Üretken yapay zeka tedarik zinciri yönetimini tamamen değiştirmek için ne yapabilir?
Üretken yapay zeka tedarik zinciri yönetimini tamamen değiştirmek için ne yapabilir?
İşletmeler, tedarik zincirlerini tasarlamada ve optimize etmede çeşitli karmaşık zorluklarla karşı karşıyadır, bunlar arasında uyarlanabilirliği iyileştirmek, maliyetleri azaltmak ve planlama kalitesini artırmak sadece birkaç yönüdür. Son birkaç on yılda, bilgi teknolojisindeki ilerlemeler, iş karar vermeyi sezgi ve deneyime güvenmekten daha otomatik ve veri odaklı yöntemlere kaydırdı, böylece verimliliği artırdı, maliyetleri önemli ölçüde azalttı ve müşteri hizmetlerini artırdı.
Ne yazık ki, iş liderlerinin hala sistem tarafından önerilen önerileri anlamak, çeşitli durumları analiz etmek ve hipotez analizi yapmak için çok zaman ve çaba harcamaları gerekmektedir. Tedarik zinciri yönetim araçlarının matematiksel modellerinin, iş ortamındaki değişiklikleri yansıtacak şekilde güncellenmesi de zaman alıcıdır. Bu sorunları ele almak için planlamacılar ve yöneticiler sonuçları açıklamak veya sistemi değiştirmek için veri bilimi ekipleri veya teknoloji sağlayıcılarını işe almalıdır.
Büyük Dil Modeli (LLM), yukarıda belirtilen destek olmadan bile bu faaliyetlerin tamamlanmasını sağlayan ve günler veya haftalardan dakikalara veya saatlere kadar karar verme süresini azaltan ve planlama ve yönetim personelinin verimliliğini ve etkisini önemli ölçüde artıran üretken bir AI'dır. Bu makalede, verilerden içgörü elde etmek için büyük dil modellerinin nasıl kullanılacağını, yöneticilerin tedarik zinciri durumunu daha iyi anlamalarını, varsayımsal soruları cevaplamasını ve mevcut iş ortamını dikkate almak için tedarik zinciri yönetim araçlarını güncellemelerini sağlayacağız. Ayrıca, büyük dil modellerini benimserken işletmelerin üstesinden gelmesi gereken zorlukların yanı sıra gelecekte uygulama kapsamlarını genişletme fırsatlarını da vurguladık.
Paylaşmak istediğimiz deneyimin çoğunluğu, Microsoft'un Bulut Hizmetlerini desteklemek için dünya çapında 300'den fazla veri merkezine sağlanan sunucuların ve diğer donanımların tedarikini yönetmek için LLM tabanlı sistem kullanımından geliyor. Microsoft, LLM tabanlı sistemi Mart'tan Ekim 2023'e kadar test etti ve o yılın Kasım ayında sistemi tam olarak konuşlandırdı. O zamandan beri, sistemin etkinlik ve karar verme hızında ortaya çıkan verimlilik ve verimlilik üzerinde önemli bir etkisi olmuştur, bu faydaların zaman içinde ve sistemin daha da iyileştirilmesi ile artması beklenmektedir. Bununla birlikte, tartıştığımız özellikler Microsoft ürünlerinin kullanımına güvenmemektedir ve şu anda piyasada bulunan çeşitli yüksek kaliteli LLM'ler bu özellikleri uygulamak için kullanılabilir.
Şimdi, LLM'nin getirebileceği faydaları keşfedelim.
Veri madenciliği ve içgörüler
Belli sayıda hammadde tedarikçisi, üretim fabrikası ve perakendecilerle tipik bir tedarik zinciri hayal edin. LLM kullanarak planlamacılar, "Tedarikçi S'nin şu anda kaç tane t-tipi hammadde var?" veya "Malları Fabrika F'den Perakendeci R'ye taşımanın en ucuz yolu nedir?" LLM, bu soruları veri bilimi sorgularına dönüştürebilir ve daha sonra sorgu sonuçlarını şirketin veri deposuna (SQL veritabanı gibi) girebilir ve tam cümlelerde cevaplar sağlayabilir. Gizlilik perspektifinden bakıldığında, LLM bir bulut hizmeti olarak kullanılabilir, bu da tescilli verileri üçüncü taraf LLM'lere aktarmaya gerek olmadığı anlamına gelir.
LLM, bir şirketin tedarik zincirinin mevcut durumunu anlamak için bir araç olarak hizmet vermenin yanı sıra, tedarik zinciri sistemi tarafından verilen kararları açıklamak ve trendler hakkında bilgi gibi ek bilgiler sağlamak için de kullanılabilir. Örneğin, planlamacılar son eğilimler hakkında "Hangi fabrika geçen hafta en yüksek üretim verimliliğine sahipti?" veya "Toplam ulaşım maliyetlerinin yüzde kaçı veya kaçı geçen ay 50000 doları aştı?" Aşağıdaki metinde, veri madenciliği ve içgörüler için LLM'nin erken kullanımı hakkında özel örnekler sunacağız.
Sürekli değişen talepleri takip edin. Cloud Computing, Amazon, Microsoft ve Google gibi servis sağlayıcıların veri merkezlerine büyük yatırım yapmasını, donanımla donatılmasını ve herhangi bir zamanda kapasite sağlamak için bunları çalıştırmasını gerektiren multi milyar dolarlık bir işletme. Donanım ve operasyonel maliyetleri en aza indirirken bu hizmetlere olan talebi sürekli olarak karşılamalıdırlar. Bu amaçla, bulut servis sağlayıcıları, donanım taşımacılığı ve amortisman gibi birçok maliyet faktörünün yanı sıra donanım uyumluluğu, envanter ve yürütülebilir sunucu dağıtım için personel gibi operasyonel faktörleri dikkate alarak düzenli olarak donanım dağıtım kararları alacaktır.
Microsoft'ta sunuculara olan talep, Azure depolama, Azure Virtual Machines ve Microsoft 365 gibi farklı bulut ürünlerine sahip dahili iş birimlerinden gelir. Gereksinimler, gereken sunucuların türü ve miktarı, sunucuların dağıtıldığı bölge ve ideal dağıtım tarihi de dahil olmak üzere talepler yoluyla belirtilir. Tedarik zinciri ekibi bu gereksinimleri girer ve düzenli olarak tek bir talep planı geliştirir. Microsoft mühendisleri düzenli olarak bir yürütme planı oluşturmak, gerçek donanımı tedarik deposundan tahsis etmek ve veri merkezine ne zaman gönderileceklerini belirtmek için bir bilgisayar optimizasyon aracı çalıştırır. Microsoft'un planlamacıları, planın çeşitli iş departmanlarının ihtiyaçlarını karşıladığını ve sunucuların plana göre konuşlandırıldığını teyit etmek de dahil olmak üzere planın uygulanmasını denetlemekten sorumludur. Dağıtım sunucuları, emekli ve hizmetten çıkarılana kadar genellikle iş departmanında uzun yıllar çalışır.
Planlamacıların ayrıca, revize edilmiş planın tüm müşteri gereksinimlerini karşılamasını ve bütçe rehberliğine uygun olmasını sağlamak için talepteki değişiklikleri aylık olarak (talep dengeti olarak bilinir) izlemesi gerekir. Talep ofsetini değerlendirme görevi, geleneksel olarak bu süreçte farklı iş departmanlarından veri bilimcilerini ve mühendisleri içeren planlamacılar tarafından tamamlanmıştır. Bu değişiklikler anlaşıldıktan sonra, planlamacılar her bölgedeki değişiklikleri açıklamak için bir yönetici özeti hazırlayacaktır.
Şimdi, LLM tabanlı teknoloji tüm bu görevleri gerçekleştirebilir. Otomatik olarak bir elektronik rapor e -postası oluşturur, her değişikliği kimin ve bunu yapmanın nedenlerini detaylandırır. Ayrıca planlayıcıların gözden geçirmesi için potansiyel hatalara da işaret edecektir. Örneğin, yeni plandaki talep (toplam sunucu sayısı) eski plandan daha düşükse, e -posta, sunucuların kullanımını azaltan yeni nesil daha verimli donanımın tanıtımı gibi talepteki azalmanın nedenini gösterebilir. Bu LLM aracı, planlayıcıların birkaç dakika içinde bağımsız olarak tamamlanmasını sağlarken, geçmişte yaklaşık bir hafta sürecektir.
Sözleşmeyi yürüt. Otomotiv endüstrisinde, Ford, Toyota ve General Motors gibi orijinal ekipman üreticileri (OEM'ler) binlerce tedarikçiye sahiptir ve her bir tedarikçi ile birden fazla sözleşme imzalamıştır. Bu sözleşmeler, orijinal ekipman üreticisi tarafından ödenen fiyatları, kalite gereksinimlerini, teslimat süresini ve tedarikçilerin arzı sağlamak için alması gereken esneklik önlemlerini ayrıntılı olarak belirtir. LLM'ye binlerce sözleşme verisini besledikten sonra, orijinal bir ekipman üreticisi, belirli bir miktar eşiği aşılırsa, bir fiyat azaltma keyfini çıkarabileceklerini, ancak sözleşmelerin miktarı ve karmaşıklığının tedarik ekibinin bu fırsatı göz ardı etmesine neden olduğunu keşfetti. Nihai sonuç, bu üreticinin tedarik maliyetlerinde milyonlarca dolar tasarruf etmesiydi.
Varsayımsal soruları cevaplayın
Planlamacılar LLM'ye ayrıntılı sorular sorabilir, işte birkaç örnek:
Ürüne yönelik toplam talep% 15 artarsa, ek ulaşım maliyeti nedir?
Perakendeci R yalnızca Fabrika F'den ürünler kullanıyorsa, tedarik maliyeti ne kadar artar?
Fabrikayı kapatırsak, tüm talepleri karşılayabilir miyiz
M-tipi hammaddelerin birim maliyeti 1 $ azalırsa, P Ürünleri Üretme Toplam Maliyeti Ne Kadar Azalır?
LLM'nin bu tür soruları nasıl doğru ve verimli bir şekilde cevaplayabileceğine bir göz atalım. Birçok optimizasyon görevi, tedarik zincirinin yapısını ve tüm iş gereksinimlerini göz önünde bulunduran ve etkili tedarik zinciri önerileri üreten matematik programları şeklinde yazılmıştır. LLM matematiksel modellerin yerini almaz, bunları destekler. Özellikle, manuel sorguları matematiksel koda dönüştürecek ve plan oluşturmak için kullanılan orijinal matematiksel modele küçük değişiklikler yapacaktır. Örneğin, perakendecileri belirli bir fabrikadan ürünleri kullanmaya zorlamak için, diğer fabrikaların bu perakendeciye tedarik etmesini yasaklayan bir matematiksel gereklilik (yani bir "kısıtlama") eklenebilir. Daha sonra, matematiksel modeldeki bu ince değişiklik, yalnızca mevcut planla karşılaştırıldığında kullanılan değiştirilmiş bir plan oluşturmak için tedarik zinciri aracına girilecektir. Daha önce olduğu gibi, yeni matematiksel modelin çıktısı LLM aracılığıyla insan dili cevapları üretecektir (mevcut tedarik zinciri bilgilerini elde etmek ve varsayımsal sorular oluşturmak için bu LLM kullanma yöntemini öğrenmek için Microsoft'un açık kaynak kodunu ve GitHub/Microsoft/Optiguide ile ilgili ölçüt verilerini bulabilirsiniz).
Burada, Microsoft'un bulut hizmet operasyonlarındaki planlamacıların, sunuculardan depolardan veri merkezlerine dağıtmak için yürütme planları geliştirmek için bu özelliği nasıl kullandığını ifade edebiliriz. Her istek için ana kararlar şunları içerir: (1) talebi karşılamak için kullanılan sunucu türü ve depo, (2) nakliye tarihi ve (3) sunucu yerleştirme noktası (belirli veri merkezi ve özel konumu). Amaç, ideal tarihin ötesinde sunucu dağıtım gecikmeleri nedeniyle ulaşım maliyetleri ve tahmini fırsat maliyetleri gibi birden fazla bileşenin toplam maliyetini en aza indirmektir.
Optimizasyon aracının çıktı sonuçlarını alırken, planlamacılar sonuçların iş gereksinimlerini karşılayıp karşılamadığını doğrulayabilir ve planın bu sonuca göre yürütülmesini sağlayabilir. Bununla birlikte, potansiyel optimizasyon problemleri çok karmaşıktır ve tamamen imkansız değildir, ancak her kararın arkasındaki nedenleri hemen anlamak da zordur. Bu nedenle, planlamacılar genellikle daha fazla bilgi edinmek için optimizasyon araçları geliştiren mühendisler ve veri bilimcileriyle iletişim kurarlar. Planlamacılar ve mühendisler genellikle sorunları veya varsayımsal senaryoları tam olarak araştırmak için birden fazla etkileşime ihtiyaç duyarlar, bu da birkaç gün gecikmelere neden olabilir. Şimdi, LLM tabanlı sistemler planlamacılara birkaç dakika içinde aşağıdaki sorulara cevap verebilir: "Belirli bir siparişi belirli bir tarihten önce başka bir tarihe kıyasla tamamlarsak maliyet artışının yüzde kaçına katlanırız?" ve "Bir Deposu Bir Hafta Sunarsak Maliyet Artışının Yüzdesi Kaç Kaçına Katılırız?
İnteraktif planlama
Planlamacılar, mevcut iş ortamını yansıtacak şekilde tedarik zinciri yapısının ve iş gereksinimlerinin matematiksel modellerini güncellemek için LLM teknolojisini kullanabilirler. Ayrıca LLM, iş koşullarındaki değişikliklere dayanarak planlayıcılara en son bilgileri sağlayabilir.
Örneğin, planlamacılar tarafından alınan gerçek zamanlı bilgiler, bir kış kar fırtınası nedeniyle belirli bir üreticinin yedi gün boyunca kapatılacağını göstermektedir. LLM'nin yardımı olmadan, satış ve operasyon planlarını güncellemek isteyen planlamacılar, kesinti ile başa çıkma planlarını ve veri bilimi ekiplerini, zaman alıcı bir süreç olabilecek planda gerekli ayarlamaları yapmak için içermelidir. Bununla birlikte, LLM'nin yardımıyla, planlamacılar doğrudan sistemden yeni bir plan oluşturmasını isteyebilir ve fabrikaların kullanımından kaçınabilir. Yeni plan tahmin edilen tüm talepleri karşılayamazsa, LLM Yardımcı Planlama Aracı sadece güncellenmiş satış ve operasyonel planlar ve karşılık gelen maliyetler (tedarik ve ulaşım maliyetleri gibi) değil, aynı zamanda tedarik edilemeyecek talebi ve karlılık üzerindeki etkisini de belirleyecektir.
Tedarik planlarına yönelik talep, LLM tabanlı teknoloji tarafından da yönlendirilebilir. Örneğin, belirli bir tedarikçinin nakliye verilerini analiz ettikten sonra, tedarikçinin teslimat süresinin son birkaç ay içinde önemli ölçüde arttığını gösteren bir uyarı verebilir. Buna ek olarak, LLM tabanlı teknoloji bir sonraki sevkiyatın olası süresini tahmin edecek ve planlayıcılara gönderecektir. Düzeltici önlemler alınmadıkça, teslimat için uzun süreli teslim sürelerinin belirli bölgelerdeki hizmet seviyeleri üzerinde olumsuz bir etkisi olacağı için, planlamacılar yeni bilgilerle planlama araçlarını yeniden oluşturmak ve yeni planlar oluşturmak için LLM tabanlı sistemler gerektirebilir. Plan, LLM tarafından Planlamacılara doğal dilde aktarılır ve tedarikçilerin sevkiyatları hızlandırmasını veya şirketin farklı bölgelerindeki depolardan envanteri etkilenen bölgelere aktarmasını gerektirebilir.
LLM'yi bu makalede tartışılan şekilde kullanma yöntemi hala nispeten yenidir. LLM tabanlı teknolojinin önümüzdeki yıllarda uçtan uca karar verme senaryolarını desteklemesini bekliyoruz. Örneğin, kullanıcılar anlaşılması kolay bir dilde çözmek istedikleri karar sorununu açıklayabilir. Belirli bir üretim sorunu (karmaşık bir üretim tesisleri ağı, belirli bir ürünün ne zaman ve nerede üretileceği) veya bir envanter tahsisi sorunu (bir depoda sınırlı envanter verildiğinde, talebi en üst düzeye çıkarmak için çeşitli mağazalara nasıl tahsis edileceği) olabilir. Bugünün teknolojisi bu tür matematiksel modeller ve öneriler üretebilir, ancak modelin iş ortamını doğru bir şekilde gösterip göstermediğini doğrulamak zor bir iş olmaya devam etmektedir.
Engellerin üstesinden gelmek
İşletmeler tedarik zinciri yönetiminde LLM'yi benimsemeye başladıkça, etkili bir şekilde dağıtmak için çeşitli engellerin üstesinden gelmeleri gerekir.
Kullanım ve eğitim. Tedarik zincirini optimize etmek için LLM kullanmak çok hassas bir dil gerektirir. Örneğin, bir kullanıcı 'Fabrika F'yi daha iyi kullanabilir miyiz?' 'Daha iyi' teriminin birden fazla yorumu olabilir: maliyetleri azaltmak, verimi artırmak, bir süre boyunca verimi optimize etmek vb. Her yorum farklı kararlara yol açacaktır. Bu nedenle, sistemi kullanan eğitim personeli çok önemlidir. Planlamacıların daha kesin sorular sormak için eğitim almaları gerekebilirken, yönetim ve idari personelin LLM tabanlı teknolojinin yeteneklerini ve sınırlamalarını anlamaları gerekebilir.
Bu nedenlerden dolayı, Microsoft bu yeni teknolojiyi yavaş yavaş dağıtarken, daha önce varsayımsal soruları yanıtlamak için tanıtılan araçlar yalnızca bir dizi yaygın soruyu desteklemektedir. Şirket, kullanıcı etkileşimi, doğruluğu ve yedekleme mekanizmalarını izleyecek ve kapsamını yavaş yavaş genişletecektir. Planlamacılar ilgili eğitim almış ve araç tarafından şu anda desteklenen sorun kümelerine aşinadır.
doğrulama. LLM teknolojisi zaman zaman hatalı içerik çıkarır, bu nedenle yaygın bir zorluk, teknolojinin "yolda çalıştırılacağı", yani hataları tanımlamak ve geri dönmek için nasıl çalıştırılacağıdır. Şirketler, LLM'ye çıktısının doğruluğunu artırmak ve desteklenmeyen sorguları önceden tanımlamak için mekanizmalar eklemek için zengin alan adına özgü örnekler sunarak bu zorluğu ele almaktadır. Örneğin, birisi desteklenmeyen bir soru ortaya çıkarırsa, LLM tabanlı sistem "Maalesef bu sorunu çözmenize yardımcı olamıyorum. Aşağıdaki soruları kontrol edebilirsiniz." Tabii ki, doğruluğu doğrulamanın zorluğu, çıktının karmaşıklığı ile artar. Örneğin, LLM'den sıfırdan optimize edilmiş bir uygulama planı oluşturmak için tam bir matematiksel program oluşturmasını istersek, sistem doğruluğunu nasıl doğrular? Programın makul bir süre içinde en uygun planı oluşturabilmesini nasıl sağlayabiliriz? Bu açık uçlu konular hala daha fazla araştırma gerektiriyor.
Yeni işgücü. LLM teknolojisinin oldukça otomatik olarak uygulanmasıyla, yöneticilerin ve planlamacıların rolleri de değişecektir. Planlamacılar artık insan hatasına eğilimli ve zaman alıcı karar verme sürecine katılmayacak, ancak tedarik zinciri planlama tekniklerine daha fazla bilgi sağlamak ve önerilerini açıklamak için LLM teknolojisini uygulayabilecek. Bu, kullanıcı güvenini artıracak ve araç önerilerini benimsemelerini önemli ölçüde artıracaktır. Tedarik Departmanında, çalışanların yeni sözleşmeler oluşturma zamanı da büyük ölçüde azalacaktır. LLM, belirli ürün kategorileri için sözleşmeler tasarlayabilecek ve yöneticilerin uygun tedarikçileri seçmelerine yardımcı olmak için farklı tedarikçilerin geçmiş performans bilgilerini sağlayacaktır.
Başka bir deyişle, bir LLM aracı tabanlı işgücü kullanmak, işin odağını günlük olarak tekrarlayan görevlerden çeşitli tedarik zinciri faaliyetleri hakkında stratejik düşünmek veya işlevsel alanlarda ve dış tedarikçiler ve müşterilerle birlikte işbirliği yapmak gibi katma değerli görevlere kaydırabilir. Örneğin, talep planlamacıları, ticaretin talep tahmini üzerindeki etkisini anlamak için pazarlama, fiyatlandırma ve indirimlerden sorumlu ticaret planlamacılarıyla işbirliği yapabilir. Deneyimlerimize dayanarak, bu işbirliği şu anda çoğu kuruluşta mevcut değildir. Tabii ki, buradaki zorluk, liderliğin işlevsel departman engellerini yıkmasını ve işbirliğini kolaylaştırmak için iş süreçlerini ayarlamasını sağlamaktır.
Yukarıdaki zorluklara rağmen, yakın gelecekte, LLM tabanlı teknolojinin tedarik zinciri yönetimini dönüştüreceğine, verimliliğini, esnekliğini, verimliliğini ve doğruluğunu artıracağına inanıyoruz. Bugünün tedarik zinciri teknolojisini tamamlayacak ve planlayıcıların veri bilimcilerine veya mühendislere ihtiyaç duymadan doğrudan tedarik zinciri araçlarıyla etkileşime girmesini sağlayacaktır. İşletmeler, çok sayıda tedarik zinciri sürecini otomatikleştirebilecek ve hatta ticaret ve tahmin süreçlerini entegre etmek gibi yenilerini yaratabilecek. Aslında, bu entegrasyon, ticaret, tedarik zinciri ve finans fonksiyonel departmanlarının tüm iş ve finansal hedefleri ve gereksinimleri karşılayan bir tedarik planı geliştirmek için işbirliği yapacağı kapalı döngü tedarik zinciri yönetim sistemi oluşturacaktır. Birkaç yıl içinde, LLM tabanlı teknoloji tedarik zinciri yönetiminde gerçekten devrim yaratacak.
Ishai Menache, Jeevan Paturi, David Simchilevi, Tom Linton|Metin
Isay Menash, Microsoft Research'teki Makine Öğrenme ve Optimizasyon Grubunda İşbirlikçi Araştırma Müdürüdür. Jiwan Paturi, Microsoft'un Bulut Tedarik Zinciri Bölümü için Yazılım Mühendisliği İşbirliği Genel Müdürü ve Direktörüdür. David Senge Levy, MIT Veri Bilimi Laboratuvarı başkanı ve Accenture'da seçkin bir figür olan MIT'de bir William Barton Rogers profesörüdür. Tom Linton, McKinsey'de kıdemli danışman ve daha önce Flex'te baş tedarik ve tedarik zinciri memuru olarak görev yaptı.
