Modèles d'intelligence artificielle pour la prise de décision séquentielle : l'apprentissage profond appliqué à la production manufacturière et agricole

Le processus de prise de décision est complexe, particulièrement dans des environnements dynamiques et changeants comme la production. Le contexte au moment de la décision, les contraintes internes et externes mais aussi les actions antérieures influencent grandement les choix des décideurs. Pour gérer cette complexité, les décideurs se basent régulièrement sur leur expérience, or cette expérience est par définition personnelle et ne peut pas être formalisée simplement. Avec le vieillissement de la population dans les pays industrialisés, et particulièrement au Canada, les systèmes de production manufacturiers et agricoles font face à une pénurie de main-d’œuvre et une perte de compétences sans précédent. L’enjeu pour les industries est de taille puisqu’il leur faut transmettre l’expérience des travailleurs expérimentés aux plus jeunes pour assurer une production toujours plus exigeante. Il est alors essentiel de développer les outils nécessaires pour soutenir les systèmes de productions qui devront continuer à fonctionner, malgré le risque important d’absence des travailleurs et les taux de rotation élevés du personnel. Comment soutenir la prise de décision manufacturière et agricole dans ce contexte ? Cette question est au cœur du travail doctoral proposé. Pour y répondre, l’objectif général est de développer des outils d’aide à la décision séquentielle, contextualisée et contrainte. Ceci a été réalisé en quatre sous-objectifs (SO) successifs et complémentaires. La réalisation de chacun de ces sous objectifs a mené à des contributions scientifiques respectivement publiées dans les journaux Computers & Electronics in Agriculture (SO1), Smart Agricultural Technology (SO2 & SO3) et Computers & Industrial Engineering (SO4). La première contribution de cette thèse réside dans la comparaison des méthodes statistiques (chaînes de Markov) et des techniques d’apprentissage profond (RNN, LSTM et GRU), pour la prévision au temps n+1, basé sur les séquences de décisions passées (SO1). En illustration, les habitudes culturales en termes de rotation de culture sont analysées à l’aide des méthodes statistiques et des réseaux de neurones récurrents pour prévoir la culture exploitée au temps n+1. L’interprétabilité des modèles, leurs complexités et leurs performances en termes de prévision sont comparées donnant l’avantage aux modèles statistiques. Dans le même contexte, la seconde contribution vise à générer des scénarios de rotation des cultures du temps n+1 à n+x, personnalisés par champs et par producteur. Pour ce faire, les réseaux de neurones récurrents, plus précisément les cellules LSTM, sont utilisés dans une architecture Seq2Seq. Ce modèle Seq2Seq-LSTM est associé à un modèle de probabilité conditionnée afin de prioriser les séquences déjà observées dans l’ensemble d’apprentissage et ainsi affiner les résultats de la prédiction, sur un horizon de planification. La troisième contribution complète la méthodologie précédente par la prise en compte du contexte (SO3). Lors de la réalisation d’une étude de cas au Québec (Canada), les résultats du modèle ont permis de souligner l’importance accordée par les producteurs à des facteurs économiques et météorologiques non contrôlables et changeants pour leur prise de décision. Finalement, la dernière contribution présentée est le développement d’une méthodologie d’aide à la décision séquentielle contextualisée et contrainte (SO4) permettant l’intégration de contraintes à la modélisation de la prise de décision séquentielle contextualisée. Le modèle Seq2Seq-LSTM est augmenté d’un modèle statistique basé sur l’équation de Bayes, et des méthodes contraintes pour proposer les scénarios les plus probables de séquençage des productions à exploiter sur une machine en fonction du contexte de la production et de la demande ainsi que des habitudes de séquençage. La méthodologie proposée peut être utilisée pour des contraintes variables inconnues et inexplicables, ce qui permet l’applicabilité et la transférabilité du modèle dans différents secteurs de l’industrie. Ainsi, la réalisation de ces quatre sous objectifs complémentaires permet de répondre à l’objectif général fixé visant à développer des outils d’aide à la décision séquentielle, con-textualisée et contrainte. Ce travail de recherche est un pas de plus vers le soutien à la prise de décision, particulièrement dans un environnement manufacturier et agricole. Dans ce contexte, le terme « production » est employé indistinctement pour désigner la production manufacturière et la production agricole. Cependant, certaines limites persistent. L’importance de la qualité des données utilisées, l’hyperparamétrisation des modèles, le manque d’interfaces graphiques permettant l’utilisation et la diffusion efficace des modèles en production ou encore le manque d’explicabilité inhérente aux réseaux de neurones récurrents sont autant de limitations qui peuvent être envisagées comme des avenues de recherches prometteuses. Bien que certaines limites existent, les différents modèles développés permettent de modéliser la prise de décision séquentielle contextuelle et contrainte appliquée à des problématiques réelles de production. Ces modèles, développés et testés sur des données réelles en collaboration avec des partenaires industriels, permettent d’assurer le transfert de connaissance au sein des organisations en proposant des scénarios de production réalisable, contextualisés et personnalisés. Ce travail de recherche soutient ainsi les organisations évoluant dans des environnements de productions toujours plus complexes et contraints.

Abstract

The decision-making process is complex, especially in dynamic and changing environments such as production. The context at the time of the decision, internal and external constraints, and previous actions all have a major influence on the decision-maker’s choices. To manage this complexity, decision-makers regularly draw on their experience, which is by definition personal and cannot be simply formalized. With the aging of the population in industrialized countries, and particularly in Canada, manufacturing and agricultural production systems are facing an unprecedented shortage of manpower and skills. the stakes are high for these industries, as they have to transfer the knowledge of experienced workers to younger ones to ensure production in an increasingly demanding environment. It is therefore essential to develop the tools needed to support the production systems that will have to continue operating, despite the significant risk of worker absence and high staff turnover rates. How can we support manufacturing and agricultural decision-making in this context? This question is at the heart of the proposed doctoral work. The overall objective is to develop se-quential, contextualized and constrained decision support tools. This was achieved through four successive and complementary sub-objectives (SO). The realization of each of these sub-objectives has led to scientific contributions respectively published in the journals Com-puters & Electronics in Agriculture (SO1), Smart Agricultural Technology (SO2 & SO3) and Computers & Industrial Engineering (SO4). The first contribution of this thesis lies in the comparison of statistical methods (Markov chains) and deep learning techniques (RNN, LSTM and GRU), for forecasting at time n+1, based on sequences of past decisions (SO1). As an illustration, cropping patterns in terms of crop rotation are analyzed using statistical methods and recurrent neural networks to predict the decision made regarding crops grown at time n+1. The interpretability of the models, their complexity and their performance in terms of prediction are compared, with statistical models gaining the upper hand. In the same context, the second contribution aims to generate crop rotation scenarios from time n+1 to n+x, customized by field and grower. To this end, recurrent neural networks, more precisely cells LSTM, are used in an architecture Seq2Seq. This model Seq2Seq-LSTM is combined with a conditioned probability model to prioritize the sequences already observed in the training set and thus refine the prediction results, over a planning horizon. The third contribution completes the previous methodology by taking into account the con-text (SO3). A case study based on the model highlighted the importance attached by producers to uncontrollable economic and meteorological factors in their decision-making. Finally, the last contribution presented is the development of a contextualized and constrained sequential decision support methodology (SO4) enabling the integration of constraints into contextualized sequential decision making. The Seq2Seq-LSTM model is augmented by a statistical model based on the Bayes equation, and constrained methods to propose the most likely production sequencing scenarios to operate on a machine according to production and demand context, as well as sequencing habits. The proposed methodology can be used for unknown and unexplainable variable constraints, enabling the model’s applicability and transferability to industry. Thus, the achievement of these four complementary sub-objectives makes it possible to meet the general objective of developing sequential, contextualized, and constrained decision-support tools. This research work is a further step towards decision support, particularly in a manufacturing and agricultural environment. In this context, the term "production" is used indistinctly to refer to both manufacturing and agricultural production. However, certain limitations remain. The importance of the quality of the data used, the hyperparametrization of models, the lack of graphical interfaces enabling the effective use and dissemination of models in production, and the lack of explicability inherent in recurrent neural networks are all limitations that can be seen as promising avenues of research. Although there are certain limitations, the various models developed enable us to model contextual and constrained sequential decision-making applied to real production problems. These models, developed and tested on real data in collaboration with industrial partners, en-able the transfer of knowledge within organizations by proposing contextualized, customized, feasible production scenarios. This research supports organizations operating in increasingly complex and constrained production environments.