A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

Dans le monde complexe des chaînes d'approvisionnement, maintenir le bon niveau de stock de pièces est un équilibre constant. Si une usine ou une compagnie aérienne vient à manquer d'un composant spécifique, les opérations peuvent s'arrêter net, provoquant des retards coûteux. Mais si un entrepôt est rempli de pièces qui ne sont jamais utilisées, l'argent reste immobilisé sur les étagères, et les articles pourraient finir par devenir obsolètes. Ce défi est particulièrement difficile pour les pièces de rechange utilisées dans les machines et les véhicules. Contrairement à la demande pour des articles du quotidien comme le pain ou les piles, que les gens achètent régulièrement, les pièces de rechange restent souvent inutilisées pendant des mois, voire des années, pour n'être nécessaires que soudainement lorsqu'une machine tombe en panne. Ce schéma, où de longues périodes de silence sont interrompues par des demandes rares et imprévisibles, crée un problème de prévision unique. Les outils de prédiction standard, qui fonctionnent bien pour des ventes régulières, échouent souvent ici. Ils ont tendance à prédire qu'une pièce sera nécessaire bientôt simplement parce que les mathématiques le disent, ce qui entraîne une accumulation de stocks inutiles, ou ils ratent le moment rare où une pièce est réellement requise.

Une équipe de chercheurs de l'Air Force Logistics College en Chine a développé une nouvelle approche pour résoudre ce puzzle spécifique. Ils ont créé un modèle informatique sophistiqué conçu pour gérer ces modèles de demande erratiques et « à inflation de zéros », où la plupart des mois ne présentent aucune demande. Les chercheurs ont testé leur système en utilisant un ensemble de données réelles contenant les registres de demande de plus de 2 600 pièces de rechange différentes, suivant leur utilisation sur une période de plus de quatre ans. L'objectif était de prédire si une pièce serait nécessaire dans les mois à venir et, si oui, combien d'unités seraient requises. Leur nouveau modèle, qu'ils appellent le Dynamic Adaptive Fusion Transformer, fonctionne en divisant la tâche de prédiction en deux questions distinctes : premièrement, la pièce sera-t-elle nécessaire ? et deuxièmement, si elle est nécessaire, combien d'unités seront requises ? En traitant ces questions comme des problèmes séparés et en combinant soigneusement les réponses, le modèle apprend à reconnaître la différence entre un véritable manque de besoin et un pic de demande rare.

Les chercheurs ont constaté que cette approche fractionnée, combinée à un mécanisme permettant au modèle d'ajuster sa propre confiance, améliorait considérablement la précision. Dans leurs tests, le nouveau modèle était bien meilleur pour éviter les fausses alertes que les méthodes précédentes. Lorsque la demande réelle pour une pièce était de zéro, le nouveau modèle prédisait un besoin proche de zéro, empêchant efficacement l'entrepôt de commander des pièces qui ne feraient que prendre la poussière. Plus précisément, le modèle a réduit l'erreur de prédiction des mois à demande nulle à un niveau très bas, surpassant de loin les méthodes statistiques traditionnelles et les autres outils d'apprentissage automatique modernes. Cependant, l'étude a également révélé un compromis. Bien que le modèle soit devenu excellent pour savoir quand ne pas commander, il est devenu occasionnellement légèrement plus prudent lors de la prédiction de pics de demande soudains et importants. Il a réussi à supprimer le bruit des faux positifs mais a parfois sous-estimé l'ampleur d'une demande réelle et urgente.

Pour comprendre comment cela fonctionne, imaginez le modèle comme un système qui vérifie d'abord un calendrier et un registre historique pour décider si une demande est probable. Si l'historique montre que la pièce n'a pas été utilisée depuis longtemps, le système penche fortement vers une prédiction de zéro. Si l'historique montre une activité récente, il concentre son attention sur l'estimation de la quantité. Les chercheurs ont construit un système de « porte » (gating system) qui agit comme un contrôleur de trafic, décidant quel poids accorder à la supposition « cela va-t-il arriver ? » par rapport à la supposition « combien y en aura-t-il ? ». Cela permet au modèle d'être flexible. Dans les mois où les données suggèrent une période calme, le modèle prédit avec confiance zéro. Dans les mois où les données laissent présager une activité, il ouvre la porte à la prédiction d'un nombre positif. Cet ajustement dynamique est ce qui permet au système de gérer l'imprévisibilité extrême des pièces de rechange sans être confondu par les longues périodes de silence.

Les expériences ont montré que cette méthode est particulièrement efficace pour les pièces qui sont rarement utilisées mais critiques lorsqu'elles sont nécessaires. En réduisant le nombre de fois où le modèle prédit à tort un besoin pour une pièce qui n'est pas réellement nécessaire, le système aide les organisations à économiser de l'argent sur le stockage et à éviter le gaspillage lié à la commande de stocks obsolètes. Les chercheurs ont noté que, bien que le modèle ne soit pas parfait pour prédire l'ampleur exacte d'un pic de demande massif et soudain, sa capacité à éviter les fausses alertes est une amélioration majeure. Dans le contexte de la gestion des stocks, où le coût de détention de stock supplémentaire peut être élevé, cette précision est précieuse. L'étude suggère que pour de nombreuses pièces de rechange, la meilleure stratégie consiste à être très prudent avant de prédire un besoin, à moins que les preuves ne soient solides, plutôt que de supposer qu'une demande pourrait apparaître par simple précaution.

Les chercheurs ont testé leur modèle contre plusieurs autres méthodes, y compris des techniques statistiques plus anciennes et de nouveaux modèles d'apprentissage profond. Les résultats étaient clairs : le nouveau modèle produisait moins d'erreurs totales et était bien meilleur pour identifier les mois où aucune demande ne se produirait. En fait, en examinant spécifiquement les mois où aucune pièce n'était nécessaire, les prédictions du nouveau modèle étaient nettement plus proches de zéro que celles des autres méthodes. Cela signifie qu'il a réussi à éviter le piège courant des « prédictions positives spécieuses », où un modèle voit un motif qui n'existe pas et commande des pièces inutilement. L'étude a également confirmé que chaque partie de leur nouveau système jouait un rôle vital. Supprimer la partie qui vérifie l'occurrence de la demande rendait le modèle moins performant pour gérer les mois à demande nulle, tandis que supprimer la partie qui vérifie la taille de la demande le rendait moins précis lorsque les pièces étaient réellement nécessaires. La combinaison de ces éléments, gérée par le mécanisme de fusion adaptative, a créé un système plus robuste que n'importe quel composant seul.

Bien que le modèle excelle dans la prévention de la surcommande, les chercheurs ont reconnu qu'il reste encore de la marge de progression concernant la prédiction de l'ampleur des événements rares à haut volume. Dans leurs tests, le modèle a parfois prédit un nombre de pièces inférieur à ce qui était réellement nécessaire lors d'une poussée soudaine. Cela suggère que, si le système est excellent pour savoir quand rester silencieux, il peut encore être un peu conservateur lorsque le bruit d'un pic de demande réelle arrive. Les auteurs proposent que les travaux futurs puissent inclure l'ajout de règles spécifiques pour gérer ces pics extrêmes ou combiner la sortie du modèle avec des politiques de stock de sécurité pour garantir que les pièces critiques ne soient jamais manquées. Pour l'instant, l'étude démontre qu'en décomposant le problème de prévision en morceaux plus petits et plus maniables, et en laissant le modèle décider de la manière de les pondérer, il est possible de créer un système beaucoup plus intelligent pour gérer le monde imprévisible des pièces de rechange.

Les implications de ce travail s'étendent bien au-delà des secteurs militaires ou de l'aviation, où les chercheurs sont basés. Toute industrie qui repose sur la maintenance d'équipements avec des pièces utilisées de manière peu fréquente pourrait bénéficier de cette approche. De la fabrication industrielle à la réparation automobile, le défi de prédire la demande intermittente est universel. Le succès du Dynamic Adaptive Fusion Transformer suggère que l'avenir de la gestion des stocks ne réside pas dans le fait de tenter d'imposer une prédiction unique et simple sur des données complexes, mais dans la construction de systèmes capables de comprendre les différents états de la demande et d'adapter leur stratégie en conséquence. En apprenant à distinguer un véritable manque de besoin d'un moment rare de haute activité, ces systèmes peuvent aider les entreprises à opérer plus efficacement, en maintenant des chaînes d'approvisionnement légères sans risquer la disponibilité des pièces dont elles ont le plus besoin.