Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

Imaginez que vous dirigez un stand de limonade géant et de haute technologie, mais qu'au lieu de citrons, vous fabriquez des machines complexes, et qu'au lieu d'une journée ensoleillée, votre plus grand défi est la météo. Dans le monde des usines modernes, il existe un tiraillement constant entre deux choses très imprévisibles : le nombre de personnes qui veulent acheter votre produit (la demande) et le coût pour mettre les machines en marche (l'énergie). Pendant longtemps, les gestionnaires d'usines ont tenté de résoudre cela en devinant l'avenir avec un chiffre unique, une « meilleure estimation ». Ils disaient : « Demain, nous aurons besoin de 100 citrons, et l'électricité coûtera 5 centimes. » Mais dans le monde réel, l'avenir est désordonné. Parfois, personne ne veut de limonade, et parfois, le soleil brille si fort que l'électricité coûte réellement de l'argent négatif (ce qui signifie que la compagnie d'électricité vous paie pour l'utiliser !). Ce document vit dans un recoin de la science appelé la Recherche Opérationnelle, qui est essentiellement l'art de prendre les meilleures décisions possibles quand on ne sait pas ce qui va se passer ensuite. Il repose sur l'idée que si vous traitez l'avenir comme un fait fixe, vous resterez bloqué dans un embouteillage de mauvais choix. Au lieu de cela, les auteurs suggèrent de traiter l'avenir comme un jeu de cartes : nous ne savons pas quelle carte nous allons tirer, mais nous pouvons mélanger le paquet et planifier pour chaque main possible.

Cette étude, intitulée « Eco-Conscious Master Production Scheduling Under Dual Uncertainty » (Ordonnancement de la production globale éco-responsable sous double incertitude), propose une nouvelle façon ingénieuse de gérer une usine, capable de gérer simultanément la question « est-ce que quelqu'un va acheter ceci ? » et la question « combien l'électricité coûte-t-elle en ce moment même ? ». Les auteurs suggèrent une approche « hybride » qui mélange deux outils puissants : l'Apprentissage Automatique (des ordinateurs qui apprennent des données passées) et l'Optimisation Stochastique (des mathématiques qui planifient pour de nombreux futurs différents).

Voici comment leur « tour de magie » fonctionne. D'abord, ils utilisent un cerveau informatique super intelligent appelé LightGBM pour deviner combien de produits les gens pourraient vouloir. Au lieu de donner un seul chiffre, il dessine un « nuage » de possibilités, disant : « Nous pourrions avoir besoin de 100, ou peut-être 150, ou peut-être seulement 50. » En même temps, ils utilisent un autre cerveau informatique appelé LSTM (qui est comme une banque de mémoire pour le temps) pour observer les prix de l'électricité. Ce cerveau est excellent pour repérer des modèles, comme la façon dont les prix peuvent s'effondrer lorsque le soleil brille ou grimper lorsque tout le monde rentre chez soi après le travail.

Une fois que ces deux cerveaux ont fait leurs prédictions, les auteurs ne choisissent pas simplement un scénario. Au lieu de cela, ils créent un « arbre » de centaines de futurs possibles (scénarios). Ensuite, ils utilisent un filtre mathématique spécial pour réduire cet arbre immense aux branches les plus importantes, afin que l'ordinateur ne soit pas submergé. Enfin, ils injectent cet arbre dans un Modèle Stochastique à Deux Étages. Voyez ce modèle comme une danse en deux étapes :

1. L'étape du « Ici et Maintenant » : L'usine établit un plan avant que le futur ne se produise. Ils décident quelles machines allumer et quelle quantité produire, sachant qu'ils devront peut-être s'ajuster plus tard.
2. L'étape du « Attendre et Voir » : Une fois que la journée réelle arrive et que la demande réelle et les prix réels de l'électricité sont révélés, l'usine effectue des ajustements rapides. Si l'électricité est bon marché, ils font tourner les machines à plein régime. Si elle est chère, ils font une pause et utilisent l'inventaire qu'ils ont constitué précédemment.

Le papier s'oppose fermement à l'ancienne méthode de faire les choses, appelée Juste-à-Temps (JIT). L'ancienne méthode dit : « Fabriquez exactement ce dont vous avez besoin, exactement au moment où vous en avez besoin, et gardez zéro stock supplémentaire. » Les auteurs montrent que dans un monde où les prix de l'électricité fluctuent sauvagement, cette approche rigide est un désastre. Elle force les usines à faire fonctionner leurs machines pendant les heures de pointe coûteuses simplement pour éviter de stocker des articles supplémentaires. Leur nouvelle méthode suggère qu'il est en fait plus intelligent de « surstocker » un peu intentionnellement. En fabriquant des produits supplémentaires quand l'électricité est bon marché (ou même gratuite !), l'usine peut arrêter la production pendant les heures coûteuses, économisant ainsi une quantité massive d'argent.

Lorsque les auteurs ont testé cette idée sur une usine simulée qui échange de l'électricité sur le marché européen (plus précisément le marché EPEX SPOT), les résultats ont été assez frappants. Dans leurs simulations, la nouvelle méthode « prédire et optimiser » a économisé 34,3 % des coûts d'exploitation totaux par rapport aux anciennes méthodes de planification rigides. Cela est mesuré par ce qu'on appelle la Valeur de la Solution Stochastique (VSS), qui était de 10 570 $ sur une période de 30 jours lors de leur test. Le modèle n'a pas seulement économisé de l'argent ; il a aussi naturellement aidé l'environnement. Parce que l'usine a déplacé son travail vers les moments où le réseau dispose de beaucoup d'énergie éolienne et solaire (ce qui est souvent le moment où l'électricité est bon marché ou négative), les émissions de carbone de l'usine ont chuté sans même qu'ils ne cherchent explicitement à être « verts ». La motivation économique de faire des économies est devenue accidentellement une motivation pour sauver la planète.

Les auteurs ont également constaté que le modèle était très doué pour repérer les « prix négatifs » — ces moments rares où le réseau électrique est si saturé d'énergie renouvelable que les entreprises sont payées pour utiliser l'électricité. Le modèle déplacerait proactivement la production vers ces moments, transformant efficacement un coût énergétique en un petit revenu. Cependant, l'article note prudemment que ces résultats proviennent de simulations et d'expériences de calcul sur un type spécifique d'usine, et non d'une usine réelle qui fonctionne de cette manière depuis des années. Les auteurs suggèrent que bien que les mathématiques semblent solides et que les économies soient significatives dans la simulation, une mise en œuvre dans le monde réel nécessiterait des tests supplémentaires. Ils ont également calculé que si une entreprise voulait connaître le futur absolument parfait, il vaudrait la peine de dépenser jusqu'à 4 800 $ (la Valeur de l'Information Parfaite Attendue) pour obtenir de meilleures prédictions, mais puisque la prédiction parfaite est impossible, leur méthode actuelle est une alternative très robuste.

En résumé, ce document suggère que l'avenir de la gestion d'usine n'est pas de prédire l'avenir parfaitement ; il s'agit de construire un plan flexible capable de danser avec le futur, peu importe la sauvagerie de la musique. En utilisant l'IA pour prédire le chaos et les mathématiques pour y planifier, les usines peuvent économiser de l'argent, éviter les ruptures de stock et aider accidentellement l'environnement, tout cela en même temps.