se sont concentrés sur quelques domaines spécifiques. L'un d'entre eux consistait à déterminer les bacs qu'une fourmi devait cibler.
Si plusieurs bacs contiennent les mêmes produits, les fourmis doivent rapidement déterminer lequel est le plus rapide à récupérer. Ce problème est aggravé par le fait que d'autres robots effectuent la même tâche, prenant les bacs et les déplaçant au fur et à mesure qu'ils travaillent sur leurs propres commandes. Dans cet environnement en constante évolution, ce qui peut sembler être la prochaine action la plus efficace peut avoir des conséquences imprévues et entraîner des retards. Par conséquent, au lieu de se contenter de travailler sur l'état immédiat des choses, les fourmis devraient être capables de prédire la situation dans un avenir proche.
Les scientifiques spécialistes de l'apprentissage automatique ont utilisé une approche d'apprentissage supervisé pour apprendre aux robots à prédire et à choisir plus intelligemment les bacs à saisir. Cependant, l'obtention de la quantité de données nécessaires à l'entraînement a constitué un obstacle. La collecte des informations auprès des robots réels aurait pris trop de temps. Ce qu'il fallait, c'était un "jumeau numérique".
Les chercheurs ont construit plusieurs simulations afin de recueillir davantage de données pour faciliter la formation. Alors qu'une fourmi réelle peut mettre 45 secondes pour accomplir sa tâche, une simulation peut effectuer des milliers de déplacements dans le même laps de temps. Toutes ces données sont inestimables lorsqu'il s'agit d'entraîner les robots à prendre des décisions plus intelligentes.
"Il est vraiment très utile de disposer d'un très bon simulateur où l'on peut suivre toute la formation, qui peut prendre des jours, voire des mois", explique-t-il. Payam MousaviPayam Mousavi, le scientifique d'Amii chargé de l'apprentissage automatique pour le projet.
La simulation de données de ce type est toujours un compromis, prévient M. Mousavi. Les chercheurs doivent trouver un équilibre entre la précision et la rapidité d'une simulation. En rendant une simulation trop abstraite, on risque de créer des données qui ne s'appliquent pas vraiment lorsqu'on essaie de les utiliser dans le monde réel. Dans le même temps, si l'on se concentre trop sur la précision, on ralentit la vitesse de la simulation, ce qui peut aller à l'encontre du but recherché.
M. Mousavi explique que l'équipe d'Amii a fini par construire une série de simulateurs avec différents niveaux de précision pour recueillir les données dont elle avait besoin. Les résultats ont été très prometteurs, avec une augmentation significative du débit des commandes, bien plus importante que ce qu'Attabotics ou Amii avaient initialement prévu. (M. Murphy hésite à communiquer des chiffres précis, car ils pourraient changer si l'approche de l'apprentissage automatique est mise en production. Il affirme néanmoins qu'Attabotics est "très satisfaite" des résultats).
Exploiter la puissance de l'apprentissage automatique
Boursier Amii en résidence et titulaire de la chaire CIFAR d'IA au Canada Matthew E. Taylor a participé au projet en tant que consultant. Bien que les choses en soient encore à la phase de recherche, il pense que le projet met en évidence la façon dont les solutions d'apprentissage automatique peuvent avoir un impact massif sur les industries du monde réel. Selon lui, la plupart des travaux sur les agents autonomes se déroulent encore dans des laboratoires et des simulations. Il est donc passionnant d'obtenir des résultats aussi encourageants de la part de robots physiques dans un véritable entrepôt.
Elle démontre également la puissance de l'intelligence artificielle. M. Taylor fait remarquer qu'Attabotics est une entreprise composée de programmeurs et d'ingénieurs très talentueux qui travaillent depuis des années à l'optimisation du comportement des fourmis. Les modèles d'apprentissage automatique ont pu s'appuyer sur ce travail inestimable pour apporter des améliorations qui auraient été hors de portée sans l'IA.
"La question n'est pas de savoir si l'apprentissage automatique fonctionne. Il s'agit de savoir dans quelle mesure il fonctionne.
Et je pense que nous avons montré que les gains étaient assez impressionnants et que nous pouvions faire des progrès significatifs en peu de temps. Cela montre donc qu'il est possible d'investir dans ce domaine", ajoute-t-il.
Outre Taylor, Mousavi et Murphy, les auteurs de l'article sont Mara Cairo, Bevin Eldaphonse, Sahir, Sheikh Jubair, Johannes Günther, Laura Petrich, Talat Syed avec Amii, et l'équipe Attbotics composée de Graham Doerksen, Nikolai Kummer, Jordan Maretzki et Gurpreet Mohaar.