Ida

🥝 Ida recrute pour lutter contre le gaspillage alimentaire ! 🥝 Chez Ida, nous révolutionnons la chaîne d'approvisionnement des produits ultra-frais, de la fourche à l'assiette. Notre croissance s'accélère et nous avons besoin de vous pour renforcer nos équipes ! Nous recherchons : - Data Engineer 🛠️ Votre mission : Créer des pipelines de données end-to-end pour connecter Ida aux acteurs majeurs de la grande distribution. Défi : Intégrer de nombreuses nouvelles enseignes et soutenir nos équipes dans cette expansion. https://lnkd.in/eb3hxF9w - Machine Learning Engineer 🧠 Votre mission : scaler notre plateforme d'engineering et de venir nous aider sur la création et l'évaluation des algorithmes d'IA. https://lnkd.in/eiXMFYbA A savoir que les deux postes sont très transverses et que vous serez amener à travailler au sein des deux équipes au cours des premiers mois. 🍉 Si developper des produits d'IA avec un impact direct te tente, n’hésite pas à postuler via les liens ou en m’écrivant directement sur LinkedIn. 🍉

Félicitations Maxence Morillon pour avoir développé Wander pendant votre 3e année aux Mines Paris - PSL (c'était un plaisir de vous avoir au sein de l’option Innovation et Entrepreneuriat 👍), avec Nil Parent et Arthur Morillon, tous deux en 3e année à l'Ecole des Ponts ParisTech. Merci à la Fondation Mines Paris qui a soutenu ce projet. Bravo aux trois fondateurs pour avoir réussi à intégrer Agoranov. L’incubateur que nous adorons ❤️ et qui a 20 ans de compagnonnage avec les Mines et ses diplômés puisque Criteo y est rentrée en 2005, et ont suivi Expliseat, Weezic, Legalstart, Lifen, DNA Script, EMBODME, SUBLIME Energie, Bigblue, Fairmat, Flaneer, Ida et d’autres encore. Merci infiniment à Jean-Michel Dalle, son directeur, et à toutes celles et tous ceux qui y ont soutenu ces entreprises 👏. Mines Paris Alumni PSL Research University #innovation #entrepreneuriat #incubateurs

[VOUS SAVEZ COMBIEN DE MELONS NOUS ALLONS VENDRE CE WE ?] Cela fait maintenant plus d’un an que Carrefour collabore avec Ida pour relever l’un des défis majeurs du Groupe : la prévision de ventes des produits frais : fruits & légumes, boucherie, marée… Face à la difficulté de prévoir nos ventes et avec un processus de commande encore largement manuel, Carrefour a décidé de faire appel à Ida pour y ajouter de l’intelligence artificielle. Ce partenariat s’inscrit dans notre démarche de modernisation continue, où l’intelligence artificielle joue un rôle central pour déterminer les quantités exactes à commander en tenant compte de centaines de paramètres. Le calcul des stocks, particulièrement complexe pour les produits sans code-barres, est lui désormais pris en charge de manière automatisée. Présente dans plusieurs de nos hypermarchés et market dont les franchisés, en France, cette solution affiche déjà des résultats prometteurs ! La collaboration avec s’étend au-delà des magasins. Nos fournisseurs sont également impliqués dans la démarche. Bravo à toute l’équipe de Carrefour des produits frais et de l’innovation, aux partenaires et à toute l’équipe d’@Ida : Alex Chataigner Mateo Beacco Mathieu Grosso ! 🍉 Alexandre de Palmas Joelle BEJJANI Julien Munch franck kenner Tina Schuler Francois VINCENT Emmanuel Grenier Mourad Bensadik Miguel Ángel González Gisbert Elodie Perthuisot Mathieu Ricou Anthony Géret Guillaume Cocovi Hélène Labaume Nicolas Safis Alice Bataille Alex Chataigner Mateo Beacco

Je suis très heureux d'annoncer que Biomonde Solidarité a choisi Ida pour optimiser l’ensemble de ses produits ultra-frais dans ses 145 magasins ! 🍈 Créée en 1992, Biomonde est la 3e coopérative de commerçants bio indépendants en France, avec plus de 145 magasins répartis à travers tout le pays. Notre mission ? Optimiser l’approvisionnement en produits frais traditionnels grâce à l’IA dans tout le réseau pour éradiquer le gaspillage alimentaire, un enjeu central pour Biomonde et au cœur de la raison d’être d’Ida. 💚 À la clé, une réduction constatée de 30 à 50% de la démarque, 80% de réduction des ruptures et des produits nouveaux et moins chers pour l’ensemble des clients du réseau, 🙏 Un grand merci à Philippe Poniewira, Yvan Monnier et à tous les fournisseurs bio pour leur collaboration dans le déploiement de cet ambitieux projet à l’échelle

Le quantile à 5% est supérieur au quantile à 95%. Oui oui, vous avez bien lu. En tout cas, ce sont les prévisions de mon modèle de série temporelle… La dernière fois, j'avais expliqué pourquoi maximiser la vraisemblance pouvait mener à des résultats trompeurs quand on veut prédire de manière probabiliste une série temporelle. Mais même les méthodes plus simples comme la régression quantile ont leurs propres limites. La régression linéaire cherche à estimer l’espérance conditionnelle de Y sachant X, c’est-à-dire E[Y|X]. Mais que faire si on veut estimer des quantiles conditionnels de la distribution de Y|X ? Par exemple, prédire la médiane de Y|X est utile lorsque des valeurs extrêmes perturbent la moyenne. Chez Ida, nous prévoyons la demande de produits frais, et pour éviter les ruptures de stock, il est souvent nécessaire d'estimer des quantiles élevés (quantile à 95% par exemple). La régression quantile est alors un outil simple et efficace : en remplaçant la fonction de perte de la régression linéaire par une pinball loss, on peut prédire n’importe quel quantile de Y|X. Mais ce n’est pas sans risque ! Prenons un cas où les résidus de notre modèle sont hétéroscédastiques, c’est-à-dire que la variance de Y|X change avec X. Dans cette situation, un phénomène étrange peut survenir : les prévisions du quantile à 5% peuvent être plus élevées que celles du quantile à 95% ! Comment est-ce possible ? Si la variance des données diminue au fil du temps, le quantile à 95% peut progressivement baisser, tandis que le quantile à 5% augmente. Les quantiles finissent fatalement par se croiser, rendant les prévisions incohérentes. Alors comment résoudre le paradoxe ? Soit on utilise des méthodes qui estiment l’ensemble des quantiles simultanément, avec des contraintes de monotonie sur les quantiles. Soit on prédit directement la distribution de probabilité, puis on calcule les quantiles qui nous intéressent. Dans tous les cas, il est préférable d'éviter d'extrapoler les résultats d'une régression quantile au-delà du domaine des données d'entraînement.

🔫🔫

Faire des prévisions probabilistes en maximisant la vraisemblance ? LA BLAGUE ! Baser l’estimation d’une loi de probabilité sur un unique point de donnée, c’est juste un non-sens statistique complet ! Prenons DeepAR. C’est un modèle de prévision de séries temporelles qui est probabiliste, c’est-à-dire qu’il prédit une distribution de probabilité à chaque pas de temps plutôt qu’une unique valeur. Et il apprend en maximisant la vraisemblance des données. Le problème ? Un modèle avec peu de paramètres prédit une variance énorme. Pourquoi ? Parce qu'il est moins capable de prédire la valeur exacte. Plus il est approximatif, plus il augmente la variance. À l’inverse, le même modèle avec beaucoup de paramètres va overfitter la série temporelle. Il s’accroche à chaque petite fluctuation, même aux bruits aléatoires, et prédit une variance quasi-nulle. Bingo, la vraisemblance est maximisée, mais pour une seule donnée, ce qui n’a juste aucun sens. Ces modèles ne généralisent donc pas bien, conduisant à des prévisions trompeuses et in fine à des décisions erronées. Alors que faire ? Utiliser des loss comme la CRPS, des méthodes de recalibration ou, mieux, des méthodes mathématiquement solides comme la prédiction conforme. Ces techniques produisent des intervalles de confiance valides, reflétant réellement l’incertitude des prévisions, au lieu de donner une fausse impression de précision.

J’aime beaucoup les framboises. Alors, quand je vais au supermarché et qu’il reste deux barquettes à moitié moisies en rayon, comment dire… 🙄 Mais pour un magasin, commander le bon nombre de barquettes de framboises est vraiment compliqué : S’il en commande trop peu, il se retrouve en rupture de stock et les clients comme moi sont mécontents. Mais s’il en commande trop, elles partent à la poubelle le soir même ! Ça finit souvent en désastre écologique et économique. Alors chez Ida, on a décidé de faire mieux. On développe des méthodes mathématiques pour optimiser les commandes de produits frais des magasins. Une des méthodes qu’on utilise est le modèle du "vendeur de journaux"… ou de framboises! On estime d’abord les ventes futures V avec leurs marges d’erreur, un sujet que j’aborderai plus en détail dans un prochain post. S’il achète une quantité q de framboises, le vendeur a deux sources de coûts : - Le coût de rupture de stock c_-(q, V) : c’est le manque à gagner dues aux ventes non réalisées, sachant qu’un client a 60% de chances de changer de magasin s’il observe un rayon vide. - Le coût du gaspillage c_+(q, V) : c’est la somme perdue quand les framboises finissent à la poubelle, car elles sont trop fragiles pour être récupérées par des solutions comme Too Good To Go. On peut alors calculer le coût total moyen (en fait, l’espérance du coût) associé à chaque quantité q de framboises commandée. Ne reste plus qu’à minimiser ce coût total pour trouver le compromis optimal entre sous-commande (rupture) et sur-commande (gaspillage). Le problème d’optimisation (convexe si on a bien modélisé les coûts) s’écrit : min_{q ≥ 0} E_V [ c_-(q, V) + c_+(q, V) ] Dans la vraie vie, il faut prendre en compte d’autres facteurs : niveau des stocks, délais de livraison, choix de fournisseurs, taille des colis (PCB), espace disponible en rayon (capacité linéaire), etc. Mais c’est ce genre de modèles que nous appliquons pour aider les supermarchés à commander plus efficacement. Résultat ? Moins de gaspillage alimentaire et des clients plus heureux. Si ce genre de défi te passionne et que tu veux contribuer à résoudre des problèmes complexes avec des maths, rejoins-nous chez Ida !

La semaine dernière se tenait le salon des fournisseurs des magasins Biomonde Solidarité. L’occasion de revenir sur un an de collaboration avec les équipes, pour unifier l’offre et améliorer la gestion de produits ultra frais de près de 138 magasins indépendants. Un grand merci à Philippe Poniewira et Yvan Monnier pour cette invitation et les nombreux retours positifs des magasins.

La semaine dernière se tenait le salon des fournisseurs des magasins Biomonde Solidarité. L’occasion de revenir sur un an de collaboration avec les équipes, pour unifier l’offre et améliorer la gestion de produits ultra frais de près de 138 magasins indépendants. Un grand merci à Philippe Poniewira et Yvan Monnier pour cette invitation et les nombreux retours positifs des magasins.