Mit tehet a generatív AI az ellátási lánc menedzsmentjének teljes megváltoztatása érdekében?

Mit tehet a generatív AI az ellátási lánc menedzsmentjének teljes megváltoztatása érdekében?

 

 

A vállalkozások különféle összetett kihívásokkal szembesülnek az ellátási láncok megtervezésében és optimalizálásában, amelyek közül az alkalmazkodóképesség javítása, a költségek csökkentése és a tervezés minőségének javítása csak néhány szempont. Az elmúlt néhány évtizedben az információs technológia fejlődése az üzleti döntéshozataltól az intuícióra és a tapasztalatokra támaszkodva az automatizált és adatközpontú módszerekre, ezáltal javítva a hatékonyságot, jelentősen csökkentve a költségeket, és javítva az ügyfélszolgálatot.

 

Sajnos az üzleti vezetőknek továbbra is sok időt és erőfeszítést kell tölteniük a rendszer által javasolt javaslatok megértésében, a különféle helyzetek elemzésével és a hipotézis elemzésével. Az ellátási lánc menedzsment eszközeinek matematikai modelljeinek frissítése az üzleti környezet változásainak tükrözésére szintén időigényes. E kérdések kezelése érdekében a tervezőknek és a vezetőknek adattudományi csoportokat vagy technológiai szolgáltatókat kell felvenniük az eredmények magyarázata vagy a rendszer módosítása érdekében.

 

A nagy nyelvi modell (LLM) egy generációs AI, amely lehetővé teszi ezen tevékenységek befejezését még a fent említett támogatás nélkül, és csökkenti a döntéshozatali időt napoktól, hetektől percektől vagy óráktól kezdve, jelentősen javítva a tervező és a menedzsment személyzet hatékonyságát és hatását. Ebben a cikkben megvizsgáljuk, hogyan lehet nagy nyelvű modelleket felhasználni az adatok betekintésére, lehetővé téve a vezetők számára, hogy jobban megértsék az ellátási lánc helyzetét, válaszoljanak a hipotetikus kérdésekre, és frissítsék az ellátási lánc menedzsment eszközeit a jelenlegi üzleti környezet figyelembevétele érdekében. Hangsúlyoztuk azokat a kihívásokat is, amelyeket a vállalkozásoknak meg kell küzdeniük a nagy nyelvi modellek elfogadásakor, valamint a jövőbeni alkalmazási körük kibővítésének lehetőségeit.

 

A megosztani kívánt tapasztalatok többsége a Microsoft LLM alapú rendszerének a szerverek és más hardverek kezelésére szolgáló használatából származik, amelyeket világszerte több mint 300 adatközponthoz szállítanak, hogy támogassák felhőszolgáltatásaikat. A Microsoft 2023. március és október között tesztelte az LLM alapú rendszert, és teljes mértékben telepítette a rendszert az év novemberében. Azóta a rendszer jelentős hatással volt a hatékonyságra és a termelékenységre, amely az esemény válaszidejében és a döntéshozatali sebességben nyilvánul meg, míg ezek az előnyök várhatóan növekedni fognak az idő múlásával és a rendszer további javulásával. A megvitatott funkciók azonban nem támaszkodnak a Microsoft termékek használatára, és ezeknek a funkcióknak a megvalósításához különféle, kiváló minőségű LLM-ek használhatók.

 

Most fedezzük fel az LLM előnyeit.

 

Adatbányászat és betekintés

 

Képzeljen el egy tipikus ellátási láncot, amely bizonyos számú alapanyag -beszállítóval, termelési gyárral és kiskereskedővel rendelkezik. Az LLM használatával a tervezők egyszerű nyelven kérdezhetnek, például: "Hány T-típusú nyersanyag van jelenleg a beszállítóval?" vagy "Mi a legolcsóbb módja az áruknak az F gyárból az R kiskereskedőbe történő szállítására?" Az LLM ezeket a kérdéseket adattudományi lekérdezésekké alakíthatja, majd beírhatja a lekérdezés eredményeit a vállalat adattárába (például az SQL adatbázisba), és teljes mondatokban válaszokat ad. Adatvédelmi szempontból az LLM felhőszolgáltatásként használható, ami azt jelenti, hogy nincs szükség a védett adatok továbbítására a harmadik fél LLM-be.

 

Amellett, hogy eszközként szolgál a vállalat ellátási láncának jelenlegi helyzetének megértéséhez, az LLM felhasználható az ellátási láncrendszer döntéseinek magyarázatára és további betekintés biztosítására, például a trendekre vonatkozó információk. Például a tervezők kérdéseket tehetnek fel a legutóbbi tendenciákról, például: "Melyik gyár volt a legmagasabb termelési hatékonyság a múlt héten?" vagy "A teljes szállítási költségek hány vagy hány százaléka meghaladta az 50000 dollárt a múlt hónapban?" A következő szövegben konkrét példákat mutatunk be az LLM korai használatáról az adatbányászathoz és a betekintéshez.

 

A folyamatosan változó követelmények. A Cloud Computing egy több milliárd dolláros üzlet, amely megköveteli, hogy a szolgáltatók, mint például az Amazon, a Microsoft és a Google, hogy nagymértékben fektessenek be az adatközpontok építésébe, hardverrel felszereljék őket, és működtetjék őket, hogy bármikor kapacitást biztosítsanak. Folyamatosan meg kell felelniük a szolgáltatások iránti növekvő igényeknek, miközben minimalizálják a hardver és az üzemeltetési költségeket. Ebből a célból a felhőalapú szolgáltatók rendszeresen meghozzák a hardver telepítési döntéseit, figyelembe véve számos olyan költségtényt, mint például a hardverszállítás és az értékcsökkenés, valamint az operatív tényezők, például a hardver kompatibilitása, a leltár és a személyzet a futtatható szerver telepítéséhez.

 

A Microsoftnál a szerverek iránti kereslet olyan belső üzleti egységektől származik, amelyek különböző felhőalapú termékekkel, például Azure Storage, Azure Virtual Machines és Microsoft 365. Az ellátási lánc csapata beadja ezeket a követelményeket, és rendszeresen kidolgozza az egyetlen keresleti tervet. A Microsoft Engineers rendszeresen futtat egy számítógépes optimalizálási eszközt a végrehajtási terv elkészítéséhez, a tényleges hardver kiosztására az ellátási raktárból, és megadja, mikor szállítják azokat az adatközpontba. A Microsoft tervezői felelősek a terv végrehajtásának felügyeletéért, ideértve annak megerősítését, hogy a terv megfelel a különféle üzleti osztályok igényeinek, és hogy a szervereket a terv szerint alkalmazzák. A telepített szerverek általában sok éven át működnek az üzleti osztályon, amíg nyugdíjba vonulnak és leszerelnek.

 

A tervezőknek a kereslet változásainak havonta is figyelemmel kell kísérniük (az úgynevezett kereslet -eltolás) annak biztosítása érdekében, hogy a felülvizsgált terv megfeleljen az összes vevői igénynek, és megfeleljen a költségvetési útmutatásoknak. A kereslet -eltolás értékelésének feladatát hagyományosan a tervezők végezték el, akik általában bevonják a különféle üzleti osztályok adattudósát és mérnökeit ebben a folyamatban. Miután ezeket a változásokat megértették, a tervezők végrehajtási összefoglalót készítenek az egyes régiók változásainak magyarázatára.

 

Most az LLM alapú technológia képes elvégezni ezeket a feladatokat. Ez automatikusan generál egy elektronikus jelentés e -mailt, részletezve, hogy ki hajtotta végre az egyes változtatásokat és ennek okait. Ezenkívül rámutat a tervezők áttekintésére szolgáló lehetséges hibákra is. Például, ha az új tervben a kereslet (a szerverek teljes száma) alacsonyabb, mint a régi tervben, akkor az e -mail jelezheti a kereslet csökkenésének pontos okát, például a hatékonyabb hardver új generációjának bevezetését, amely csökkenti a szerverek használatát. Ez az LLM eszköz lehetővé teszi a tervezők számára, hogy néhány perc alatt önállóan teljes követelmény -sodródási elemzést végezzenek, míg a múltban körülbelül egy hétbe telik.

 

Végezze el a szerződést. Az autóiparban az eredeti berendezésgyártók (OEM), például a Ford, a Toyota és a General Motors több ezer beszállítóval rendelkeznek, és minden beszállítóval több szerződést írtak alá. Ezek a szerződések részletesen meghatározzák az eredeti berendezésgyártó által fizetett árakat, a minőségi követelményeket, a szállítási időt és a rugalmassági intézkedéseket, amelyeket a beszállítóknak meg kell tenniük a kínálat biztosítása érdekében. Miután több ezer szerződéses adatot táplált az LLM -nek, az eredeti berendezésgyártó felfedezte, hogy ha egy bizonyos mennyiségi küszöböt túllépték, akkor az árcsökkentést élvezhetik, de a szerződések mennyisége és összetettsége miatt a beszerzési csoport figyelmen kívül hagyta ezt a lehetőséget. A végeredmény az volt, hogy ez a gyártó millió dollárt takarított meg a beszerzési költségekkel.

 

Válaszoljon hipotetikus kérdésekre

 

A tervezők részletes kérdéseket tehetnek fel az LLM -nek, íme néhány példa:

 

Mi a kiegészítő szállítási költség, ha a termék teljes igénye 15% -kal növekszik

 

Ha az R kiskereskedő csak az F gyár termékeit használja, akkor mennyire növekszik a beszerzési költségek

 

Ha bezárjuk az F gyárat, akkor teljesíthetjük -e az összes igényt

 

Ha az M-típusú nyersanyagok egységköltsége 1 dollárral csökken, akkor a P termékek előállításának teljes költsége csökken.

 

Vessen egy pillantást arra, hogy az LLM hogyan tudja pontosan és hatékonyan megválaszolni az ilyen kérdéseket. Számos optimalizálási feladatot matematikai programok formájában írnak, amelyek figyelembe veszik az ellátási lánc és az összes üzleti igény felépítését, és hatékony ellátási lánc -ajánlásokat generálnak. Az LLM nem helyettesíti a matematikai modelleket, hanem kiegészíti azokat. Pontosabban, a kézi lekérdezéseket matematikai kódgá alakítja, és enyhe módosításokat hajt végre az eredeti matematikai modellbe, amelyet a tervek előállításához használnak. Például, hogy arra kényszerítse a kiskereskedőket, hogy egy adott gyárból származó termékeket használjanak, egy matematikai követelményt (azaz egy "kényszer") adhatunk hozzá, amely megtiltja más gyárak számára a kiskereskedő számára történő ellátást. Ezután a matematikai modellnek ez a finom változása bevitele az ellátási lánc eszközbe egy módosított terv előállításához, amelyet csak a meglévő tervhez viszonyítva használnak. Mint korábban, az új matematikai modell kimenete emberi nyelvi válaszokat generál az LLM -en keresztül (hogy megismerje az LLM használatának ezen módszerét az aktuális ellátási lánc -információk beszerzéséhez és hipotetikus kérdések feltevéséhez, megtalálhatja a Microsoft nyílt forráskódját és a kapcsolódó benchmark -adatokat a GitHub/Microsoft/Optiguide -on).

 

Itt hivatkozhatunk arra, hogy a Microsoft felhőalapú szolgáltatási műveleteiben szereplő tervezők hogyan használják fel ezt a képességet végrehajtási tervek kidolgozására a szerverek raktárakból az adatközpontokba történő telepítésére. Minden kéréshez a fő döntések a következők: (1) szerver típus és raktár, amelyet a kereslet kielégítésére használnak, (2) a szállítási dátum és (3) szerver dokkolási pont (specifikus adatközpont és az adott hely). A cél az, hogy minimalizálja a több alkatrész teljes költségét, például a szállítási költségeket és a kiszolgáló telepítési késedelme miatti becsült lehetőségköltségeket az ideális dátumon kívül.

 

Az optimalizálási eszköz kimeneti eredményeinek kézhezvételekor a tervezők megerősíthetik, hogy az eredmények megfelelnek -e az üzleti követelményeknek, és biztosíthatják -e, hogy a terv ezen eredmény szerint hajtsa végre. A potenciális optimalizálási problémák azonban nagyon összetettek és nem teljesen lehetetlenek, de nehéz azonnal megérteni az egyes döntések mögött meghúzódó okokat. Ezért a tervezők általában kapcsolatba lépnek a mérnökökkel és az adattudósokkal, akik optimalizálási eszközöket dolgoznak ki, hogy további információkat szerezzenek. A tervezőknek és a mérnököknek gyakran több interakcióra van szükségük a problémák vagy hipotetikus forgatókönyvek teljes feltárásához, ami több napos késedelmet eredményezhet. Az LLM alapú rendszerek most a következő kérdésekre adott válaszokat adhatnak a tervezőknek a következő kérdésekre: "A költségnövekedés hány százaléka merülne fel, ha egy meghatározott megrendelést egy meghatározott dátum előtt teljesítünk egy másik dátumhoz képest?" és "A költségnövekedés hány százalékában merülnénk fel, ha egy hétig bezárnánk egy raktárt

 

Interaktív tervezés

 

A tervezők az LLM technológiát használhatják az ellátási lánc felépítésének és üzleti igényeinek matematikai modelljeinek frissítésére, hogy tükrözzék a jelenlegi üzleti környezetet. Ezenkívül az LLM az üzleti feltételek változásai alapján a tervezőknek a legfrissebb információkat szolgáltathatja.

 

Például a tervezők által kapott valós idejű információk azt mutatják, hogy egy bizonyos gyártót hét napra bezárnak egy téli hóvihar miatt. Az LLM segítsége nélkül a tervezőknek, akik frissíteni akarják az értékesítési és műveleti terveket, hogy megbirkózzanak a leállási idővel, bevonják az informatikai és adattudományi csapatait a tervhez szükséges kiigazítások elvégzéséhez, amelyek időigényes folyamat lehetnek. Az LLM segítségével azonban a tervezők közvetlenül kérhetik a rendszert, hogy készítsenek egy új tervet, elkerülve a bezárt gyárak használatát. Ha az új terv nem felel meg az összes várható igénynek, az LLM kiegészítő tervező eszköz nemcsak frissített értékesítési és működési terveket, valamint a megfelelő költségeket (például beszerzési és szállítási költségeket) generál, hanem azonosítja azt is, hogy a nem kielégíthető igényt és annak jövedelmezőségére gyakorolt ​​hatását.

 

Az ellátási tervek megváltoztatását az LLM alapú technológia is vezetheti. Például egy adott szállító szállítási adatainak elemzése után riasztást adhat ki, jelezve, hogy a szállító szállítási ideje az elmúlt néhány hónapban jelentősen megnőtt. Ezenkívül az LLM alapú technológia megjósolja a következő szállítás lehetséges idejét, és elküldi azt a tervezőknek. Annak felismerése miatt, hogy a kézbesítés hosszabb ideig tartó átfutási ideje negatív hatással lesz a szolgáltatási szintekre az egyes régiókban, hacsak nem javítják a korrekciós intézkedéseket, a tervezőknek megkövetelhetik az LLM alapú rendszereket, hogy új információkkal újraindítsák a tervezési eszközöket és új terveket készítsenek. A tervet természetes nyelven az LLM továbbítja a tervezőknek, és megkövetelheti a beszállítóktól, hogy gyorsítsák fel a szállítmányokat, vagy átadják a készleteket a társaság különböző régióiban található raktárakból az érintett területekre.

 

Az LLM használatának módszere a cikkben tárgyalt módon még mindig viszonylag új. Arra számítunk, hogy az LLM-alapú technológia az elkövetkező években támogatja a végpontok közötti döntéshozatali forgatókönyveket. Például a felhasználók leírhatják a döntési problémát, amelyet könnyen érthető nyelven akarnak megoldani. Ez lehet egy konkrét termelési probléma (tekintve egy komplex gyártási létesítmény hálózatát, mikor és hol lehet előállítani egy bizonyos terméket), vagy egy készlet -allokációs problémát (a raktárban korlátozott leltár alapján, hogyan lehet azt a különféle üzletekbe elosztani a kereslet maximalizálása érdekében). A mai technológia ilyen matematikai modelleket és ajánlásokat generálhat, de annak ellenőrzése, hogy a modell helyesen jeleníti meg az üzleti környezetet, továbbra is kihívás.

 

Az akadályok leküzdése

 

Amint a vállalkozások elkezdenek elfogadni az LLM -et az ellátási lánc menedzsmentjében, a hatékony telepítéshez különféle akadályokat kell legyőzniük.

 

Használat és képzés. Az LLM használata az ellátási lánc optimalizálásához nagyon pontos nyelvet igényel. Például, ha egy felhasználó azt kérdezi: "Tudjuk -e jobban kihasználni az F gyárat?" A „jobb” kifejezésnek több értelmezése lehet: a költségek csökkentése, az áteresztőképesség növelése, az áteresztőképesség optimalizálása egy ideig stb. Minden értelmezés különböző döntéseket eredményez. Ezért döntő jelentőségű a rendszert használó személyzet képzése. Lehet, hogy a tervezőknek képzést kell kapniuk, hogy pontosabb kérdéseket tegyenek fel, míg a menedzsmentnek és az adminisztratív személyzetnek meg kell értenie az LLM alapú technológia képességeit és korlátait.

 

Ezen okok miatt a Microsoft fokozatosan telepíti ezt az új technológiát, míg a korábban bevezetett eszközök a hipotetikus kérdések megválaszolására csak a közös kérdések sorozatát támogatják. A vállalat figyelemmel kíséri a felhasználói interakciókat, a pontosságot és a biztonsági mentési mechanizmusokat, és fokozatosan kibővíti lefedettségét. A tervezők releváns képzést kaptak, és ismerik az eszköz által jelenleg támogatott problémakészleteket.

 

ellenőrzés. Az LLM technológia időnként téves tartalmat ad ki, tehát egy általános kihívás az, hogy miként lehet a technológiát "a pályán" futtatni, vagyis a hibákat azonosítani és visszatérni a pályára. A vállalatok most arra a kihívással foglalkoznak, hogy gazdag domain -specifikus példákat mutatnak be az LLM -hez, hogy javítsák a kimenet pontosságát, és olyan mechanizmusokat adjanak hozzá, hogy előzetesen azonosítsák a nem támogatott kérdéseket. Például, ha valaki nem támogatott kérdést vet fel, az LLM alapú rendszer alapértelmezett választ ad, például: "Sajnos nem tudok segíteni a probléma megoldásában. Ellenőrizheti a következő kérdéseket." Természetesen a pontosság ellenőrzésének nehézsége növekszik a kimenet összetettségével. Például, ha arra kérjük az LLM -et, hogy készítsen egy teljes matematikai programot egy optimalizált megvalósítási terv létrehozásához a semmiből, hogyan igazítja a rendszer annak helyességét? Hogyan biztosíthatjuk, hogy a program ésszerű időn belül előállítsa az optimális tervet? Ezek a nyílt végű kérdések továbbra is további kutatást igényelnek.

 

Új munkaerő. Az LLM technológia nagymértékben automatizált megvalósításával a vezetők és a tervezők szerepe is megváltozik. A tervezők már nem vesznek részt az emberi hibákra hajlamos és időigényes döntéshozatali folyamatban, hanem képesek lesznek alkalmazni az LLM technológiát, hogy több betekintést nyújtsanak az ellátási lánc tervezési technikáiba és magyarázzák azok ajánlásait. Ez növeli a felhasználói bizalmat, és jelentősen növeli az eszköz javaslatainak elfogadását. A beszerzési osztályon az új szerződések létrehozására szolgáló alkalmazottak ideje szintén jelentősen csökken. Az LLM képes lesz szerződéseket megtervezni az egyes termékkategóriákhoz, és a különböző beszállítók korábbi teljesítményinformációit nyújthatja a vezetőknek a megfelelő beszállítók kiválasztásában.

 

Más szavakkal: az LLM eszköz alapú munkaerő használata a munka fókuszálását a napi ismétlődő feladatokról az értéket képviselő feladatokra változtathatja, például a különféle ellátási lánc-tevékenységek stratégiai gondolkodását, vagy a funkcionális területeken, valamint a külső beszállítókkal és ügyfelekkel való együttműködésre. Például a kereslet -tervezők együttműködhetnek a marketing, az árképzés és a kedvezményekért felelős kereskedelmi tervezőkkel, hogy megértsék a kereskedelemre gyakorolt ​​hatást a kereslet előrejelzésére. Tapasztalataink alapján ez az együttműködés jelenleg nem létezik a legtöbb szervezetben. Természetesen itt a kihívás az, hogy biztosítsuk, hogy a vezetés lebontja a funkcionális osztályok akadályait és az üzleti folyamatokat módosítja az együttműködés megkönnyítése érdekében.

 

A fenti kihívások ellenére továbbra is úgy gondoljuk, hogy a közeljövőben az LLM alapú technológia átalakítja az ellátási lánc menedzsmentjét, javítva annak hatékonyságát, ellenálló képességét, termelékenységét és pontosságát. Ez kiegészíti a mai ellátási lánc -technológiát, lehetővé téve a tervezők számára, hogy közvetlenül kölcsönhatásba lépjenek az ellátási lánc eszközökkel anélkül, hogy adattudósok vagy mérnökök lenne. A vállalkozások nagyszámú ellátási lánc -folyamatot képesek automatizálni, és akár újakat is létrehozni, például a kereskedelem és az előrejelzési folyamatok integrálásával. Valójában ez az integráció egy zárt hurkú ellátási lánc menedzsment rendszert alkot, amelyben a kereskedelem, az ellátási lánc és a pénzügyi funkcionális osztályok együttműködnek egy olyan ellátási terv kidolgozásában, amely megfelel az üzleti és pénzügyi célokhoz és követelményeknek. Néhány éven belül az LLM alapú technológia valóban forradalmasítja az ellátási lánc menedzsmentjét.

 

Ishai Menache, Jeevan Pathuri, David Simchilevi, Tom Linton|Szöveg

 

 

Az Isay Menash a Microsoft Research gépi tanulási és optimalizálási csoportjának együttműködési kutatási menedzsere. Jiwan Paturi a Microsoft felhőalapú ellátási láncának szoftverfejlesztési együttműködésének ügyvezető igazgatója és igazgatója. David Senge Levy William Barton Rogers professzor, a MIT, a MIT Data Science Laboratory vezetője és az Accenture kiemelkedő alakja. Tom Linton a McKinsey vezető tanácsadója, korábban a Flex beszerzési és ellátási láncának vezetője volt.