OR-Transformer teste le réapprovisionnement IA temps réel à l'échelle de 1 024 articles

Une équipe de recherche du MIT, de Purdue, de Caltech et de l'université de Virginie propose OR-Transformer, un cadre d'apprentissage par renforcement profond pour le réapprovisionnement conjoint stochastique à grande échelle. Le modèle cible un problème d'inventaire classique où de nombreux SKU partagent des coûts de commande, des délais d'approvisionnement et des profils de demande corrélés. L'article importe parce qu'il attaque directement un goulot d'étranglement des systèmes de planification : les décisions de réapprovisionnement où l'espace SKU/action rend l'optimisation au moment de la décision trop lente. Dans des expériences allant jusqu'à 1 024 articles, OR-Transformer reste stable là où plusieurs modèles d'apprentissage de référence se dégradent, et surpasse les références MILP à horizon glissant sur la vitesse de décision et le coût d'inventaire rapporté. Pour les responsables Supply Chain, l'implication est architecturale. Certaines politiques d'inventaire peuvent nécessiter de passer d'une optimisation en ligne répétée vers des politiques de décision entraînées lorsque la fréquence de décision et le couplage des SKU dépassent ce que les solveurs classiques peuvent traiter en temps opérationnel. Cela ne supprime pas le besoin de discipline d'optimisation. Cela déplace la question de contrôle vers l'endroit où la politique est entraînée, comment elle est testée en conditions extrêmes, et quand les planificateurs doivent la rejeter ou la supplanter.