Le contexte
Les flux de conteneurs mobilisent des données hétérogènes et des besoins d’anticipation : disponibilité, capacité et rendez-vous. L’objectif était de rendre ces données exploitables par les acteurs de la logistique.
Mon rôle
J’ai dirigé le développement de solutions IA : un moteur d’insights GenAI pour interroger les KPIs CO₂, des pipelines OCR + LLM pour les documents et des modules de prévision de séries temporelles.
De la donnée à l’usage
J’ai articulé des pipelines RAG et des bases vectorielles, des modèles de prévision et des APIs FastAPI. Docker, Kubernetes, Airflow et Scaleway soutiennent l’intégration et le déploiement de ces services dans la plateforme.
Résultats et publications
Les solutions IA développées ont contribué à un gain de 10 % d’efficacité opérationnelle dans la gestion des flux logistiques. Deux publications à KES 2024 présentent les travaux sur la prévision de disponibilité des conteneurs et la modélisation d’un jumeau numérique portuaire.
Ce que ce cas permet d’évaluer
La capacité à passer d’un besoin métier à des pipelines et services IA, puis à expliciter les méthodes dans des publications. Le code de production et les données clients ne sont pas publics.