# Laboratoire Angevin de Recherche en Ingénierie des Systèmes

- **Lieu de travail** : Angers
- **Champs scientifiques** : STIC
- **Mots clés** : Apprentissage profond, Deep Learning, intelligence artificielle, recherche opérationnelle, optimisation
- **Date limite de candidature**: 1/12/2021

# Établissement recruteur

Site web : [https://laris.univ-angers.fr/fr/index.html](https://laris.univ-angers.fr/fr/index.html)

Le Laboratoire Angevin de Recherche en Ingénierie des Systèmes est une équipe d'accueil EA7315 de l'université d'Angers, composée de 3 équipes interconnectées :

- Systèmes Dynamiques et Optimisation (SDO)

- Information, Signal, Image et Sciences du Vivant (ISISV)

- Sûreté de Fonctionnement et aide à la Décision (SFD)

L'effectif actuel est de 59 enseignants-chercheurs dont 29 HDR et 37 doctorants.

Le LARIS regroupe des chercheurs de 4 composantes de l'université d'Angers (Polytech Angers (sites Belle-Beille et ISSBA), IUT, UFR Sciences, UFR ESTHUA), du CHU et de l'Université Catholique de l'Ouest (UCO). Il est partie prenante dans la Structure Fédérative de Recherche (SFR) MathSTIC de l'Université d'Angers.

# Description

**Date de fin de validité** : 1/12/2021 **Mots clés** : Intelligence artificielle, Apprentissage profond, Recherche opérationnelle, optimisation

**Stage** de 4 à 6 mois niveau bac + 5

**Début du stage** : févrirer 2022 (peut être ajusté en fonction de votre disponibilité).

**Salaire** : environ 550 euros/mois

## Contexte scientifique
A l'heure de l'industrie 4.0 les gestionnaires d'entrepôts ont accès, en temps quasi temps réel, à des données détaillées issues de leurs centres logistiques. Ces données permettent de suivre automatiquement pour chaque produit :

* l'état des stocks ;
* l'emplacement exact des produits dans l'entrepôt ;
* l'état des emplacements de stockage ;
* ...

Les gestionnaires d'entrepôts peuvent aussi extraire des commandes les modèles de demande des clients. Parallèlement, la mondialisation et la complexité croissante des chaînes d'approvisionnement, l'accélération des délais d'exécution et la réduction du cycle de vie des produits entraînent une modification constante des niveaux de stock des entrepôts et des modèles des demandes des clients.

L'un des principaux facteurs de coût pour les gestionnaires d'entrepôts est le processus de préparation des commandes, qui peut représenter plus de la moitié des dépenses d'exploitation d'un centre de distribution.

La performance de la préparation des commandes est à son tour influencée par la politique d'affectation des produits dans les stocks, qui détermine souvent le temps de préparation d'une commande. En effet, si un produit très souvent commandé est placé trop loin des postes de préparation, le temps pour aller chercher ce produit aura une grande répercussion sur le temps de préparation de la commande.

## Programme de travail

L'optimisation des performances des préparation de commande dans les entrepôts automatisés passe par une affection judicieuse des produits aux emplacements de stockage. Ce problème d'affectation des positions de stockage pour les produits (nommé Storage Location Assignment Problem dans la littérature), est généralement abordé par les méthodes relevant de la recherche opérationnelle [1].

Les gestionnaires d'entrepôts doivent rester compétitifs en termes de coûts, mais aussi maintenir des niveaux élevés de disponibilité des produits et des services aux clients malgré la grande fluctuation des produits demandés par les clients (promotion soudaine sur un produit, période de solde, ...). Les solutions proposées par les méthodes de recherche opérationnelle sont généralement qualifiées de statiques. Elles ne s'adaptent pas à ces variations soudaines des modèles des demandes clients.

L'objectif de ce travail de master recherche est d'explorer les méthodes d'apprentissage profond [2], issues du monde de l'intelligence artificielle, afin d'améliorer la réactivité dans l'affectation des produits aux emplacement de stockage. Cette affectation réactive doit permettre d'éviter une dégradation des performances dans la préparation des commandes lors de variations soudaines des demandes clients. Ce travail se situe dans la continuité des travaux [3].

# Références

[1] J. Reyes, E. Solano-Charris, and J. Montoya-Torres. "The storage location assignment problem:A literature review".*International Journal of Industrial Engineering Computations*, 10:199–224,2019.
[2] I.-J. Goodfellow, Y. Bengio and A. Courville. "Deep Learning", *MIT Press*, 2016.
[3] Paul Courtin, Axel Grimault, Mehdi Lhommeau, Jean-Baptiste Fasquel. "Problème d'affectation dynamique des emplacements de stockage chez Knapp : vers de l'apprentissage automatique ?". *Plate-Forme Intelligence Artificielle*, Jun 2020, Angers, France

# Profil

Compétences et aptitudes requises

- Programmation en langage Python
- Maitrise des librairies de traitement de données (Numpy, SkLearn, OpenCV, Pandas ,…)
- Connaissances souhaitées des principales librairies d'IA (Tensorflow, Keras, Pytorch, ...)
- Compréhension des principes d'analyse des données (classification, régression, segmentation, clustering…)
- Goût pour l’expérimentation technique fortement souhaité.
- Curieux, autonome, ayant l’esprit d’initiative, sachant communiquer, créatif, ...