Intelligence Artificielle et Prévisions dans la Chaîne Logistique

L'objectif de cet ouvrage est de contribuer à l'optimisation de la gestion des flux par l'amélioration des prévisions et la minimisation de l'incertitude sur la demande. Tous les acteurs concernés par l'application des prévisions ou par le processus de prise de décision connaissent l'importance de choisir la technique de prévision la plus appropriée. Chaque situation est différente des autres, et les méthodes ne sont pas caractérisées par les mêmes forces et faiblesses. Les limites des modèles classiques incitent à utiliser d'autres méthodologies et à exploiter des outils de l'intelligence artificielle (IA), qui sont adaptés à des contextes complexes et incertains comme celui des prévisions. Dans cet ouvrage nous proposons des modèles de prévisions en se basant sur l'apport de l'intelligence artificielle dans ce domaine. Les réseaux de neurones artificiels RNA sont les outils de l'IA largement utilisés pour modéliser des séries temporelles dépendantes et indépendantes. Ces méthodes de prévision basées sur les RNA prouvent leur efficacité pour surmonter les cas où les données sur la demande sont limitées, ou en présence d'une variabilité marquée des informations.

Autorentext

SAID Benkachcha, Docteur en Sciences de l ingénieur, Génie industriel.Directeur du CRMEF Settat (2014-16). Domaines de recherche: SCM, robotique et IA. JAMAL Benhra, Chef de l équipe de recherche OSIL à l ENSEM de Casablanca. Professeur de génie industriel et logistique. Domaines de recherche: optimisation,méta heuristiques robotique et SCM.

Klappentext

L'objectif de cet ouvrage est de contribuer à l optimisation de la gestion des flux par l'amélioration des prévisions et la minimisation de l incertitude sur la demande. Tous les acteurs concernés par l'application des prévisions ou par le processus de prise de décision connaissent l'importance de choisir la technique de prévision la plus appropriée. Chaque situation est différente des autres, et les méthodes ne sont pas caractérisées par les mêmes forces et faiblesses. Les limites des modèles classiques incitent à utiliser d'autres méthodologies et à exploiter des outils de l'intelligence artificielle (IA), qui sont adaptés à des contextes complexes et incertains comme celui des prévisions. Dans cet ouvrage nous proposons des modèles de prévisions en se basant sur l apport de l intelligence artificielle dans ce domaine. Les réseaux de neurones artificiels RNA sont les outils de l'IA largement utilisés pour modéliser des séries temporelles dépendantes et indépendantes. Ces méthodes de prévision basées sur les RNA prouvent leur efficacité pour surmonter les cas où les données sur la demande sont limitées, ou en présence d'une variabilité marquée des informations.