OneRail utilise l'IA de Nvidia pour optimiser la livraison du dernier kilomètre en temps réel
OneRail, entreprise américaine spécialisée dans la logistique du dernier kilomètre, a lancé une plateforme baptisée OmniSTAR, développée avec la technologie de Nvidia, pour aider détaillants, grossistes et distributeurs à déterminer le mode de livraison le plus économique pour chaque commande. Le système évalue plusieurs options, flottes propres, coursiers, transporteurs colis et autres modes de livraison, puis sélectionne la solution la moins coûteuse répondant au niveau de service requis. OmniSTAR combine le moteur d'optimisation décisionnelle cuOpt de Nvidia et son logiciel de traitement de données cuDF avec les données de tarification et de performance de livraison propres à OneRail, le tout accéléré par l'infrastructure de calcul de Nvidia. Selon l'entreprise, cette architecture réduit les temps de calcul jusqu'à dix fois : un calcul qui prenait auparavant 20 minutes s'exécute désormais en moins de deux minutes, et un calcul nécessitant une semaine se ramène à environ deux jours. Le réseau de OneRail s'appuie sur des millions de livraisons couvrant plus de 12 millions de chauffeurs et plus de 1 000 partenaires logistiques.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AI News. Lire l'article original →
Cette accélération change la nature même de la décision logistique : au lieu de planifier les itinéraires à l'avance selon des règles statiques, les entreprises peuvent désormais comparer en temps réel de multiples options d'exécution avant même d'assigner une commande. Catania, dirigeant de OneRail, a résumé l'enjeu auprès de CNBC en expliquant que l'incapacité à prendre des décisions ultra-rapides revient à sacrifier de la marge, la livraison du dernier kilomètre étant particulièrement coûteuse. Pour les détaillants et distributeurs, qui recourent encore largement à une planification manuelle ou à des règles figées, cela représente un levier direct de réduction des coûts et d'amélioration de la rentabilité par article, en identifiant notamment quelles règles de livraison génèrent des surcoûts inutiles.
Cette avancée s'inscrit dans un mouvement plus large de recherche sur l'optimisation dynamique des tournées de véhicules, un champ qui distingue traditionnellement la prédiction de conditions changeantes de la recréation en temps réel des décisions opérationnelles à mesure que de nouvelles informations arrivent, une distinction confirmée par une revue de littérature publiée en 2024 dans l'European Journal of Operational Research. Nvidia positionne cuOpt comme une bibliothèque open source accélérée par GPU, capable de prendre en compte coûts des véhicules, capacités, temps de trajet et contraintes horaires, sans tester exhaustivement chaque itinéraire possible mais en générant des solutions candidates améliorées itérativement par des heuristiques. Au-delà de OmniSTAR, OneRail développe des modèles de machine learning estimant le risque de retard, la probabilité de réussite d'une livraison au premier passage et les fourchettes de prix attendues, autant de briques qui alimentent ensuite les décisions d'exécution automatisées.
Pas d'impact direct sur la France/UE