Cette page dédiée présente l’un des thème / domaine stratégique actuellement en discussion dans le cadre de notre Programme de financement de recherche stratégique. L’ensemble des thèmes / domaines en discussion est indiqué sur la page du programme. Chaque page dédiée (y compris celle-ci) peut être à un niveau de détail et de maturité variable. Pour participer à la discussion sur ce thème ou en proposer de nouveaux, veuillez utiliser ce formulaire. Si vous souhaitez être tenu.e au courant des développements autour de ce thème / domaine, inscrivez-vous ci-dessous.

Combining Machine Learning and Optimization to Manage Uncertainty in Supply Chains

Description et justification du domaine

Almost all decision problems involve some form of uncertain data. This is especially true in supply chains where demand, cost, capacity and lead time information are known to be highly variable and to considerably complicate the planning of procurement, production, distribution, transportation and service activities. In practice, we often choose to ignore part (or all) of this uncertainty because we lack the tools to properly capture and model the relevant data as well as the tools to quickly solve the resulting optimization problems at scale. A central challenge is that the only stochastic information available usually originates from historical data and incorporating this information within the objective function or constraints of an optimization problem is complex and depends on the paradigm being considered (e.g., chance constraints, stochastic optimization, or robust optimization). An additional difficulty is that many of the existing exact and heuristic algorithms rely on the assumption that the uncertain data follow well-behaved analytical distributions, which is often not the case in practice. Scenario-based methods also tend to be slow or to yield models of an excessive size. Finally, commercial-grade software that can take uncertainty into account when solving large-scale production, distribution or transportation planning problems involving combinatorial aspects is almost non-existent.

Combining machine learning and optimization offers many opportunities to address the aforementioned challenges. First, machine learning allows one to start from the raw historical data to derive a representation of the uncertain data without relying on fitting a theoretical distribution. Second, it can be used to approximate the value (and cost) of first-stage or second-stage decisions or the satisfaction ratio of probabilistic constraints, thus leading to very significant speed-ups in stochastic programming algorithms. Third, it can help to quickly adapt previously generated solutions so as to re-use them in the context of varying input parameters. Fourth, it can be directly used within optimization algorithms to speed them up.

The envisioned theoretical developments would find applications in many fields of supply chain management:

  • Strategic supply chain design
  • Procurement and production planning & inventory management
  • Product assortment optimization
  • Pricing and revenue management
  • Distribution and transportation management
  • Service delivery in healthcare
  • Humanitarian supply chain design and operation

This theme is obviously strategic for Québec and Canada as efficient supply chains are essential to a large part of our economy. Furthermore, it would provide the opportunity to foster additional collaborations between the numerous Québec-based experts in both supply chain optimization and machine learning.

 

Contexte

Mots-clefs :

  • Logistics, transportation, supply chain management, optimization, machine learning, risk and uncertainty, supply chain, logistics, production and distribution
  • (ajout 22/07) Logistique humanitaire, conception et gestion de réseaux pour l’aide au développement et en réponses aux catastrophes.

Organisations pertinentes :

Centers/Institute: CIRRELT, GERAD, Mila

Chairs:

  • CRC in Analytics and Logistics in Healthcare
  • CRC in Demand Forecasting and Optimization of Transport Systems
  • CRC in Supply Chain Analytics
  • CRC in Humanitarian Supply Chain Analytics
  • CERC in Data Science for Real-Time Decision-Making
  • ScaleAI Research Chair in Artificial Intelligence for Urban Mobility and Logistics
  • ScaleAI Research Chair in Data-Driven Supply Chains
  • Canada CIFAR AI Chair
  • Canada CIFAR AI Chair
  • Facebook CIFAR AI Chair
  • HEC Chair in Supply Chain Operations Planning
  • HEC Chair in Logistics and Transportation
  • CN Chair in Optimization of Railway Operations
  • Chaire Purolator en Intelligence des Données pour la Logistique

Industrial/public partners: CN, GIRO, Purolator, Hydro-Québec, Rio Tinto, SNCF, CHUM, CSSS de Laval, EFFENCO, World Food Programme of the United Nations, World Bank, Canadian Red Cross, Natural Resources Canada, Forest and Forestry, Urgences-Santé, (ajout 22/07) Banque Mondiale, Croix-Rouge, Programme Alimentaire de l’ONU, UNICEF, Moisson Montréal, les Banques alimentaires du Québec, CIFAR, IVADOLabs.

Funding agencies: NSERC, MITACS, PROMPT, InnovÉÉ, MedTech

International collaborations: TU Delft, ESSEC Business School, Ozyegin University, EPFL, MIT, University of Vienna, Norwegian University of Science and Technology, Mainz University, MIT, CERMICS, École Nationale des Ponts et Chaussées, Technical University of Denmark, Cornell University, TU Munich, Norwegian University of Science and Technology,University of Michigan, (ajout 22/07) MIT Humanitarian Lab, Ozyegin University, Northwestern University.

Personnes pertinentes suggérées durant la consultation :

Les noms suivants ont été proposés par la communauté et les personnes mentionnées ci-dessous ont accepté d’afficher publiquement leur nom. Notez cependant que tous les noms des professeur.e.s (qu’ils soient affichés publiquement ou non sur notre site web) seront transmis au comité conseil pour l’étape d’identification et de sélection des thèmes stratégiques. Notez également que les personnes identifiées durant l’étape de consultation n’ont pas la garantie de recevoir une partie du financement. Cette étape sert avant tout à présenter un panorama du domaine, incluant les personnes pertinentes et non à monter des équipes pour les programmes-cadres.

  • Antoine Legrain
  • Guy Desaulniers
  • Jean-François Cordeau
  • Jorge Mendoza-Gimenez
  • Julie Paquette
  • Laurent Charlin
  • Pierre L’Écuyer (UdeM)
  • Louis-Martin Rousseau
  • Nadia Lahrichi
  • Quentin Cappart (Poly)
  • Raf Jans (HEC)
  • Thibaut Vidal (Poly)
  • Michel Gendreau
  • Emma Frejinger
  • Guillaume Rabusseau
  • Marie-Ève Rancourt (HEC)
  • Valérie Bélanger (HEC)

Programmes-cadres potentiels

Production, inventory and distribution management are subsequent but linked steps in a supply chain. An integrated optimization of these decisions can provide substantial benefits in terms of reduced cost or better service levels. These integrated planning problems are already complex because of their large size, but become even more complex when uncertainty is considered. New exact and heuristic algorithms need to be developed to take advantage of this integrated view.

Documentation complémentaire

Nous sommes, à Montréal, l’un des trois meilleurs groupes au monde en ce qui concerne la recherche en optimisation des chaînes logistiques et nous excellons aussi dans le développement des méthodes d’apprentissage automatique. De plus, la gestion des chaînes logistiques, ce qui inclut, entre autres, la gestion du transport, des stocks, de l’approvisionnement ainsi que la conception de réseaux d’entreprises ou d’organisations, est un secteur économique très important. Dans le contexte économique actuel (délocalisation de la production et de spécialisation des entreprises) une gestion performante des chaînes logistiques est essentielle pour la compétitivité des entreprises. Ainsi, bâtir sur nos forces (optimisation et apprentissage automatique) et investir dans la recherche axé sur un secteur économique (les chaînes logistiques) essentiel au Québec et au Canada aura un effet de levier important et aura des impacts importants autant au niveau académique que pratique/économique. De plus, on constate qu’avec les changements climatiques et la pandémie actuelle l’importance d’avoir des chaînes logistiques efficaces pour la gestion de crise. Aussi, le Canada est impliqué dans plusieurs projets d’aide à l’international et c’est une partie prenante importante pour l’aide humanitaire (e.g., aide alimentaire en Afrique ou support en santé dans les Caraïbes). Il est donc important de faire avancer les connaissances dans le domaine de la logistique humanitaire pour s’assurer de soutenir les populations vulnérables de manière efficace à moindre coût (contrainte de budget importante dans ce contexte)

Intéressé.e? Entrez votre courriel pour recevoir les mises à jour en lien avec cette page :

Historique

13 juillet 2021 : Première version

15 juillet 2021 : Ajout de personnes pertinentes, mots-clefs et programmes-cadres potentiels.

22 juillet 2021 : Complément d’information dans les sections contexte et documentation complémentaire.