Международный центр компетенций в области планирования производства, логистики, управления цепочками поставок, управления запасами и закупками
+7 495 720-8260
Международная сертификация APICS Тренинги и семинарыот ведущих специалистов Бизнес-симуляторинновационный формат обучения Оценка компетенцийоценка компетенций

Взгляд в будущее: самообучающаяся цепь поставок

digital supply chain

Источник: Supply Chain Quarterly /Technology/2nd Quarter 2018

Автор: Аred Baumann

Использование искусственного интеллекта (AI) в цепях поставок.

Использование искусственного интеллекта (AI) в цепях поставок даст возможность анализировать прошлые сбои в цепочке поставок с тем, чтобы предотвратить подобные сбои в будущем.

Создание самообучающейся цепочки поставок знаменует собой следующий крупный рубеж инноваций в цепочке поставок. Это футуристическое видение мира, в котором системы поставок, проникнутые искусственным интеллектом (ИИ) / Artificial Itelligence (AI), могут анализировать существующие стратегии цепочек поставок и различные данные, чтобы понять, какие факторы приводят к сбоям в цепочке поставок. Эти системы, управляемые ИИ (AI), затем используют эти знания для прогнозирования будущих проблем в цепочке поставок и позволяют принимать упреждающие решения или автоматически выполнять необходимые в подобных ситуациях действия. И хотя самообучающаяся цепочка поставок еще не является реальностью, недавние достижения в AI позволяют предположить, что это уже не «воздушные замки».

Самообучающаяся цепочка поставок будущего объединит преимущества искусственного интеллекта (AI) с цифровыми технологиями, которые многие компании уже начали включать в свои цепочки поставок. Эта цифровая трансформация цепи поставок подпитывается несколькими технологическими достижениями: физическими "вещами ", включающими компьютерные технологии; легко доступными большими данными, такие как социальные медиа, новости, события и погода (SNEW); и программное обеспечение, которые становятся все более совершенными. Эти цифровые технологии превращают саму природу цепочки поставок, которая когда-то была построена по принципу большого объема и масштаба, в гибкую, электронно-связанную инфраструктуру, которая использует единый набор физических активов для поддержки нескольких виртуальных цепочек поставок. Эти виртуальные цепочки поставок, иногда определяемые как сети (гриды) цепочек поставок и приходят на смену традиционным фиксированным линейным цепочкам поставок прошлого, предоставляя новые варианты потока, которые позволяют ускорить выполнение заказов на основе практических знаний об активах и запасах в реальном времени.

Путь к цифровой цепи поставок

Мы прогнозируем, что путь к зрелости цифровой цепочки поставок будет происходить в четыре этапа: прозрачность (видимость), прогнозирующая аналитика, директивная цепочка поставок и, в конечном счете, в будущем, самообучающаяся цепочка поставок. По мере продвижения компаний к 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: фазе создания прозрачности (видимости). В настоящее время большое внимание уделяется сквозной видимости цепочки поставок, чтобы 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 прогнозирующая аналитика. На этом этапе используются прогнозирующие аналитические алгоритмы, основанные на больших данных, такими как данные датчиков технологии Интернета вещей (IoT), данные о погоде и другие, чтобы предсказать, где в будущем могут возникнуть проблемы с цепочкой поставок. Например, прогнозирующий анализ может использоваться для анализа данные в реальном времени, таких как прогнозы погоды и перегруженность портов, для прогнозирования воздействия на грузовые перевозки в пути и определения того, какие поставки будут поздними — даже до того, как капитан сможет узнать об этом.

Директивная цепочка поставок, функционирующая под наблюдением машинного обучения, является следующим этапом развития цифровой цепочки поставок. На этом этапе интеллектуальные системы смогут выйти за рамки прогнозирования потенциальных проблем цепочки поставок, предписывая курс действий для решения этой проблемы. Эта технология уже включена в лучшее программные решения, где директивная аналитика использует исторические данные от планировщиков. Для отгрузки, которая, по прогнозам, опаздывает, например, программа может предоставить несколько вариантов решения (например, своп-запрос от другого ресурса или покупка у другого поставщика), а затем рекомендовать лучшее решение.

Завершающим этапом зрелости цифровой цепочки поставок является самообучающаяся цепочка поставок, которая становится возможной благодаря «глубокому обучению».  Возможность предоставления подобных программных решений обеспечит как компаниям, так и поставщикам программных решений значительное конкурентное преимущество. Глубокое обучение является формой искусственного интеллекта, в которой машины учатся у машин. Как мы обсудим ниже, этот тип AI уже существует.

Преобразующая сила «глубокого обучения».

DeepMind, дочерняя компания Google AI, добилась значительных наработок в направлении «глубокого обучения», и ее работа убедительно демонстрирует то, как машинное обучение изменит будущее. При этом надо учитывать, что DeepMind разработала программное обеспечение, которое освоило 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 человека чемпиона мира по Go. Самая последняя версия программного обеспечения — AlphaGo Zero — была запрограммирована только с правилами игры. АlphaGo Zero разработала свои собственные стратегии игры, соревнуясь против себя-миллионы раз-в течение трех дней.

Недавно, AlphaGo Zero соревновались против оригинального AlphaGo и выиграла 100 раз из 100. Описывая это достижение в журнале Nature, исследователи из DeepMind написали: "Человечество накопило знания об игре Go из миллионов игр, сыгранных в течение тысяч лет, которые представлены в различных книгах и моделях. В течение нескольких дней, начиная с чистого листа, AlphaGo Zero смог вновь открыть для себя большую часть этого знания 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 и политики цепочки поставок. Существуют буквально миллионы комбинаций способов, которыми компании могут проводить продукт по цепи поставок, а крупные предприятия ежедневно получают миллионы строк заказов. Кроме того, компании должны принимать многочисленные решения по стратегическим проблемам, таким как стратегия сети, метод пополнения и режим транспортировки. Все эти решения оказывают прямое влияние на производительность и стоимость услуг. Кроме того, есть экологические факторы, такие как погода, социальные настроения, новости, события, активность конкурентов, которые могут усложнить принятие оптимальных решений.

С AI встроенным в самообучающиеся цепочки поставок, машины смогут изучить стратегии цепочки поставок, чтобы определить, где цепочки поставок имею сбои и почему. При этом принимаются во внимание сочетание внешних факторов, таких как сделки, лояльность клиентов, уровень запасов, погода, активность конкурентов, рыночные показатели, движение или социально-экономические события, которые вызывали сбои в работе цепочки поставок. Алгоритмы машинного обучения затем анализируют эти данные, чтобы узнать, как эти факторы взаимодействуют, чтобы привести к высокой вероятности сбоя в цепочке поставок.

В будущем, этот тип самообучения цепочки поставок сможет подсказать планировщику, что когда определенное сочетание событий происходит, то это может вызвать сбой в цепочке поставок. 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 с какими продуктами могут возникнуть проблемы и разрабатывать стратегии минимизации рисков, которые помогут организации «выигрывать», обеспечивая клиентам высокий уровень уверенности в поставках по самой низкой цене. Компании, которые смогут это осуществить – обеспечат лучший клиентский сервис по сравнению с конкурентами.

Чтобы достичь такого уровня зрелости, потребуется выстраивание высокого уровня взаимодействия с партнерами, что 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, есть большие преимущества в том, чтобы принять участие в ее разработке уже сейчас. Компании, которые это сделают уже сейчас, смогут с максимальной выгодой использовать возможности «глубокого обучения» цепей поставок в будущем.

Компания Insight Projects Group постоянно отслеживает последние тенденции в области управления цепями поставок. В рамках заседаний Expert Supply Chain Club мы обсуждаем наиболее актуальные темы построения цепей поставок будущего, тренды, технологии, новых поставщиков и лучшие практики применения данных технологий уже сейчас. Мы активно работаем над созданием нового курса: «Digital Supply Chain. Новые вызовы и тенденции». Участвуйте в деятельности клуба, будьте первыми во внедрении новых технологий уже сейчас, чтобы стать «оrder winner» в будущем.



21-22 марта 2019 года

Тренинг по программе DDMRP

Наши клиенты
  • OracleSunInBevSyngentaLVMHAkzoNobelVolvoPfizerHenkel
  • Вертолеты РоссииОМКИркутKatkoGazpromTescoFerreroIpsen
  • DowAstra-ZenekaNpo_saturnContitentalrzhdJTI