Investigation autour de la planification et la prédiction en utilisant l’IA dans un système de production

Abstract

Ce mémoire explore l’intégration de l’intelligence artificielle (IA) dans la prévision de la demande et la planification de la production au sein des systèmes industriels, avec une application concrète dans le secteur textile algérien à travers le cas de l’entreprise TAYAL SPA. Il répond aux limites des méthodes classiques de prévision, souvent inefficaces face aux comportements non linéaires, aux variations saisonnières et aux chocs exogènes. Pour y remédier, une architecture hybride de prévision est proposée, combinant des modèles statistiques (SARIMA, Prophet) à des algorithmes de machine Learning (XGBoost), avec une optimisation intelligente des hyperparamètres via Optuna. Cette synergie vise à capter à la fois les dynamiques linéaires et les résidus non linéaires, pour améliorer la précision des prévisions. Deux jeux de données ont été utilisés pour l’évaluation expérimentale : les données de production internes de TAYAL SPA et les données hebdomadaires d’exportation de coton de l’USDA. Le modèle hybride SARIMA–XGBoost–Optuna, mis à jour toutes les deux semaines et évalué selon des indicateurs tels que le WAPE, MAE, RMSE et MASE, a montré des performances nettement supérieures. Les méthodes proposées ont été intégrées dans la solution intelligente VisionPlan, un outil d’aide à la décision qui automatise l’ingestion des données, les prévisions, la correction des erreurs et le suivi des performances. Sa structure modulaire et son assistant conversationnel IA facilitent son utilisation et renforcent l’interprétabilité des résultats (M2M). Les résultats montrent que l’hybridation des approches IA et statistiques, déployée à travers VisionPlan, permet une planification industrielle plus agile, précise et robuste. Les perspectives futures incluent l’intégration de variables exogènes et de modèles de Deep Learning pour renforcer encore les capacités prédictives.