Самообучающиеся цепочки поставок
Использование искусственного интеллекта (AI) в цепях поставок даст возможность анализировать прошлые сбои в цепочке поставок с тем, чтобы предотвратить подобные ситуации в будущем.
При самообучающейся цепочке поставок станет возможным анализ многочисленные данные в цепочках поставок для прогноза ситуаций, которые приводят к сбоям в цепочке поставок, что позволит принимать упреждающие решения или автоматически выполнять необходимые в подобных ситуациях действия. И хотя самообучающаяся цепочка поставок еще не вошла в нашу жизнь, недавние достижения в ИИ (AI) позволяют предположить, что это уже не «воздушные замки».
Цифровая трансформация цепи поставок
поддерживается несколькими технологическими достижениями: компьютерными технологиями; легко доступными большими данными, такими как социальные медиа, новости, события и погода (SNEW); программным обеспечением, которое становится все более совершенным. Цифровые технологии меняют саму природу цепочки поставок, которая когда-то была построена по принципу большого объема и масштаба. Технологии превращают цепочку поставок в гибкую, электронно-связанную инфраструктуру, которая может поддерживает несколько виртуальных цепочек поставок. При этом такие виртуальные цепочки поставок приходят на смену традиционным фиксированным линейным цепочкам поставок прошлого. Они предлагают новые варианты потока информации, которая позволяет ускорить выполнение заказов, например, в реальном времени.Путь к цифровой цепи поставок
Мы прогнозируем, что путь к зрелости цифровой цепочки поставок будет включать четыре этапа: сначала – это обеспечение прозрачности (видимости) данных в цепочке поставок, затем построение прогнозирующей аналитики и директивной цепочки поставок и, в конечном счете, в будущем, выстраивание самообучающейся цепочки поставок. По мере продвижения компаний по кривой зрелости, их опора на ручное управление будет заменена автономным управлением, что обеспечит им значительный рост эффективности и экономию затрат.
Большинство компаний сегодня находятся на первом этапе цифровой зрелости цепочки поставок: в фазе создания прозрачности (видимости). В настоящее время большое внимание уделяется сквозной видимости цепочки поставок, призванной помочь компаниям лучше управлять ограничениями в цепи. На этом этапе зрелости прозрачность цепочки поставок создается различными системными интеграторами, такими как ERP-системы. Это позволяет бизнесу получить сквозное представление о том, как продукт проходит через цепочку поставок.
Следующим этапом зрелости цифровой цепочки поставок является предиктивная аналитика. На этом этапе используются прогнозирующие аналитические алгоритмы, основанные на больших данных, таких как данные датчиков технологии Интернета вещей (IoT), данные о погоде и другие, чтобы предсказать, где в будущем могут возникнуть проблемы с цепочкой поставок. Например, предиктивная аналитика может использоваться для анализа таких данных, как прогнозы погоды и перегруженность портов, для прогнозирования воздействия на грузовые перевозки в пути и определения того, какие поставки могут задерживаться.
Директивная цепочка поставок,
функционирующая на основе применения технологий машинного обучения, является следующим этапом развития цифровой цепочки поставок. На этом этапе интеллектуальные системы смогут выйти за рамки прогнозирования потенциальных проблем цепочки поставок, предлагая план действий для решения этой проблемы. Эта технология уже включена в лучшие программные решения, где директивная аналитика использует исторические данные от планировщиков. Например, для отгрузки, которая по прогнозам опаздывает, программа может предоставить несколько вариантов решения ( в том числе, своп-запрос от другого ресурса или покупку у другого поставщика), а затем рекомендовать лучший из них .Завершающим этапом зрелости цифровой цепочки поставок является самообучающаяся цепочка поставок, которая становится возможной благодаря «глубокому машинному обучению». Возможность предоставления подобных программных решений обеспечит значительное конкурентное преимущество как компаниям, так и поставщикам программных решений. «Глубокое машинное обучение» является формой искусственного интеллекта, в результате чего машины учатся у машин. Как будет сказано ниже, этот тип ИИ (AI) уже существует.
Преобразующая сила «глубокого обучения»
DeepMind, дочерняя компания Google AI, довольно далеко продвинулась в плане «глубокого обучения», и ее успехи убедительно демонстрируют то, какое влияние машинное обучение окажет на будущее. При этом надо учитывать, что DeepMind разработала программное обеспечение, освоившее??? древнюю и сложную настольную игру Go.
Первая итерация программного обеспечения — AlphaGo— была запрограммирована набором человеческих игровых стратегий. Программа изучала игровые стратегии и использовала полученные знания, чтобы победить 18-кратного чемпиона мира по Go. Самая последняя версия программного обеспечения — AlphaGo Zero — была запрограммирована только с правилами игры. АlphaGo Zero разработала собственные стратегии игры, соревнуясь сама с собой миллионы раз на протяжении трех дней.
Недавно, AlphaGo Zero выступала против оригинального AlphaGo и выиграла 100 раз из 100. Описывая это достижение в журнале Nature, исследователи из DeepMind отметили: "Человечество накопило массу знаний об игре Go— за тысячи лет были сыграны миллионы партий , данные о которых представлены в различных источниках. AlphaGo Zero начал с чистого листа и в течение нескольких дней заново открыл для себя большую часть этого знанияо Go, а также новые стратегии, которые дают новое понимание древнейших игр".
Как «глубокое обучение» скажется на цепочке поставок
Как и в игре Go, сбои в цепочках поставок (например, пропущенные окна отгрузки и низкие уровни заполнения заказов) основываются на миллионах возможных комбинаций действий, а также учитывают политику компании в цепях поставок. Компании должны принимать многочисленные решения по стратегическим вопросам, таким как стратегия цепи, метод пополнения и режим транспортировки. Все эти решения оказывают прямое влияние на производительность и стоимость услуг.
С встроенным функциями ИИ (AI) в самообучающиеся цепочки поставок, машины смогут формировать стратегии цепочки поставок, а также определять слабые места в цепочке поставок . При этом будет приниматься во внимание сочетание внешних факторов, таких как сделки, лояльность клиентов, уровень запасов, погода, активность конкурентов, рыночные показатели, движение или социально-экономические события, экологические факторы, которые могут вызвать сбои в работе цепочки поставок. Алгоритмы машинного обучения анализируют эти данные, чтобы узнать, как эти факторы взаимодействуют и что может привести к сбоям в цепочке поставок.
В будущем, этот тип самообучения цепочки поставок сможет подсказать планировщику, что сбой в цепочке поставок может происходить при определенной комбинации факторов. После этого машина сможет предотвратить сбой, переместив запасы в новое место, или уведомит планировщика о возможной реакции на проблему.
Самообучающаяся цепь поставок будущего
Мы уверены, что будущее цепей поставок за алгоритмами «глубокого обучения». Они смогут анализировать комбинацию различных факторов, определять, какие продукты находятся в «группе риска» и разрабатывать стратегии минимизации рисков, которые помогут организации получить конкурентное преимущество, предоставляя клиентам надежные товары и услуги по самой низкой цене.
Чтобы достичь такого уровня зрелости, потребуется выстраивание высокого уровня взаимодействия с партнерами. Это обеспечит своевременный сбор необходимой информацию и загрузку ее в модель «глубокого обучения». Именно эта модель анализирует и предлагает план управления цепями поставок. Пока эта технология еще разрабатывается, существует множество аргументов в пользу того, чтобы принять участие в ее разработке прямо сейчас. Компании, которые решатся на этот шаг, смогут с максимальной выгодой для себя использовать возможности «глубокого обучения» цепей поставок в будущем.
Приглашаем принять участие в наших обучающих программах, направленных на формирование компетенций, востребованных в цифровом мире.
*В статье использовались материалы с портала Supply Chain Quarterly /Technology/2nd Quarter 2018.
