BL.Optim, une meilleure visualisation pour une meilleure organisation

Méthodologie de création du MCI

La planification des interventions du personnel peut facilement devenir un travail difficile avec toutes les contraintes à considérer (temps de travail, compétences requises, localisation...). Notre équipe a donc travaillé sur un moteur optimisé qui génère un planning pertinent en fonction des contraintes et des normes ajoutées par l'utilisateur (voir les articles correspondants pour Source Carl ou BL.Domicile). Mais nous nous sommes demandés : comment les utilisateurs comprendraient-ils et accepteraient-ils un programme généré par une intelligence artificielle ?alors qu'ils le font généralement eux-mêmes ?
Pour comprendre cela et proposer une interface utilisable par différents planificateurs dans différentes villes ou pays, nous avons basé nos recherches sur les utilisateurs. Nous avons recueilli des informations à travers différentes rencontres (entretiens semi-dirigés, test et validation), afin de déterminer leurs besoins, comment ils utilisent les outils de planification, ce qui pourrait faire la différence avec d'autres outils existants et leur seuil d'acceptation de l'intelligence artificielle.
Pour répondre à notre question, La visualisation des données est un facteur clé. Il permet aux planificateurs de comprendre et d'accepter facilement le planning généré automatiquement par l'Intelligence Artificielle. Dans ce cas, nous avons étudié trois cas d'utilisation : la maintenance, les soins à domicile et la livraison de repas.

Notre méthodologie pour tester la confiance humaine dans l'IA

Pendant ce projet, Notre principale préoccupation était de comprendre comment les planificateurs vont accepter l'intelligence artificielle. pour générer des plannings. Nous avons donc élaboré quatre scénarios (figure 1) et demandé aux utilisateurs de les classer du plus acceptable au moins acceptable.

Test d'illustration ICM
Figure 1 : Scénario de confiance humaine dans l'IA
  • Situation A est généralement jugée la plus inquiétante car le stagiaire n'a pas l'expérience requise et suffisamment de responsabilités pour être en charge de cette tâche. Elle a cependant l'avantage d'être une solution adaptative et progressive "humaine".
  • Situation B et E sont globalement évaluées de la même manière (bien que la solution E n'inclue pas l'humain) : même si la connaissance théorique assure les fonctionnalités de base, l'environnement de travail, la compréhension humaine et l'expérience pratique manquent pour fournir un programme bien fait.
  • Situation C et D sont préférés parce qu'ils comprennent un meilleur contrôle sur l'IA et son processus d'évolution/apprentissage.

Grâce à ce test, nous avons appris l'importance contrôle humain et expérience de terrain sont destinés aux professionnels qui interagissent avec l'IA.

Structure de l'interface

Les principales fonctionnalités de notre interface sont la visualisation, la génération, la modification et le contrôle du planning pour vérifier s'il est conforme à ses exigences (c'est aussi une façon de donner le contrôle à l'homme sur l'intelligence artificielle).

Il est composé de trois parties principales (Figure 2) : le panneau supérieur pour le planification de la semaine de l'équipele panneau inférieur gauche pour le planification détaillée des travailleurs et le panneau inférieur droit pour le carte avec itinéraires sélectionnés des travailleursplus deux boutons pour confirmer ou ré-optimiser le programme.

Figure 2 Interface BL Optim
Figure 2 : Interface de BL.Optim

Le panneau supérieur (figure 3) est constitué de :

  • Un menu permettant de sélectionner l'équipe (1).
  • Les délais d'intervention pour chaque travailleur de l'équipe sélectionnée. Vous pouvez trouver pour chaque participant :
    • Trois icônes représentant les informations essentielles : nombre d'interventions, durée totale de l'intervention et distance totale parcourue (2).
    • Lignes de temps horizontales représentant les missions de l'intervenant (3). La couleur de chaque barre dépend du type d'intervention. Le passage du curseur permet de la mettre en évidence et d'afficher des informations détaillées sur l'intervention (4).
    • Lorsque vous sélectionnez un travailleur, un panneau détaillé s'affiche dans le panneau inférieur (figure 4).
Figure 3 Panneau supérieur de l'interface
Figure 3 : Panneau supérieur de l'interface

La partie inférieure gauche (Figure 4) présente verticalement la planification détaillée de chaque travailleur sélectionné. Ils sont composés de :

  • Des cases représentant les interventions avec une courte description (1). Afin de modifier le planning, ces cases peuvent être glissées et déposées dans un même planning ou entre deux plannings différents. Un texte coloré (rouge ou vert) informe de l'impact de la modification par rapport au planning généré (4).
  • Curseurs synchronisés entre la vue globale et la vue détaillée.
Figure 4 Panneau détaillé
Figure 4 : Panneau détaillé

Score d'optimisation

Renforcer la foi des utilisateurs et les aider à mieux comprendre le fonctionnement de notre algorithme de génération d'horaires, nous avons pensé à une fonction de notation de l'optimisation des horaires. Le score reflète la façon dont la solution générée par l'algorithme prend en compte les exigences de l'utilisateur.
Nous avons exploré deux idées principales :

La première approche consistait à utiliser "Graphiques de gaufres" pour afficher le score. Le graphique est composé d'icônes représentant les différentes exigences, le nombre d'icônes est proportionnel à leur impact dans le score de notation. Toutes les notes sont sur 10.

Un clic sur le score global lance une animation pour remplir des icônes plus grandes représentant chaque exigence (Figure 5).

Figure 5 Graphique de la gaufre
Figure 5 : Première solution - Graphique en gaufre pour le score d'optimisation

La deuxième approche consistait à expliquer les scores par montrer leur impact sur l'activité. Les scores sont affichés sur des boutons indiquant chaque exigence. En cliquant sur un bouton, la ligne de temps de l'équipe est transformée pour illustrer l'exigence correspondante : mise en évidence des ruptures dans le planning pour l'exigence "Compacité" (Figure 6), empilement des barres de mission pour comparer la charge de travail des travailleurs pour "Equilibre" (Figure 7), etc.

Figure 6 Deuxième solution - la compacité
Figure 6 : Deuxième solution - "Compacity" met en évidence les ruptures dans le planning
Figure 7 Deuxième solution - équilibrage
Figure 7 : Deuxième solution - "Balancing" empile les interventions pour comparer les charges de travail totales

Nous avons testé les deux maquettes de solution lors de réunions avec différents utilisateurs et planificateurs. Ils semblent préférer la seconde solution, plus discrète. Leurs retours ont été principalement positifs sur l'organisation de l'interface, ses fonctionnalités et ses interactions :

  • Il "permet de voir tous les détails immédiatement“.
  • La vue globale est très utile pour voir si nous pouvons ajuster le calendrier avec une intervention d'urgence.“.
  • L'interface est "frais, clair et agréable" et donner envie aux utilisateurs de travailler avec elle.

Pour reprendre

En appliquant une méthodologie centrée sur l'utilisateur, nous avons conçu une interface homme-machine efficace qui renforce la confiance de l'utilisateur dans le système.. Nous n'avons pas travaillé à partir de nos croyances, mais avec les bonnes informations recueillies auprès des personnes qui utiliseront l'application tout au long du processus.
La principale conclusion de ce projet est que les gens font confiance à l'intelligence artificielle, tant qu'ils gardent le contrôle. sur la dernière modification ou validation. De même, le score de performance de l'intelligence artificielle n'a de sens pour eux que s'il est lié à leur contexte de travail.

Méthodologie du MCI

Plus ...

Retour haut de page