Introduction et défi
ZAS avait besoin d'une méthode plus efficace pour organiser ses entrepôts. Le système actuel entraînait une sous-utilisation de l'espace de stockage et une gestion inefficace des salles de stockages, ce qui se traduisait par une perte de temps lors de la récupération des produits. Le défi consistait à minimiser le nombre d'unités modulaires utilisées, principalement en fonction des dimensions des produits, sans compromettre la séparation requise entre les articles stériles et non stériles et en garantissant un placement correct des produits en fonction de leur poids, de leur capacité à être empilés et d'autres caractéristiques (le 3D bin packing problem).
Au lieu de trouver la solution mathématiquement optimale - qui devient de plus en plus complexe au fur et à mesure que l'on ajoute des produits - l'objectif était d'utiliser l'heuristique pour créer une solution qui améliorerait l'efficacité des salles de stockages tout en maintenant le temps d'exécution du modèle à un niveau acceptable.
Approche du projet
Exigences du modèle
Le modèle devait prendre en compte diverses caractéristiques des produits et des modules. Les caractéristiques spécifiques aux produits étaient les dimensions du produit, le groupe de produits, les produits stériles et non stériles, le poids des articles, les articles empilables et les produits emboîtables. Les différentes dimensions des modules devaient également être prises en compte lors de la détermination de la capacité de stockage.
Exécution du modèle
Le modèle a été conçu pour être exécuté directement à partir d'une application web, en interface avec un algorithme de backend qui prend en charge les calculs lourds. Les utilisateurs peuvent télécharger un fichier modèle contenant des données sur les produits, configurer les paramètres et lancer l'exécution du modèle à partir de l'interface. L'algorithme génère alors un plan de stockage optimisé, en tenant compte des paramètres définis par l'utilisateur et de l'algorithme heuristique.
Résultats et évaluation
Une fois le modèle exécuté, les utilisateurs peuvent accéder à une vue d'ensemble des résultats dans une application web, où un résumé des résultats du modèle peut être consulté. Les principaux paramètres sont les suivants
- Le nombre de modules de stockage et de racks utilisés.
- Le pourcentage d'espace vide dans les modules et les rayonnages, indiquant l'efficacité de l'utilisation de l'espace.
- Une représentation graphique de l'organisation des produits dans les modules.
Le modèle a également généré une liste de produits qui ne rentraient pas dans les bacs disponibles et qui nécessitaient une attention particulière. Ces résultats pouvaient être consultés dans l'application web elle-même et un rapport pouvait également être téléchargé au format PDF.
Les résultats
L'utilisation d'heuristiques nous a permis de trouver un équilibre entre l'efficacité de l'espace et la vitesse de calcul. Le modèle a permis d'atteindre un degré élevé d'utilisation de l'espace tout en respectant les contraintes liées à l'emplacement et à la séparation des produits. En outre, le modèle peut être utilisé pour simuler le nombre de modules et d'unités de stockage nécessaires pour de nouveaux entrepôts ou à chaque fois qu'il y a un changement dans le portefeuille de produits de l'entrepôt existant.
ZNA a effectué des tests et une validation en parallèle pour garantir l'efficacité du modèle et son alignement sur les exigences opérationnelles de l'hôpital. Il s'agissait de faire fonctionner le modèle en même temps que les pratiques existantes de gestion des stocks de l'hôpital, ce qui nous a permis de comparer les résultats en temps réel.
Cette méthode de test a permis d'obtenir des informations précieuses et de s'assurer que le modèle fonctionnait de manière fiable dans les différents services et configurations de stockage. Elle a également permis à l'hôpital de passer en toute confiance au nouveau système sans perturber les processus existants.
Conclusion
Ce projet a démontré l'efficacité de l'utilisation de l'heuristique dans la résolution d'un problème complexe d'optimisation des stocks dans un environnement hospitalier. En donnant la priorité à l'efficacité de l'exécution plutôt qu'à l'optimalité mathématique, nous avons été en mesure de fournir une solution pratique qui a amélioré les opérations de l'hôpital. Notre modèle est adaptable aux changements futurs des configurations d'inventaire et de stockage, ce qui garantit son utilité à long terme.
Pour en savoir plus sur la manière dont nous utilisons l'apprentissage automatique pour optimiser les flux de travail, consultez notre page sur l 'apprentissage automatique.
