Rechercher dans le radar

Kinaxis et NVIDIA explorent des agents IA longue durée pour la planification continue

Infor étend ses agents IA spécialisés par industrie pour les workflows opérationnels

Blue Yonder lance de nouveaux agents IA et un Supply Chain Knowledge Graph à ICON 2025

Coupa lance de nouveaux agents IA pour le sourcing, la collaboration et l’orchestration

T-Systems et SupplyOn introduisent des agents IA souverains dans les achats industriels

project44 étend ses agents IA aux achats transport, aux perturbations et aux opérations transporteurs

Oracle intègre de nouveaux agents IA dans les opérations Supply Chain de bout en bout

Oracle étend ses agents IA intégrés pour améliorer l’efficacité opérationnelle de la Supply Chain

GreyOrange positionne GreyMatter comme une plateforme d’orchestration multiagents pour l’exécution d’entrepôt

Oracle introduit des agents IA pour transformer les workflows Supply Chain

Pigment améliore ses Agents IA avec un contexte web en direct et des citations de sources

KBRW présente des agents IA pour les opérations de supply chain à grande échelle lors de l'assemblée générale de Sagard NewGen

Aptean apporte des agents de planification préconfigurés à Logility DemandAI+

Willow lève 7 millions de dollars pour gouverner l'accès en entreprise des agents IA autonomes

SAP positionne les agents et assistants Joule comme une nouvelle couche IA pour la gestion de la chaîne d'approvisionnement

MGI et le Shanghai AI Laboratory lancent des agents qui relient la planification en laboratoire à l'exécution physique

L’armée américaine attribue à Rune Technologies un contrat de 99 M$ pour la logistique prédictive par IA

Infios ajoute des agents AI pour l'exécution de la supply chain à travers les commandes, entrepôts et transport

Kinaxis lance Maestro Agents pour assister les décisions Supply Chain dans la planification

Manhattan Associates déploie l’IA agentique dans les solutions Manhattan Active

Rootstock Summer '26 met les agents IA en pilotes de production actifs

SAP présente sa vision de la Supply Chain autonome autour des agents AI et de l'orchestration

RELEX élargit la planification de fabrication alimentée par l'IA d'IBP à l'exécution

Cognite lance une offre Integrated Supply Chain alimentée par l’IA pour les opérations industrielles

project44 se scinde en deux entités et lance LSP44 pour l'infrastructure d'IA logistique

Aily Labs et AWS s'associent pour déployer à grande échelle des agents d'intelligence décisionnelle

Compri lève 3,2 millions d'euros pour étendre ses agents d'approvisionnement autonomes

Infor élargit son offre Industry AI avec plus de 100 agents et des améliorations de l'Agentic Orchestrator

Gartner prévoit que les dépenses en AI agentique dans les logiciels Supply Chain atteindront 53 milliards de dollars d'ici 2030

Les responsables transport anticipent un rôle majeur des agents autonomes dans les TMS

Co-fondateur & PDG, Agents de Communication IA pour le Fret & la Logistique

Lead Product Manager — IA Supply Chain

Responsable Produit Numérique — IA pour la Fabrication et la Supply Chain

Architecte Solutions Senior APJ, IA Appliquée à la Supply Chain

Analyste IA et automatisation de la supply chain

Lead Engineer en IA agentique

Responsable Senior de la Chaîne d'Approvisionnement Mondiale, Amazon Cloud Logistics

Data Scientist Principal, IA/ML, IA Générative & Systèmes Agentiques

Chef de Produit Senior, Supply Chain

Architecte Senior de Solutions EMEA, IA Appliquée pour la Supply Chain

Responsable IA Chaîne Logistique (SCM)

Expert en Vente de Solutions – Gestion de la Chaîne Logistique

Responsable IA Supply Chain (Achats)

Propriétaire de Produit Digital — M&S Accelerator

Expert en Science des Données (Modèles de Domaine) – Labs de Données

Opportunité Fondatrice GTM / Croissance chez Centrum AI (Plateforme d'Intelligence de Chaîne d'Approvisionnement)

Ingénieur AI Cloud, Gemini Enterprise

Senior Manager — IA & Moteur d'Auto-Réparation, Livraison du Dernier Kilomètre

Data Scientist — optimisation des stocks et IA agentique

Chef de Produit, Modélisation & Optimisation

Responsable IT, Ingénierie de l'Expérience Client

Architecte de Développement Principal, SAP Business Data Cloud

EVENT: La Compétition des Agents de Négociation Automatisés comprend une ligue de gestion de la chaîne d'approvisionnement

WARNING: Les agents spécialisés de planning peuvent se multiplier plus vite que leur modèle de gouvernance

EVENT: Le Supply Chain & AI Event met en avant des cas concrets de prévision, d’automatisation et d’agents IA

FAILURE: Une gouvernance uniforme peut conduire à l’échec des déploiements d’agents IA

REGULATION: Les agents IA créent des obligations européennes de conformité qui se chevauchent

EVENT : Manufacturing NEXT Tokyo se clôture avec des outils de planification et des agents IA

EVENT: Le webinaire Alkemys met en avant les agents IA pragmatiques dans la Supply Chain

SECURITY: Le NIST signale de nouvelles menaces liées aux accès autonomes des agents IA

SECURITY: Le NIST appelle à des contrôles fondés sur les actions des outils d’agents IA

WARNING: L’accès des agents IA aux outils crée un périmètre de sécurité non documenté

EVENT: MyExobrain met en évidence l'écart d'adoption de l'IA agentique après le Gartner Supply Chain Symposium

RISK: Les agents IA ne doivent pas gérer les chaînes d'approvisionnement sans contexte physique et supervision humaine

WARNING: Seule une minorité d’entreprises est prête à sécuriser les agents IA

WARNING: Seules 21 % des entreprises déclarent avoir une visibilité sur leurs agents IA

ATTENTION : L'IA dans la supply chain nécessite une gouvernance au-delà de l'automatisation

EVENT: IA, de l'Investigation à l'Action

RISK: L’autonomie de l’IA peut progresser plus vite que la responsabilité humaine

RÉGLEMENTATION : L'application de l'EU AI Act et les obligations de transparence de l'Article 50 commencent

EVENT : Comment j'ai programmé mon système de planification avancée en mode vibe

RISK: Les agents de planification longue durée exigent des limites explicites de décision et d’override

L'accountability de l'IA supply chain se concentre sur le journal de l'agent

SAP examine les bases de données nécessaires pour l'IA agentique

WARNING: Le NIST identifie les risques de sécurité liés aux outils IA dans le développement logiciel

WARNING: Le planning IA peut amplifier la fragmentation sémantique si le sens des données n’est pas gouverné

RISK: Les conseils d’administration manquent de modèles de gouvernance pour les droits décisionnels des agents

WARNING: Les dépenses en logiciels de Supply Chain à base d'IA agentique devraient exploser, augmentant la pression sur la gouvernance

Kinexions EMEA 2026 mettra l'accent sur l'IA agentique et l'orchestration opérationnelle

ÉVÉNEMENT : Les conférences OMP Asia placent la vélocité décisionnelle et la planification autonome à l'agenda APS

RISK: Les promesses de planning agentique progressent plus vite que l’auditabilité et l’ownership des décisions

EVENT: MyExobrain revient au Supply Chain Event 2025 pour présenter ses agents de décision AI

Vue centrée sur l'Indonésie : les agents IA entrent dans l'exécution en temps réel de la chaîne d'approvisionnement

Les chaînes d'approvisionnement multi-agents nécessitent une économie de coordination, pas seulement des agents spécialisés

Planificateurs + Agents : Pourquoi la planification de la supply chain nécessite le jugement humain et des agents IA gouvernés

Les dépenses en agents IA progressent plus vite que la discipline de déploiement en entreprise

Les agents IA doivent enrichir les prévisions uniquement avec des informations que le modèle ne peut pas voir

Pourquoi les boucles de rétroaction détermineront la valeur des agents IA en Supply Chain

La vraie question derrière les agents IA de la supply chain : qui possède la décision ?

L'architecture AWS fait passer l'IA multi-agents de la supply chain des tableaux de bord vers l'action

Les agents de Supply Chain ont besoin de preuves de transaction, pas de maîtrise conversationnelle

Arnaud Morvan et Damien Portmann présentent des cas d’usage concrets des agents IA en Supply Chain

Les agents de fret ont besoin de garde-fous commerciaux avant d'obtenir l'autorité d'exécution

Les applications de planification construites par l'IA réduisent le temps de développement, pas la complexité de la planification

L'orchestration de workflows est le plan de contrôle pour les agents Supply Chain

Les agents IA des fournisseurs introduisent une nouvelle couche de risque tiers dans la Supply Chain

La logistique agentique ne fonctionne que lorsque les agents peuvent survivre aux exceptions opérationnelles

Des agents désunifiés peuvent créer des décisions Supply Chain conflictuelles entre les systèmes ERP, WMS et logistiques

L'adoption d'agents de fabrication progresse plus rapidement que la préparation des données

Les agents IA longue durée transforment le modèle opérationnel de planification

Les projets d’agents IA échouent lorsque les équipes confondent outils et architecture

Agents IA dans la Supply Chain : Des Arbitrages de Planification à la Refonte des Décisions d'Entreprise

Les agents IA hybrides transforment automatiquement les plans d'usine en modèles de simulation

Le vrai goulot d'étranglement dans l'IA pour la Supply Chain, c'est le talent, pas la technologie

La logistique agentique nécessite des limites explicites pour la négociation et la réponse aux perturbations

Les organisations natives-IA arrivent plus vite que ne l'anticipent la plupart des supply chains

Ce que le « Agent Washing » signifie pour la gouvernance de la planification de la Supply Chain

L'IA en approvisionnement crée de la valeur avant que la décision n'atteigne l'ERP

La société de déploiement d'OpenAI relève les enjeux pour les cabinets de conseil spécialisés en Supply Chain

Les agents IA atteignent la production plus rapidement que les organisations ne définissent les responsabilités

L'IA fait évoluer la planification de la supply chain de la prédiction vers la replanification automatique

Florent Tronquit propose trois questions pour tester la valeur réelle de l’IA en Supply Chain

Créer une matrice de décisions et de permissions pour les agents de planification Supply Chain

# Construire un Agent AI Simulation-First pour Surveiller les Échecs de Livraison de la Supply Chain Les échecs de livraison de la supply chain peuvent coûter des millions en revenus perdus, pénalités et érosion de la confiance client. Les tableaux de bord traditionnels vous indiquent *ce qui* a échoué, mais pas *pourquoi* ni *quoi faire ensuite*. Un agent AI simulation-first surveille en continu les performances de livraison, exécute des simulations de scénarios contrefactuels et recommande des actions correctives avant que les problèmes ne s'aggravent. ## Pourquoi Simulation-First pour la Surveillance des Échecs de Livraison Les approches de surveillance standard détectent les écarts après coup. Une approche simulation-first modélise le système de livraison en tant qu'entités dynamiques interagissantes — transporteurs, entrepôts, commandes, capacité — et teste comment les changements d'une variable affectent les résultats. Cela permet une détection précoce des problèmes, une attribution des causes racines et une planification proactive de la récupération. **Capacités clés :** - **Détection d'anomalies en temps réel** : identifier les écarts par rapport aux taux de livraison attendus par transporteur, voie ou région - **Attribution de cause racine** : simuler des scénarios contrefactuels pour isoler si les retards proviennent de la capacité transporteur, du débit entrepôt ou de pics de demande - **Optimisation de récupération** : tester des routages alternatifs, des changements de transporteur ou des réallocations d'inventaire pour minimiser l'impact - **Analyse prédictive** : prévoir les échecs de livraison probables avant qu'ils ne se produisent en fonction des contraintes de capacité et des tendances de demande ## Architecture de l'Agent AI ### 1. Couche d'Ingestion de Données Connectez-vous aux sources de données de livraison : - **Systèmes de gestion de transport (TMS)** : statuts d'expédition, données de tracking transporteur, heures de livraison promises vs réelles - **Systèmes de gestion d'entrepôt (WMS)** : temps de traitement des commandes, niveaux d'inventaire, débit - **Données de commande** : volumes de commande, priorités, SLA clients - **Facteurs externes** : météo, congestion trafic, jours fériés, perturbations transporteur Normalisez les données dans un schéma commun incluant : ID commande, transporteur, origine, destination, heure promise, heure réelle, statut, raison d'échec. ### 2. Moteur de Simulation Construisez un modèle de simulation à événements discrets de votre réseau de livraison : **Entités :** - Commandes (avec priorité, destination, fenêtres de temps) - Transporteurs (avec capacité, zones de service, taux de fiabilité) - Entrepôts (avec capacité de traitement, inventaire) - Véhicules/routes (avec contraintes de capacité) **Processus :** - Arrivée de commande → File d'attente → Traitement entrepôt → Attribution transporteur → Transit → Livraison - Modélisez la variabilité : temps de traitement, durées de transit, taux d'échec transporteur **Outils :** - **SimPy** (Python) pour simulation à événements discrets - **AnyLogic** pour modélisation multi-méthode (events discrets + dynamique) - **Simulation personnalisée** utilisant des méthodes Monte Carlo pour la variabilité ### 3. Module de Détection d'Anomalies Surveillez les métriques de livraison en temps réel vs. résultats de simulation : **Métriques à tracker :** - Taux de livraison à temps (OTDR) par transporteur, voie, région - Temps de cycle moyen : commande → expédition → livraison - Taux d'échec et catégories de raison (retardé, manqué, retourné) - Utilisation de capacité transporteur **Méthodes de détection :** - **Contrôle de processus statistique** : détecter quand les métriques dépassent les limites de contrôle - **ML basé sur anomalie** : isolation forest, autoencodeurs pour identifier les schémas inhabituels - **Détection de dérive** : comparer la distribution actuelle vs. baseline de simulation ```python import numpy as np from sklearn.ensemble import IsolationForest # Exemple : détecter les taux d'échec anormaux de transporteur def detect_carrier_anomalies(delivery_data): features = delivery_data[['avg_delay', 'failure_rate', 'capacity_utilization']] model = IsolationForest(contamination=0.05, random_state=42) anomalies = model.fit_predict(features) delivery_data['anomaly'] = anomalies flagged_carriers = delivery_data[delivery_data['anomaly'] == -1] return flagged_carriers ``` ### 4. Moteur d'Attribution de Cause Racine Lorsqu'un échec est détecté, exécutez des simulations contrefactuelles pour identifier la cause : **Approche :** 1. **Baseline** : simuler le scénario réel avec les paramètres actuels 2. **Contrefactuels** : modifier une variable à la fois et re-simuler - Augmenter la capacité transporteur de 20% - Réduire le temps de traitement entrepôt de 15% - Rerouter les commandes vers un transporteur alternatif - Augmenter les niveaux d'inventaire de 10% 3. **Comparer les résultats** : quelle modification élimine ou réduit le plus l'échec ? ```python # Simulation contrefactuelle simplifiée def run_counterfactual(scenario, parameter, adjustment): baseline_otdr = simulate_deliveries(scenario) # Modifier le paramètre scenario[parameter] *= adjustment counterfactual_otdr = simulate_deliveries(scenario) impact = counterfactual_otdr - baseline_otdr return impact # Tester plusieurs hypothèses causes = { 'carrier_capacity': run_counterfactual(scenario, 'carrier_capacity', 1.2), 'warehouse_throughput': run_counterfactual(scenario, 'processing_time', 0.85), 'demand_spike': run_counterfactual(scenario, 'order_volume', 0.9) } root_cause = max(causes, key=causes.get) ``` ### 5. Optimiseur de Récupération Une fois la cause racine identifiée, simulez des actions de récupération : **Options de récupération :** - **Changement de transporteur** : déplacer le volume vers des transporteurs avec capacité disponible - **Rérouting** : utiliser des chemins alternatifs ou des hubs - **Expédition accélérée** : surclasser les commandes critiques vers un service plus rapide - **Réallocation d'inventaire** : expédier depuis des sites alternatifs plus proches de la destination **Méthode d'optimisation :** - Formuler comme un problème OR : minimiser le coût total (pénalités retard + coûts transport + coûts opérationnels) - Contraintes : capacité transporteur, disponibilité inventaire, SLA clients - Résoudre en utilisant des solveurs OR (OR-Tools, Gurobi) ou des méthodes heuristiques ```python from ortools.linear_solver import pywraplp def optimize_recovery(orders, carriers, warehouses): solver = pywraplp.Solver.CreateSolver('SCIP') # Variables : x[i,j,k] = 1 si commande i est assignée au transporteur j depuis l'entrepôt k x = {} for i in orders: for j in carriers: for k in warehouses: x[i,j,k] = solver.BoolVar(f'x_{i}_{j}_{k}') # Fonction objectif : minimiser le coût total (transport + pénalités) objective = solver.Objective() for i in orders: for j in carriers: for k in warehouses: cost = carriers[j]['cost'] + warehouses[k]['distance'] * 0.1 if carriers[j]['estimated_delay'] > 0: cost += orders[i]['delay_penalty'] objective.SetCoefficient(x[i,j,k], cost) objective.SetMinimization() # Contraintes : chaque commande doit être assignée une fois for i in orders: solver.Add(solver.Sum([x[i,j,k] for j in carriers for k in warehouses]) == 1) # Contraintes de capacité for j in carriers: solver.Add(solver.Sum([x[i,j,k] for i in orders for k in warehouses]) <= carriers[j]['capacity']) status = solver.Solve() if status == pywraplp.Solver.OPTIMAL: return extract_solution(x, orders, carriers, warehouses) else: return None ``` ### 6. Module de Prédiction Entraînez des modèles ML pour prédire les échecs de livraison probables : **Features :** - Historique de performance transporteur (taux de livraison à temps, temps de transit moyen) - Conditions de commande (priorité, destination, taille) - Facteurs contextuels (jour de la semaine, saison, météo) - Métriques de capacité (utilisation transporteur, charge d'entrepôt) **Modèles :** - **Classification binaire** : livraison à temps vs. échec - **Régression** : temps de livraison prédit - **Analyse de survie** : probabilité d'échec au fil du temps ```python from sklearn.ensemble import GradientBoostingClassifier from sklearn.model_selection import train_test_split # Entraîner le prédicteur d'échec de livraison def train_failure_predictor(historical_data): features = ['carrier_id', 'origin', 'destination', 'order_priority', 'carrier_utilization', 'day_of_week', 'weather_severity'] target = 'delivery_failed' X = historical_data[features] y = historical_data[target] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = GradientBoostingClassifier(n_estimators=100, max_depth=5) model.fit(X_train, y_train) accuracy = model.score(X_test, y_test) print(f"Précision modèle : {accuracy:.2f}") return model # Prédire les échecs pour les commandes entrantes def predict_failures(model, incoming_orders): predictions = model.predict_proba(incoming_orders)[:, 1] incoming_orders['failure_probability'] = predictions high_risk = incoming_orders[incoming_orders['failure_probability'] > 0.3] return high_risk ``` ### 7. Interface Agent et Actions L'agent surveille en continu et agit : **Workflow d'agent :** 1. **Surveiller** : ingérer des données de livraison en temps réel 2. **Détecter** : exécuter la détection d'anomalies sur les métriques clés 3. **Analyser** : déclencher des simulations contrefactuelles pour l'attribution de cause racine 4. **Optimiser** : générer des plans de récupération en utilisant l'optimisation OR 5. **Prédire** : signaler les commandes à haut risque pour intervention proactive 6. **Agir** : recommander ou exécuter automatiquement des actions (avec approbation humaine pour les décisions coûteuses) **Exemples d'actions :** - Alerte : notifier la supply chain manager de l'augmentation des échecs transporteur - Recommander : suggérer le changement de transporteur pour les commandes à haut risque - Automatiser : réassigner automatiquement les commandes si l'impact projeté < seuil - Escalader : alerter les gestionnaires si le plan de récupération dépasse le budget ```python class DeliveryMonitorAgent: def __init__(self, simulation_engine, anomaly_detector, optimizer): self.simulation = simulation_engine self.detector = anomaly_detector self.optimizer = optimizer self.alert_threshold = 0.15 # Alerte si OTDR baisse > 15% def monitor(self, delivery_data): # Détecter les anomalies anomalies = self.detector.detect(delivery_data) if not anomalies.empty: for _, anomaly in anomalies.iterrows(): # Exécuter l'analyse de cause racine root_cause = self.diagnose(anomaly) # Générer le plan de récupération recovery_plan = self.optimizer.optimize( orders=anomaly['affected_orders'], root_cause=root_cause ) # Décider de l'action if recovery_plan['impact'] > self.alert_threshold: self.alert_manager(anomaly, root_cause, recovery_plan) else: self.execute_recovery(recovery_plan) def diagnose(self, anomaly): # Exécuter des simulations contrefactuelles scenarios = { 'carrier_capacity': self.simulation.run({'carrier_capacity': 1.2}), 'warehouse_delay': self.simulation.run({'processing_time': 0.85}), 'demand_spike': self.simulation.run({'order_volume': 0.9}) } root_cause = max(scenarios, key=lambda k: scenarios[k]['improvement']) return root_cause def alert_manager(self, anomaly, root_cause, recovery_plan): message = f""" Échec de livraison détecté : - Transporteur : {anomaly['carrier']} - OTDR impact : -{anomaly['otdr_drop']*100:.1f}% - Cause racine : {root_cause} - Plan de récupération : {recovery_plan['description']} - Impact coût estimé : ${recovery_plan['cost']:,.0f} """ send_alert(message, priority='high') def execute_recovery(self, recovery_plan): # Exécuter automatiquement pour les problèmes à faible impact execute_plan(recovery_plan) log_action(recovery_plan) ``` ## Métriques d'Implémentation et de Validation **Démarrer petit :** 1. **Pilote** : sélectionner une région ou un transporteur avec des données historiques d'échec élevées 2. **Construire baseline** : exécuter la simulation sur 3-6 mois de données historiques 3. **Calibrer** : ajuster les paramètres de simulation pour correspondre aux résultats réels 4. **Valider** : comparer les prédictions d'agent avec les échecs réels sur des données non vues **Métriques de succès :** - **Taux de détection** : % d'échecs réels détectés par l'agent - **Faux positifs** : % d'alertes qui n'ont pas conduit à de véritables échecs - **Temps de réponse** : temps moyen de détection jusqu'à la récupération - **Amélioration OTDR** : augmentation du taux de livraison à temps après intervention de l'agent - **Économies de coûts** : réduction des pénalités, expéditions accélérées, escalades clients **Benchmarks cibles :** - Détection 80%+ des échecs avant livraison manquée - Réduction de 30-50% des pénalités de livraison tardive - Réduction de 20%+ des coûts d'expédition accélérée réactive - ROI 3-6 mois via la réduction des pénalités et l'amélioration de la satisfaction client ## Pièges Courants **Qualité des données :** les données de livraison sont souvent fragmentées entre TMS, WMS, portails transporteur. Investir dans l'intégration de données et la normalisation d'abord. **Complexité de simulation :** commencer simple. Un modèle basique de file d'attente avec variabilité bat les tableaux de bord statiques. Ajouter de la complexité de manière itérative. **Sur-automatisation :** ne pas automatiser les décisions coûteuses sans approbation humaine. Utiliser l'agent pour recommander ; les humains décident des actions majeures. **Ignorer les facteurs externes :** la météo, les jours fériés, les grèves transporteur ont un impact majeur sur les livraisons. Incorporer des sources de données externes. **Fatigue des alertes :** trop d'alertes conduisent à l'ignorance. Calibrer les seuils pour signaler seulement les anomalies exploitables. ## Résultat Pratique Un agent AI simulation-first transforme la surveillance de livraison de réactive à proactive. Vous détectez les problèmes plus tôt, comprenez leurs causes racines et exécutez des récupérations optimisées — souvent avant que les clients ne remarquent. Cela nécessite un investissement dans l'intégration de données et la construction de simulation, mais les gains sont mesurables : moins de pénalités, des clients plus satisfaits, et une équipe supply chain qui résout les problèmes au lieu de les combattre. Commencez par une région pilote, prouvez la valeur, puis étendez à votre réseau. Les gains de fiabilité de livraison paient eux-mêmes l'investissement.

Expérience : créer une entreprise de Supply Chain as a Service avec OpenOPC

Détection des valeurs aberrantes dans la Supply Chain 101 : Créer une équipe d'analyse du demand-sensing simple avec des agents AI

Vérifier si un agent IA Supply Chain est réel ou simplement agent-washé

Une Tour de Contrôle Multi-Agent Open-Source à l'Application de Décision Supply Chain Gouvernée

Manhattan Associates

Weights & Biases

Monte Carlo

Pactum

project44

LlamaIndex

Databricks Mosaic AI

Amazon Bedrock

Colibri S&OP

Credo AI

Keelvar

xAI

Cohere

Google Gemini Enterprise

Anthropic

Microsoft Dynamics 365 Supply Chain Management

Oracle Fusion Cloud SCM

DeepSeek

Microsoft Azure AI Foundry

Daybreak AI

GreyOrange

Writer

OpenAI

SAP

UiPath

Arize AI

Xeneta

Mistral AI

Arkieva

OneTrust

Opus Numeris

Prashant Gopalan

Arnaud Morvan

Damien Portmann

Alain Matar

Rajesh Gangadharan