Rechercher dans le radar

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

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

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

REMIRA positionne un logiciel de gestion des stocks et de la supply chain alimenté par l'IA pour les équipes de planification européennes

FourKites lance Loft pour orchestrer les workflows IA dans les Supply Chains d’entreprise

DeepFabric lance une plateforme d'agents AI pour les opérations Supply Chain de bout en bout

Les applications de chaîne d'approvisionnement codées à la volée passent de l'expérimentation au défi de gouvernance

SAP Connect montre Joule évoluer de l'analyse des perturbations Supply Chain vers leur résolution dans le workflow

McKesson présente l’IA et l’automatisation comme des capacités centrales de la Supply Chain à ideaShare 2026

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

SAP présente à Sapphire des innovations Supply Chain AI-first et centrées sur le réseau

Slimstock apporte une planification AI de nouvelle génération au SAPICS 2026

Sunstice et Kbrw connectent la planification et l'exécution grâce à une boucle de décision agentique

Magentic lève 18 M$ pour développer ses agents IA de procurement et supply chain

Sunstice lance la couche IA agentique Helios pour des décisions de chaîne d'approvisionnement plus rapides

Microsoft Dynamics 365 montre comment l'IA agentique relie les données de la chaîne d'approvisionnement, les décisions et l'exécution

Blue Yonder présente la visibilité multi-entreprise et l'AI agentique comme une couche de résilience

FuturMaster devient Sunstice et présente la Structured Agility pour le SCP et le RGM

Le Forum Économique Mondial décerne 16 nouveaux prix Lighthouse alors que l'IA se déploie à grande échelle dans la fabrication et les chaînes d'approvisionnement

Sunstice lance Helios, une couche d’IA agentique pour le Supply Chain Planning

Le centre de service de chaîne d'approvisionnement de Flash Global à Dallas commence ses opérations

Stord opens live fulfillment data to AI workflows through MCP

Maria Jesús Sáenz reçoit le prix du meilleur article d’Operations Management Research

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

Kodiact lance une plateforme de simulation native AI pour les décisions sur les matières directes

Infor place la préparation de l'entrepôt au centre de l'exécution de l'AI à grande échelle

Redwood soutient que l'AI de la chaîne d'approvisionnement doit aller au-delà de l'automatisation

Infios introduit Archer pour l'assistance à l'exécution de la chaîne d'approvisionnement

IFS.ai élargit la pertinence de l'IA industrielle pour la planification des opérations, du service et de l'ordonnancement

Manhattan Associates commercialise son AI Agent Workforce

Responsable Supply Chain H/F — Mission de Transition

Responsable Supply Chain Intérimaire — Industrie Agroalimentaire

Chef de Produit Senior, Supply Chain

Chef de Produit Senior, Supply Chain

Account Director — Supply Chain

Chef de Produit Senior, Responsable Produit/Design IA — Supply Chain & Logistique

Ingénieur Principal, Transformation de la Supply Chain

Expert Solution Advisor — Supply Chain Management, Plan to Deliver

Analyste Configuration — Supply Chain

Responsable Mondial de l'Amélioration Continue ISC, Supply Chain

Account Executive, SAP Academy for Customer Success

Gestionnaire de la Chaîne d'Approvisionnement Thérapeutique

Chef de Produit, Plateforme de Données & Plateforme AI

Senior Director — Business Architect, Supply Chain Management

Responsable Commercial Solutions, Gestion de la Chaîne Logistique

Expert Solution Sales — Supply Chain Management et Business Network

Senior NPI Sourcing and Supply Chain Program Manager, AWS Power & Cooling

Chef de Produit Senior, AI — Supply Chain et Achats

Lead Product Manager — IA Supply Chain

Responsable Supply Chain Global

Expert en Vente de Solutions – Gestion de la Chaîne Logistique

# Directeur de Comptes Entreprise, Gestion des Risques de la Chaîne d'Approvisionnement

Client Partner — Planification Supply Chain

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

Chef de Projet Senior, Réimplémentation NetSuite

Analyste de Données de la Supply Chain

Ingénieur Business Intelligence II, Gestion Automatisée des Stocks

Responsable Senior du Personnel Logistique

Spécialiste, Gestion des Commandes

Coordinateur Changement

EVENT: L'orchestration de la supply chain relie la planification et l'exécution

EVENT: DFYA présente MyExobrain au Supply Chain Event 2024

EVENT: Reuters Supply Chain USA 2026 — Jour Deux

ÉVÉNEMENT : La conférence Global Supply Chain Management se tient à Niagara Falls

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

EVENT: Alpes Supply Chain reçoit le « prix coup de cœur » au Gala des Directeurs Supply Chain

ÉVÉNEMENT : EurOMA 2026 examine l'IA, la planification et la résilience de la supply chain

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

EVENT : Webinar — Five MarketMaps, Une Architecture Technologique Émergente de la Supply Chain

MIT achève une formation avancée en Supply Chain pilotée par AI pour les responsables opérationnels

EVENT : Les industriels révisent leurs stratégies de résilience de la chaîne d'approvisionnement

SAP présente les mises à jour de la planification Revenue Growth Management T2 et de l'IA

SECURITY: Le projet du NIST redéfinit la cybersécurité des systèmes IA et des menaces assistées par l’IA

SECURITY: Une compromission de GitHub Actions expose les secrets des chaînes CI/CD

EVENT : SAP Ariba Customer Success Day se concentre sur Joule et l’approvisionnement autonome

ÉVÉNEMENT : Le Sommet de la Gestion des Stocks et de l'Entreposage se tient à Delhi

ATTACK: Une intrusion cloud assistée par l’IA atteint les droits administrateur en huit minutes

EVENT: Le Procurement & Sourcing Summit place l'approvisionnement piloté par l'IA et la résilience au centre

REGULATION: L’EDPS publie un cadre structuré de gestion des risques liés à l’IA

WARNING: La découverte de vulnérabilités assistée par l’IA bouleverse le cycle traditionnel des correctifs

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

Le retour sur investissement des technologies de supply chain est insuffisant lorsque la stratégie et la gouvernance font défaut

L'adoption de l'IA dans la supply chain augmente, mais les données fragmentées limitent la valeur mesurable

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

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

La gestion des risques transforme le modèle opérationnel de la Supply Chain

Les équipes opérationnelles doivent être propriétaires de la transformation Supply Chain

Cartographie de la première vague d'applications Supply Chain codées par vibe

L'adoption de l'AI dans la Supply Chain passe de la visibilité à l'action contrôlée

L'écart de compétences AI dans les talents supply chain nécessite une refonte des rôles, pas seulement du recrutement

L'évolution de la demande de compétences en IA redessine le modèle opérationnel de la supply chain

Applications Supply Chain Codées par Vibe : Évaluation de Dataleo de la Première Vague

Le leader de la supply chain doté de l'IA

Le dirigeant de la supply chain doté d'IA reste le propriétaire de la décision

Les compétences en supply chain deviennent des compétences en architecture de décision

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

Comment la comptabilité des coûts fixes peut affaiblir l’agilité Supply Chain

Les Supply Chains auto-pilotées arrivent avant que les entreprises aient défini qui possède la décision

La planification de la supply chain par IA doit relier les alertes à une exécution contrôlée

La valeur de la planification augmente lorsque les données d'exécution bouclent la boucle

L'IA supply chain nécessite plus que de l'automatisation

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

L'IA et l'ingénierie décisionnelle peuvent réduire l'héroïsme des planificateurs

Les chaînes d'approvisionnement alimentées par l'AI nécessitent une refonte du travail, pas seulement de l'automatisation

L'IA ne tue pas l'APS. Elle revalorise la pile logicielle de la Supply Chain.

Le portefeuille de projets DataLeo illustre l’évolution du rôle des consultants indépendants en transformation Supply Chain

Les partenariats portuaires nécessitent des données d'exception partagées pour devenir opérationnels

Le ROI d'un logiciel de planification nécessite une attribution financière et une responsabilité post-déploiement

Sekilo montre pourquoi les chaînes d'approvisionnement IA verticales peuvent surpasser les places de marché généralistes

Shakil Ahmed Chowdhury estime que l’IA fera évoluer les métiers Procurement et Supply Chain de l’exécution vers le jugement

L'autonomie contrôlée définira la gestion des perturbations assistée par l'IA

# 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.

Cartographier le portefeuille IT de la supply chain avant d'ajouter une autre application IA

Comment Valider une Prévision de Demande AI Avant que les Planificateurs l'Utilisent

Oracle Supply Chain Management

Microsoft Dynamics 365 Supply Chain Management

Aptean

Körber Supply Chain

Körber

Epicor

Trimble

QAD

Siemens Digital Industries Software

Sunstice

REMIRA

Blue Yonder

Argon & Co

Microsoft

SAP

Manhattan Associates

KBRW

Informatica

OneTrust

Credo AI

BigID

Workday Adaptive Planning

Holistic AI

Bringg

Cranfield Centre for Logistics and Supply Chain Management

NC State Supply Chain Resource Cooperative

Supply Chain Dive

INSEAD Technology and Operations Management

UPS Supply Chain Solutions

Ryder Supply Chain Solutions

FedEx Supply Chain

DHL Supply Chain

Arvato Supply Chain Solutions

CSCMP

Logistics Management

Penske Logistics

ASCM

C.H. Robinson

Alkemys Consulting

Opus Numeris

GEODIS

CEVA Logistics

Daniel Stanton

Alain Matar

Gregory Pitstick

Shakil Ahmed Chowdhury

Martijn Lofvers

Dale Rogers

David Simchi-Levi

Chinmay Bhatt

Thomas Barciet

Roberto Michel

Damien Portmann

Yossi Sheffi

Maria Villablanca

Adrian Gonzalez

Tanguy Caillet

Prashant Gopalan

Diego Faria