Résumé Technique : Prévision d'Ensemble Fédérée sous Volatilité des Marchés de la Chaîne d'Approvisionnement (FEF-NCL)

1. Définition du Problème

Le document traite du défi consistant à générer des prévisions de la demande précises et gouvernables dans des réseaux de chaînes d'approvisionnement caractérisés par trois contraintes spécifiques :

1. Distribution des Données : Les données commerciales (enregistrements de transactions, conditions fournisseurs, historique client) sont distribuées entre plusieurs organisations (clients) qui ne peuvent pas ou ne veulent pas centraliser les données brutes en raison d'expositions contractuelles et réglementaires.
2. Distributions Non Identiques (Hétérogénéité) : Les nœuds clients sont confrontés à différents régimes de marché, conditions fournisseurs et environnements de fret. La moyenne fédérée standard tend à diluer la connaissance des régimes rares mais critiques (ex: flambées des prix des matières premières, retards de fret) lorsque la majorité des clients restent stables.
3. Volatilité du Marché : La relation entre les caractéristiques (prix, délai d'exécution, indices de matières premières) et la demande change rapidement (dérive de concept ou concept drift). Un modèle global unique peut échouer à capturer les schémas spécialisés requis pour des régimes spécifiques, tels que le réapprovisionnement saisonnier stable par rapport aux réponses aux chocs de fret.

La question centrale est de savoir comment produire des prévisions précises qui respectent les limites des données tout en tirant parti de l'apprentissage à l'échelle du réseau pour gérer les chocs de marché rares et à fort impact.

2. Méthodologie : FEF-NCL

La solution proposée, Federated Ensemble Forecasting with Negative-Correlation Learning (FEF-NCL), est un cadre distribué conçu autour de quatre principes :

• Architecture Locale Multi-Experts : Chaque client entraîne plusieurs modèles « experts » spécialisés plutôt qu'un seul modèle monolithique. Ces experts sont conçus pour capturer des schémas distincts : tendances, chocs de prix, risques de retard et demande résiduelle.
• Apprentissage par Corrélation Négative (NCL) : Le cadre introduit un terme de pénalité dans la fonction de perte qui décourage les membres de l'ensemble de commettre les mêmes erreurs sur les mêmes observations. Cela force la spécialisation, garantissant que si un expert échoue sur un régime spécifique (ex: un pic de matières premières), un autre expert est susceptible de réussir.
• Agrégation Sensible à la Dérive et Pondérée par la Fiabilité : Au lieu d'une moyenne simple, le serveur agrège les mises à jour en fonction de la fiabilité des clients. Les clients calculent un « score de dérive » basé sur la perte de validation, la volatilité et les normes de mise à jour. Les mises à jour provenant de clients instables ou de faible qualité sont pondérées à la baisse, tandis que les mises à jour des clients traversant des régimes spécifiques (même s'ils sont rares) sont préservées si elles répondent à des seuils de qualité.
• Couche d'Explicabilité : Le système comprend une couche de gouvernance qui enregistre les attributions de caractéristiques (similaire à SHAP) pour les variables de marché, de fournisseur et de commande. Cela permet aux planificateurs de vérifier quels facteurs (ex: indice des matières premières, taux de ponctualité du fournisseur) ont influencé une prévision spécifique.

Implémentation Technique :

• Modèle : Un modèle d'apprentissage de séquence multi-tâches utilisant un encodeur temporel partagé (Gated Recurrent Unit - GRU) et quatre têtes d'experts locales par client.
• Tâches : Prédit simultanément la demande à quatre semaines (régression), le risque de retard (classification) et le régime de marché (classification).
• Baselines : La méthode est comparée à Seasonal Naive, des Temporal Fusion Transformers (TFT) locaux centralisés, un XGBoost centralisé et des algorithmes d'apprentissage fédéré standards (FedAvg, FedProx, SCAFFOLD).

3. Configuration Expérimentale et Données

L'étude utilise un jeu de données synthétique unique construit pour assurer la cohérence interne sans exposer de données propriétaires.

• Échelle : 124 800 observations hebdomadaires (janvier 2021 – décembre 2024).
• Entités : 10 nœuds clients régionaux, 60 familles de produits, 40 fournisseurs, 5 groupes de matières premières.
• Profil de Volatilité : Inclut des périodes calmes, des périodes de hausse des prix et des régimes explicites de choc de prix (14,6 % des observations).
• Division : Division temporelle (Entraînement : semaines 1–146 ; Validation : 147–177 ; Test : 178–208) pour garantir que l'ensemble de test contient des changements de régime non vus lors de l'entraînement.
• Métriques : WMAPE pondéré, RMSE, Macro-F1 du Risque de Retard et Macro-F1 du Régime.

4. Résultats Clés

L'évaluation démontre que FEF-NCL surpasse les baselines fédérées standards sur le jeu de données synthétique, particulièrement dans des conditions volatiles :

• Précision Globale : FEF-NCL a atteint un WMAPE de 12,4 %, s'améliorant par rapport à la meilleure baseline fédérée (SCAFFOLD à 13,9 %) et au baseline XGBoost centralisé (13,6 %).
• Prédiction du Risque et du Régime : Il a amélioré le Macro-F1 du Risque de Retard à 0,801 (contre 0,755 pour SCAFFOLD) et le Macro-F1 du Régime à 0,763.
• Stratification de la Volatilité : L'écart de performance s'est creusé dans les scénarios de haute volatilité. Dans le quintile de volatilité la plus élevée, FEF-NCL a enregistré un WMAPE de 21,3 %, contre 23,4 % pour SCAFFOLD et 24,5 % pour FedAvg.
• Études d'Ablation : Supprimer la pénalité de corrélation négative a augmenté le WMAPE à 13,1 %. Supprimer l'agrégation pondérée par la dérive a augmenté l'erreur de haute volatilité de 1,2 point de pourcentage. Cela confirme que les gains résultent de l'interaction entre la diversité, la pondération de la dérive et l'apprentissage multi-tâches.
• Attribution de Caractéristiques : Le modèle a identifié avec succès des moteurs plausibles, l'indice des matières premières (0,24), le délai d'exécution (0,19) et la fiabilité du fournisseur (0,16) étant les principaux contributeurs à la variance de la prévision.

5. Signification et Revendications

Le papier positionne FEF-NCL non pas comme un remplacement universelement supérieur pour toutes les méthodes de prévision, mais comme un candidat architectural spécialisé pour des contextes spécifiques de la chaîne d'approvisionnement.

• Revendication Modeste : L'auteur stipule explicitement que les résultats sont des « preuves contrôlées de cohérence interne » dérivées de données synthétiques et ne constituent pas une validation en conditions réelles. Le baseline centralisé a surpassé les méthodes fédérées dans certains contextes, soulignant que la valeur primaire de FEF-NCL est sa capacité à opérer sous des contraintes de limites de données tout en maintenant la précision.
• Contribution Centrale : Le papier soutient que dans les chaînes d'approvisionnement où les chocs rares sont opérationnellement critiques (ex: causant des ruptures de stock ou des frais de fret accélérés), l'ensemble spécialisé est supérieur à l'agrégation standard. En permettant aux experts locaux de développer des profils d'erreurs distincts et en pondérant les mises à jour par la couverture de régime, le système préserve la connaissance des régimes minoritaires que l'apprentissage fédéré standard dilue souvent.
• Gouvernance : Le cadre intègre la gouvernance des risques directement dans la boucle du modèle, fournissant aux planificateurs des scores de dérive et des attributions de caractéristiques pour soutenir la prise de décision dans des environnements volatils.

6. Limites et Travaux Futurs

Le papier reconnaît plusieurs limites et trace des directions futures :

• Données Synthétiques : Les conclusions reposent entièrement sur un jeu de données synthétique ; une validation avec des tests rétrospectifs sur des données réelles est nécessaire.
• Confidentialité : Bien que les données brutes restent locales, le papier note que les gradients et les mises à jour de modèles nécessitent une protection supplémentaire via l'agrégation sécurisée et la confidentialité différentielle (differential privacy).
• Complexité : L'ensemble de quatre experts ajoute une surcharge de communication (1,38x de paramètres) et peut ne pas convenir aux clients ayant des capacités de calcul limitées ou des exigences de latence quasi-temps réel.
• Directions Futures : L'auteur propose des travaux futurs sur : (1) le test sur des jeux de données réels/semi-réels, (2) le renforcement des mécanismes de confidentialité, (3) la création d'experts adaptatifs (nombre dynamique d'experts), (4) l'incorporation de métriques économiques (coût, niveaux de service) au-delà de l'erreur statistique, et (5) l'évaluation centrée sur l'humain de la confiance des planificateurs envers les sorties d'explicabilité.