找回密码
 立即注册
  • 回复
  • 收藏

关于供应链管理的人工智能需要了解的20件事

tdmin 2019-1-2 10:20 32人围观 人工智能

我看到戈登·本齐(Gordon Benzie)写了一篇很好的文章,但有一个跨行业的观点。Benzie先生是AVEVA的董事。

我认为他的文章提供了一个很好的前提,因为它适用于供应链管理,这是一篇关于人工智能主题的更有针对性的文章。

任何可以感知其环境并采取行动以最大化其在某个目标上成功的机会的设备都参与某种形式的人工智能(AI)。AI是一个松散定义的术语,可以指代多种技术。但是运营研究人员会告诉你,有一种趋势是引用嵌入技术的算法,这些算法不像AI那样成熟,而成熟的其他数学和统计分支往往不会被标记为AI,即使它们符合定义。
在供应链领域,机器学习是大多数活动集中的地方。Symphony RetailAI的首席产品官Adeel Najmi对我喜欢的机器学习有一个定义。“当机器获取输出时,学习就会发生,观察输出的准确性,并更新自己的模型,以便产生更好的输出。任何执行此操作的机器都使用机器学习。无论使用数据科学方法还是如果使用神经网络或其他形式的有监督或无监督学习技术并不重要。重要的是不要陷入特定的技术。如果机器本身能够学习和改进经验,那么问题是什么? “。

当你以这种方式看待机器学习时,AI是供应链管理并不是什么新鲜事。自21世纪初以来,机器学习一直被用于改善需求预测。需求计划应用程序依靠一系列算法来获取历史货件数据并将其转换为预测。一种算法更适合促销,另一种适用于生命终结产品等等。机器查看预测,将其与实际出货量进行比较,并建议何时可以从特定库存单位或产品系列的一种算法转移到另一种算法。
随着时间的推移,需求计划中引入了更多的数据输入过程中,许多公司正在做更多的预测。例如,一些公司不是仅在该国东部地区进行月度预测,而是在每日,每周,每月和更长时间内对产品/商店层面进行预测。对于每天在商店级别预测的产品,应用于销售点数据流的算法可能具有最大的预测能力。每月在仓库级别预测相同的产品,应用于仓库装运历史和仓库订购模式的算法具有更强的预测能力。具有机器学习功能的预测引擎,只是一直在寻找哪种算法和数据流组合对不同的预测层次结构具有最强的预测能力。
但是,基于所使用的数据量,以及跨越不同时间范围和运往地点的预测量,一些公司已经采用了一种全自动的基于学习的解决方案,可以让人类摆脱困境。E2open提供了一个黑盒解决方案,可以完全自动化预测过程。使用黑匣子解决方案,规划人员无法看到机器并了解预测引擎如何生成预测。他们必须信任输出。像Proctor&Gamble这样的大型复杂公司使用这种解决方案并信任它。E2open表示,他们有证据表明,当预测人员忽略发动机的输出并调整预测时,结果会比他们刚刚信任的情况更糟糕。
黑匣子解决方案存在争议。Kinaxis行业解决方案营销副总裁Harish Iyer强烈反对这些类型的解决方案。“有人需要对此负责。” 如果出现问题,并且用户刚刚从黑匣子接受了计划,您如何让计划者负责?你走的层次越高越不可接受。如果一家公共公司在本季度错过了他们的数字,“你能想象一位CEO告诉华尔街他们不知道为什么吗?”?
无论解决方案是否为黑盒,人工智能和机器学习的部分功能都来自于将其与更传统的BI和业务流程管理技术相结合。这允许将AI洞察嵌入到业务流程中,允许用户仅查看对他们而言重要的洞察,并允许规划人员深入查看和查看支持信息。
最近,需求计划应用程序正在努力使用机器学习来更好地整合竞争对手的定价数据,按星期几存储流量,改变需求预测的天气数据以及潜在的许多其他因素。
需求计划是机器学习的一个很好的应用程序,因为这些系统具有自然的反馈循环。在需求管理应用程序中,系统持续监控预测准确性。系统中的准确度数据允许学习反馈循环。将机器学习应用于供应计划更加困难。
但机器学习正在供应链管理的许多领域得到应用。实际上,在供应链应用中有一些利用机器学习的军备竞赛。
运输管理系统的供应商也在设想使用天气数据来改善其运输规划。但是TMS中机器学习的承诺更广泛。
正在开展工作以查看供应计划中的关键参数,例如提前期,并使用机器学习来更新这些参数。AspenTech正在努力使用预测分析来确定炼油厂中的关键机器何时会分解以创建替代生产计划。
Manhattan Associates致力于利用机器学习来感知和适应仓库中不断变化的条件和优先级。挑选密度可能是初始优先级,但作为载体截止时间方法,会议订单SLA优先。机器学习用于预测完成工作所需的时间。然后,优化算法使用这些结果来平衡竞争需求,同时最佳地利用可用容量。
当有大数据时,机器学习会学得最好。蝙蝠越多,这些系统学习的速度就越快。在许多情况下,供应链应用程序将需要大数据平台来收集数据,清理数据并协调数据。
LLamasoft创建了一个平台,用于引入时间序列数据,以查看外部数据源是否改善了需求预测。

OSIsoft PI System用于收集实时数据并将数据转换为可操作的信息,这些信息可用于多种方式,包括机器学习应用程序。

在2018年8月,JDA完成了对Blue Yonder的收购。Blue Yonder是一个机器学习/人工智能平台。此次收购通过利用Blue Yonder平台将其SCP系统与外部数据(尤其是社交,新闻,事件和天气数据)连接起来,加速了JDA对自主供应链的愿景,从而实现更加自动化和优化的业务决策。

还有一些通用平台可用于收集机器学习分析的数据。

有些客户认为机器学习是一种魔杖。他们向供应链应用供应商询问机器学习如何用于解决他们所面临的供应链问题。但机器学习只是供应链技术工具箱中的一个工具。它并不总是正确的工具。当存在明确定义的成功度量的反馈回路,当存在大数据时,以及存在加速学习的快速反馈回路时,它最有效。简而言之,机器学习在狭隘地关注范围广泛的问题时最有效。
一些大公司拥有足够的资源,他们可以雇用数据科学家并探索对他们的业务有意义的定制解决方案(戴尔在全球指挥中心使用人工智能,DHL供应链在新兴技术方面投资3亿美元,电子商务公司使用人工智能改善他们的价值链)。对于大多数公司来说,这不是一个可行的选择。对于大多数公司来说,也不是一个可能获得可观的投资回报率(ROI)的选择。
与机器学习和AI相关的一个ROI问题是我们可以使用AI搜索大量数据,包括新的物联网(IoT)数据,以找到可能为公式添加一些预测能力的新变量。但在许多情况下,发现的新变量对预测的准确性的影响相对较小。这是机器学习问题需要狭隘范围的一个主要原因。
人工智能也被用于供应链软件解决方案中。3CE正在使用自然语言处理和信息检索处理来帮助自动化对进口和出口进行货物分类的不可思议的神秘过程。
人工智能也被用于与物流专业人士相关的硬件解决方案中。自主移动机器人(AMR)正在快速增长。近年来,该市场投入了超过5亿美元的风险投资。AMR用于帮助自动化电子商务实现。AMR不遵循预定的路径,但可以绕过障碍物。因为它们不依赖于广泛的基础设施 - 例如植入仓库楼层的RFID标签 - 它们可以快速实施。它们依赖于称为同步定位和映射的AI技术。
自动导引车辆可能具有用于拾取大卷纸的夹具。如果施加过大的压力,则纸卷会损坏。它太少,阀芯不能安全运输。同样地,IAM机器人有机器人手臂的机器人手臂,用于拾取小而轻的物品并将它们放在手提包中。施加的真空吸力量需要适合物体的尺寸和重量。
自动卡车运输也将依赖于SLAM技术,但这是一个不是狭隘范围的问题的例子。最好的猜测是,基于SLAM的卡车在没有驾驶员的情况下运输货物至少需要三年才能实现技术可行性。但也存在许多监管障碍。但即使在三年内,所讨论的解决方案也远非完全自主。事实上,即使是Embark Trucks的首席运营官Mike Reid也表示,“ 今天作为司机受雇的任何人都可以作为司机退休。” 令人惊讶的是,Embark是自动驾驶卡车的领先开发商。


鲜花

握手

雷人

路过

鸡蛋
我有话说......