Искусственный интеллект: перспективы в логистике – проблемы и практики

1. Прогнозирование спроса. Алгоритмы машинного обучения анализируют обширные массивы данных, включая исторические продажи, рыночные тенденции и экономические индикаторы, для создания высокоточных прогнозов спроса.
2. Оптимизация запасов. ИИ-системы определяют оптимальные уровни запасов, минимизируя риски дефицита или избытка товаров на складе.
3. Динамическое планирование маршрутов. Интеллектуальные системы в реальном времени оптимизируют маршруты доставки с учетом множества переменных факторов.
4. Предиктивное техническое обслуживание. ИИ прогнозирует потенциальные сбои оборудования, предотвращая незапланированные простои.
5. Автоматизация процессов закупок. На основе прогнозов спроса и текущих уровней запасов ИИ автоматизирует размещение заказов на пополнение.

Перечисление выше – лишь верхушка айсберга. Компании, стремящиеся сделать свои цепочки поставок более эффективными, могут использовать Al различными способами, выходящими за рамки традиционных подходов к оптимизации цепочек поставок и прикладного назначения AI, например, для глобального моделирования ЦП.

Моделирование цепочек поставок сегодня - зрелая дисциплина, особенно с учетом увеличения их сложности по мере роста глобализации и трансформаций в результате перекройки мира.

Традиционно в рамках моделирования цепочек поставок мы останавливаемся на оптимизации. Оптимизация может быть велика в рамках долгосрочного планирования, которое базируется на понимании средней ситуации в цепочке поставок.

Область повседневного применения AI разработана в значительно меньшей степени. И вот тут-то AI и, в частности, такой метод, как глубокое обучение с подкреплением, может привести к тому, что моделирование цепочки поставок из простого инструмента планирования высокого уровня превратится в повседневный тактический оперативный инструмент.

Как Al может быть включен в традиционное моделирование цепочек поставок?

Al можно включить в традиционное моделирование цепочки поставок, включив его в концепцию цифрового близнеца. Цифровой близнец, по сути, - это симуляция цепочки поставок, но связанная с живыми данными. Здесь мы будем соединять имитационную модель цепочки поставок с потоками данных, которые находятся в реальном времени или очень близки к нему, чтобы понять ситуацию, как она есть сейчас. Прогон моделирования основывается, таким образов, на информации, близкой к реальному времени. Особенно популярны сейчас цифровые близнецы в сфере складской логистики - цифровой близнец перемещает моделирование от простого инструмента планирования "что, если" к тому, что основано на живой информации в точный момент времени.

И мы можем сделать симуляцию вокруг того, что произойдет в течение следующего часа, следующей недели, следующих четырех недель, основываясь на информации, собранной в этот момент времени. Таким образом, цифровой близнец - мощный инструмент.

Предположим, например, что в цифровом близнеце распределительного центра мы видим проблему, которая приводит к затруднению поставок в конкретном регионе. Мы можем принять это в рамках моделирования цепочки поставок - а затем Al может быть использован для того, чтобы помочь менеджеру определите наилучший курс действий, или найти альтернативные маршруты поставок.

Каковы основные риски, связанные с Al и цепочками поставок, о которых компании должны знать?

Во-первых, построение имитационной модели цепочки поставок само по себе является сложной задачей. Количество компетентных разработчиков на рынке РФ увеличивается в геометрической прогрессии, однако неспециалисту сложно оценить уровень экспертизы, и уровень разработки. В этой связи, пока AI не стал предметом повседневного использования, до тех пор уровень риска эффективности его имплементации будет высок.

Следствием этой проблемы также является уровень доверия. И здесь мы уже будем говорить о человеческом факторе – как это ни странно при разговоре об AI.

Один из больших недостатков машинного управления ЦП заключается в том, что Заказчик не может видеть, как построена эта модель, почему алгоритм рекомендует выполнить задачу альтернативным образом. В ситуациях, когда это противоречит здравому смыслу в текущей ситуации, действительно трудно построить доверие к этим алгоритмам. Доверие действительно сдерживается подходом «черного ящика».

В этой связи всегда найдутся исполнители, которые вмешаются в цикл принятия окончательного решения. То есть конечное решение будет принимать исполнитель, зачастую перечеркивая работу AI.

Однако есть все предпосылки к тому, что в бизнес-ландшафте имитационное моделирование на базе AI, предиктивные модели будут стремительно развиваться. Соответственно, компании, которые уже сейчас используют эти наработки, будут иметь весомое конкурентное преимущество завтра.