Le 02/12/2019 par gmassonnet :
Le stage s'inscrit dans le cadre du projet DISC : « Data-Driven Collaboration in Industrial Supply Chains », financé par l'Académie Franco-Allemande pour l'Industrie du Futur et réalisé en partenariat avec la TUM (Technische Universität München). L'objectif global du projet est de s'intéresser à des supply chains composées de plusieurs acteurs pour, d'une part, développer des méthodes d'optimisation basées sur les données et, d'autre part, proposer des schémas de collaboration qui permettent d'améliorer les performances globales tout en décentralisant les décisions opérationnelles.
Traditionnellement, les méthodes d'optimisation stochastiques s'appuient sur des modèles mathématiques privilégiés pour leurs propriétés analytiques, qui permettent d'envisager leur résolution de façon efficace. Depuis quelques années, ce paradigme est remis en cause par de nouvelles approches qui intègrent les données brutes (observations de paramètres incertains), dans la caractérisation du modèle utilisé. Le but de ce stage est d'étudier ce type de méthode, en se concentrant en particulier sur une application industrielle rencontrée par Airbus sur sa supply chain. L'enjeu principal est de proposer une modélisation mathématique appropriée qui traduise l'organisation de telles supply chains à échelons multiples, en tenant compte des contraintes d'approvisionnement et des données disponibles. L'objectif sera ensuite de développer des méthodes de résolution qui intègrent les informations collectées le long de la chaîne de production, mais aussi de définir la nature des données (type, précision, fiabilité) utiles en entrée de l'algorithme d'optimisation. En particulier, on s'intéressera à obtenir des plans de production et de transport robuste face à l'incertitude (ou le manque de précision) des données disponibles.
La confrontation du modèle théorique avec l'application pratique qui le motive se fera sur la base de jeux de données issus du logiciel FlowMetrics développé par Airbus pour le suivi de ses pièces/tronçons le long de sa chaîne de montage. Cela permettra de valider la pertinence des méthodes développées pour répondre à une ou plusieurs problématiques qui apparaissent dans ce contexte, telles que réduction des délais entre deux échelons, l'amélioration du niveau de service (ou minimisation des ruptures de stock), ou encore la minimisation du « bullwhip effect ».
Le projet peut donc se décomposer selon les axes d'études suivants :
Determiner la meilleure utilisation possible des données de traçabilité récoltées par FlowMetrics, qui a récemment été mis en place pour la modélisation et la prévision des flux.
Modéliser un problème d'optimisation portant en premier lieu sur l'interface entre deux couches de la chaîne d'approvisionnement pour mieux planifier les opérations de production ainsi que les moyens et politiques de transport.
Proposer une méthode de résolution pour ce problème.
Elargir l'approche à d'autres parties de la supply-chain (modes de transport diversifiés, décentralisation des décisions, etc.).
Le stage de master consistera à explorer ces pistes de recherche. Le/la stagiaire travaillera en collaboration avec des enseignants-chercheurs d'IMT Atlantique (Laboratoire LS2N, équipe SLP). Le projet DISC prévoit le démarrage d'une thèse dans la suite du stage en septembre 2020. Les étudiants qui souhaitent poursuivre leurs études par un doctorat seront donc privilégiés pour ce stage.
La personne recrutée devra :
être étudiant(e) en école d'ingénieur ou en master au niveau Bac+5, avec une spécialité en aide à la décision et recherche opérationnelle. Des connaissances en probabilités/statistiques seront également appréciées.
être autonome pour la programmation (C++/Java/Python/Julia au choix)
être capable de travailler en équipe, dans un contexte académique .
Bourse de stage de 6 mois, commençant début 2020 (février/mars).
Indemnisation de stage : 550 euros/mois
Poste basé à Nantes.
Les candidatures devront être transmises par mail à Fabien Lehuédé ou Guillaume Massonnet et devront comprendre :
Alexandre Dolgui - alexandre.dolgui@imt-atlantique.fr
Fabien Lehuédé - fabien.lehuede@imt-atlantique.fr
Guillaume Massonnet - guillaume.massonnet@imt-atlantique.fr
