GenOR-Twin
« Le moteur fait un bruit bizarre. » → contrainte de solveur.
Vos plannings sont optimaux jusqu'à ce que quelqu'un écrive une note de quart. GenOR-Twin lit ces notes, les traduit en contraintes mathématiques, vérifie chacune contre un graphe de connaissances, puis choisit entre une réparation locale, une ré-optimisation complète ou une revue humaine.
Le fossé de traduction
La recherche opérationnelle maîtrise les équations depuis des décennies. Ce qui lui manque, c'est le contexte : ce que savent les opérateurs, les techniciens et les chefs d'équipe arrive sous forme de journaux, d'e-mails et de comptes rendus de passation — un format qu'aucun solveur ne consomme. Entre les deux, il y a un humain, du délai, et des erreurs de saisie.
Les solveurs ne lisent pas le français.
Un modèle Ax ≤ b ne peut rien faire de « ça devrait être réparé bientôt ». Les perturbations réelles arrivent en texte libre.
Quelqu'un ressaisit tout à la main.
Un planificateur lit la note, interprète, et met à jour le modèle. Environ 15 minutes par événement, pendant que la ligne attend.
Un LLM seul devine.
Il invente des machines, des horaires dans le passé, des durées impossibles — et le solveur les optimise sans broncher.
Le LLM traduit. Le solveur décide.
GenOR-Twin se place entre ce que vos équipes écrivent et les modèles que vous utilisez déjà. Le langage naturel n'atteint le solveur qu'après avoir été vérifié.
Lire
Un agent traducteur (LLM + RAG) extrait la ressource, la fenêtre et le type de perturbation, avec un score de confiance θ.
Valider
Un validateur symbolique vérifie trois couches : la ressource existe dans le graphe, l'horaire n'est pas dans le passé, la durée est physiquement possible.
Décider
Le SmartScheduler choisit la réponse proportionnée selon la confiance, la marge du planning et les goulots.
Optimiser
La contrainte est injectée dans vos solveurs exacts ou métaheuristiques existants. Le LLM ne résout jamais rien lui-même.
Une réponse proportionnée à chaque perturbation
Toutes les perturbations ne justifient pas de tout recalculer, et toutes les interprétations ne méritent pas d'être appliquées automatiquement. La règle de décision compare la durée de la perturbation à la marge moyenne du planning, vérifie si la machine est un goulot, et exige une confiance de 0,85 avant toute action automatique.
Une note de quart, un planning réparé
Une alerte signale une fuite hydraulique sur M3. GenOR-Twin injecte une indisponibilité [100, 140]. Un système statique l'ignorerait — et programmerait J4 en plein pendant la panne, soit 40 unités de collision. Le SmartScheduler décale J4 et les opérations qui en dépendent, avec un allongement minimal du makespan.
Évalué, pas promis.
Chaque chiffre ci-dessous provient de l'article de recherche GenOR-Twin, avec sa portée exacte.
d'alignement avec les annotations d'experts sur 300 journaux historiques (299/300), contre 97,2 % pour un LLM seul
des hallucinations interceptées par le validateur sur les journaux très ambigus, là où la correspondance brute tombe à 76,5 %
de latence de décision par perturbation, par rapport à une ressaisie manuelle (modèle de coûts de l'article)
de meilleur objectif qu'un pipeline à règles sur Taillard, Solomon et PSPLIB (n = 100, p < 0,01)
de bonnes décisions de politique par des planificateurs assistés par GenOR-Twin, contre 79,5 % sans (p < 0,0001)
d'inférence sémantique, constante de 25 à 50 000 opérations — la couche IA n'est jamais le goulot
Évalué sur 300 journaux annotés, 50 par domaine, deux annotateurs experts indépendants (κ de Cohen = 0,91).
Validé sur six classes NP-difficiles : ordonnancement d'atelier, tournées, projets, infirmiers, bin packing et flux réseau.
Rejoué hors ligne sur des journaux historiques d'un équipementier automobile de rang 1.
« Les gains numériques par rapport aux bases de référence sont modestes ; la valeur principale est de permettre l'optimisation dans des conditions d'information qui exigeaient auparavant l'intervention d'un expert. »— Article GenOR-Twin
Partout où les perturbations arrivent en texte
Fabrication à haute cadence
Automobile, semi-conducteurs : quand chaque minute d'arrêt coûte cher et que les pannes arrivent par la radio ou le carnet de quart.
Flottes et tournées
« Accident sur l'A1 » devient une mise à jour du poids de l'arc, pas un appel au répartiteur.
Plannings hospitaliers
Une absence signalée par message devient une contrainte d'affectation, avec revue humaine si l'interprétation est incertaine.
Procédés et réseaux
« Pic de pression sur la ligne 2 » devient une réduction de capacité de flux dans le modèle.
Le modèle de coûts de l'article est négatif sous ~100 perturbations par an ou quand l'arrêt coûte peu (≈ 20 $/min). Positif à 500 événements/an et 60 $/min : environ 375 k$ de bénéfice net annuel. Nous le vérifions sur vos chiffres avant de commencer.
Des décisions certifiées quand plusieurs modèles, analystes ou agents IA ne sont pas d'accord.
Ni un chatbot, ni une règle de plus.
| Ressaisie manuelle | Règles / regex | LLM seul | GenOR-Twin | |
|---|---|---|---|---|
| Comprend le texte libre | Échoue sur 82 % des formulations | |||
| Rejette les machines inventées | — | |||
| Choisit réparation ou ré-optimisation | Au jugé | |||
| Escalade quand c'est incertain | — | |||
| Latence par événement | ~15 min | Secondes | Secondes | ~2 min avec revue |
Transformer « malade ce soir » en planning infirmier mis à jour
Planification des infirmiers à l'hôpital
LireReplanifier les tournées à partir de ce que signalent les chauffeurs
Flottes de livraison et de fret
LireRéduire l'écart entre une perturbation et une décision, de 15 minutes à 2
Réponse aux perturbations multi-domaines
LireLaisser le LLM traduire, pas résoudre : transformer les notes de quart en contraintes de planification sûres
La plupart des perturbations d'un planning arrivent sous forme de phrase, pas de champ de données. Un grand modèle de langage sait lire cette phrase. Il ne faut pas lui confier la planification qui suit — et il n'en a pas besoin.
LireL'IA Générative dans la Supply Chain : De la Planification de Scénarios à la Prospective Synthétique
L'IA générative transforme la manière dont les planificateurs appréhendent l'incertitude opérationnelle, passant de scénarios fixes à une prospective adaptative en temps réel.
LireRejouez vos propres journaux
Nous faisons passer vos perturbations passées dans GenOR-Twin et vous montrons, journal par journal, ce qui aurait été extrait, rejeté, réparé ou escaladé — et ce que cela aurait coûté.