La ROADEF
La R.O.A.D
Evénements
Prix
Publications
Plus
Forums
Connexion
Livre blanc

Lyon : INSA / Savoye, Offre de thèse Cifre Recherche Opérationnelle et Machine Learning dans le doma

Forum 'Emplois' - Sujet créé le 2020-05-13 par Marwane Bouznif

Lyon, Thèse Cifre : Combinaison d’approches machine learning et recherche opérationnelle pour l’aide à la décision concernant les opérations d’entrepôt 

Dans les plate-formes logistiques, la préparation de commande est aujourd’hui l’opération la plus coûteuse car elle demande beaucoup de temps et de main d’œuvre. C’est aussi une des opérations les plus stratégiques, car les clients sont de plus en plus exigeants sur les délais de livraison et la qualité de service.

Savoye est une entreprise de 630 collaborateurs, conceptrice de solutions mécanisées et éditrice de logiciels pour le monde de la logistique – ASRS, convoyeurs automatiques, ... ou encore logiciels de gestion d’entrepôts (WMS, WCS, OMS, TMS, . . .) – leader français et 7ème européen dans son domaine. Son siège social se situe à Dijon et son équipe R&D, dont l’activité est transverse à plusieurs domaines, de l’électronique à l’algorithmique mathématique, est basée à la fois à Dijon, St-Étienne et à Lyon. Les travaux menés au sein de cette unité portent sur l’ensemble de ces domaines : l’implantation des produits dans un entrepôt logistique (slotting), routage de colis dans un convoyeur, répartition des commandes dans un contexte multi-sites, élaboration d’un framework de développement basé sur un moteur de workflow, outil de planification automatique de tâches, robotisations des process, conception de navettes automatisées, ...

Deux laboratoires de l’INSA Lyon sont impliqués dans l’encadrement de ce travail de master. Le laboratoire DISP développe des modèles d’aide à la décision, exploitant notamment la programmation mathématique, pour les systèmes de production. Le LIRIS, plus particulièrement l’équipe « Data Mining & Machine Learning », développe des méthodes de fouille de données et d’apprentissage supervisé et les met en œuvre dans différents contextes applicatifs.

Descriptif du projet

Cette thèse a pour ambition de tirer partie des techniques de machine learning, de data mining et de recherche opérationnelle pour résoudre un problème de planification et d’organisation des opérations de l’entrepôt.

L’objectif est d’expliquer des phénomènes observés dans les données pour pouvoir intégrer cette connaissance dans les opérations logistiques qui en dépendent. Cette information peut alors être intégrée en entrée des modèles de recherche opérationnelle pour avoir une estimation très fine des contraintes à prendre en compte dans la planification.

Un exemple possible d’application est l’organisation des tournées de réapprovisionnement des emplacements de picking. Aujourd’hui, dans les solutions soft Savoye, les vagues de réapprovisionnement sont lancées de manière réactive lorsque des seuils minimum sont atteints. Les tournées à effectuer par les caristes pour réapprovisionner les emplacements de picking sont organisées à la volée. On cherchera à proposer une organisation plus anticipée dans laquelle les missions de réapprovisionnement à effectuer seraient préalablement prévues par machine learning et organisées en missions pour la journée de manière optimisée.

D’autres décisions de la gestion d’entrepôt pourraient également être abordées en fonction des goûts du doctorant et des priorités de la stratégie de Savoye.

Profil recherché et candidatures

Le candidat doit présenter :

  • des connaissances en fouille de données, apprentissage automatique et/ou recherche opérationnelle
  • des compétences en programmation
  • un intérêt pour la recherche et le domaine de la logistique

Le dossier de candidature doit être envoyé par email en un seul fichier PDF à celine.robardet@insa-lyon.fr, annelaure.ladier@insa-lyon.fr, ludovic.moncla@insa-lyon.fr et marwane.bouznif@savoye.com. Le dossier doit inclure : un CV détaillé, une lettre de motivation et le relevé de notes des deux dernières années universitaires (M1 et M2 ou équivalent)