Что может сделать генеративный ИИ, чтобы полностью изменить управление цепочками поставок?

Что может сделать генеративный ИИ, чтобы полностью изменить управление цепочками поставок?

 

 

Предприятия сталкиваются с различными сложными проблемами при разработке и оптимизации цепочек поставок, среди которых улучшение адаптивности, снижение затрат и повышение качества планирования - лишь несколько аспектов. За последние несколько десятилетий достижения в области информационных технологий изменили принятие бизнес-решений, полагаясь на интуицию и опыт в более автоматизированные и управляемые данными методы, тем самым повышая эффективность, значительно снижая затраты и повышая обслуживание клиентов.

 

К сожалению, бизнес -лидеры все еще должны тратить много времени и усилий, понимая предложения, предложенные системой, анализируя различные ситуации и проводя анализ гипотез. Обновление математических моделей инструментов управления цепочками поставок для отражения изменений в бизнес-среде также требует много времени. Чтобы решить эти проблемы, планировщики и менеджеры должны нанимать научные группы или поставщики технологий, чтобы объяснить результаты или изменить систему.

 

Большая языковая модель (LLM)-это генеративный ИИ, который позволяет завершить эти действия даже без вышеупомянутой поддержки, и сокращает время принятия решений с дни или недель до минут или часа, значительно повышая эффективность и влияние персонала планирования и управления. В этой статье мы рассмотрим, как использовать модели на большом языке, чтобы получить информацию от данных, позволяя менеджерам лучше понять ситуацию в цепочке поставок, ответить на гипотетические вопросы и обновить инструменты управления цепочками поставок, чтобы учитывать текущую бизнес -среду. Мы также подчеркнули проблемы, которые предприятия должны преодолеть при принятии моделей на больших языках, а также возможности расширить их применение в будущем.

 

Большая часть опыта, которым мы хотим поделиться, происходит от использования Microsoft системы LLM для управления поставкой серверов и другого оборудования, которые поставляются более чем 300 центрам обработки данных по всему миру для поддержки их облачных услуг. Microsoft проверила систему LLM с марта по октябрь 2023 года и полностью развернула систему в ноябре того же года. С тех пор система оказала значительное влияние на эффективность и производительность, проявившись во времени реакции на событие и скорости принятия решений, в то время как эти преимущества, как ожидается, увеличатся со временем и при дальнейшем улучшении системы. Тем не менее, функции, которые мы обсуждаем, не полагаются на использование продуктов Microsoft, и различные высококачественные LLMS, доступные в настоящее время на рынке, могут использоваться для реализации этих функций.

 

Теперь давайте рассмотрим преимущества, которые LLM может принести.

 

Рабочие данные и понимание данных

 

Представьте себе типичную цепочку поставок с определенным количеством поставщиков сырья, производственных фабрик и ритейлеров. Используя LLM, планировщики могут спросить на простом языке, например, «Сколько сырья Т-типа есть в настоящее время у поставщиков?» или "Как самый дешевый способ перевозки товаров с завода F в розничный продавец R?" LLM может преобразовать эти вопросы в запросы науки о данных, а затем ввести результаты запроса в хранилище данных Компании (например, базу данных SQL), и предоставить ответы в полных предложениях. С точки зрения конфиденциальности, LLM может использоваться в качестве облачной службы, что означает, что нет необходимости передавать собственные данные в сторонние LLMS.

 

В дополнение к работе в качестве инструмента для понимания текущего состояния цепочки поставок компании, LLM также может использоваться для объяснения решений, принятых системой цепочки поставок и предоставления дополнительной информации, такой как информация о тенденциях. Например, планировщики могут задавать вопросы о недавних тенденциях, таких как «какая фабрика имела самую высокую эффективность производства на прошлой неделе?» или «Сколько или какой процент от общих транспортных расходов превысил 50000 долларов в прошлом месяце?» В следующем тексте мы предоставим конкретные примеры раннего использования LLM для интеллектуального анализа данных и понимания.

 

Отслеживать постоянно меняющиеся требования. Cloud Computing - это много миллиардов долларов, который требует, чтобы поставщики услуг, такие как Amazon, Microsoft и Google, чтобы инвестировать в создание центров обработки данных, оснащение их оборудованием и управление их для обеспечения мощности в любое время. Они должны постоянно удовлетворить растущий спрос на эти услуги, минимизируя аппаратные и эксплуатационные расходы. С этой целью поставщики облачных услуг будут регулярно принимать решения о развертывании оборудования, принимая во внимание многие факторы затрат, такие как транспортировка оборудования и амортизация, а также операционные факторы, такие как совместимость с оборудованием, запасы и персонал для выполнения выполнения развертывания сервера.

 

В Microsoft спрос на серверы поступает от внутренних бизнес -единиц, которые имеют различные облачные продукты, такие как хранилище Azure, виртуальные машины Azure и Microsoft 365. Требования определяются с помощью запросов, включая тип и количество требуемых серверов, региона, где развертываются серверы, и идеальную дату развертывания. Команда цепочки поставок вносит эти требования и регулярно разрабатывает единый план спроса. Инженеры Microsoft регулярно запускают инструмент оптимизации компьютера для создания плана выполнения, выделения фактического оборудования со склада питания и указывают, когда они будут отправлены в центр обработки данных. Планировщики Microsoft отвечают за контроль над внедрением плана, включая подтверждение того, что план удовлетворяет потребностям различных бизнес -отделов и что серверы были развернуты в соответствии с планом. Развернутые серверы обычно работают в Департаменте бизнеса в течение многих лет, пока они не станут уходом на пенсию и выведены из эксплуатации.

 

Планировщики также должны контролировать изменения в спросе на ежемесячной основе (известный как компенсация спроса), чтобы гарантировать, что пересмотренный план соответствует всем требованиям клиентов и соответствует бюджетным руководствам. Задача оценки компенсации спроса традиционно выполнялась планировщиками, которые, как правило, вовлекают ученых и инженеры из разных департаментов в этом процессе. После того, как эти изменения будут поняты, планировщики подготовит резюме для объяснения изменений в каждом регионе.

 

Теперь технология, основанная на LLM, может выполнить все эти задачи. Он автоматически генерирует электронное письмо отчета, подробно описывающие каждое изменение и причины для этого. Это также укажет на потенциальные ошибки для рассмотрения планировщиков. Например, если спрос (общее количество серверов) в новом плане ниже, чем в старом плане, электронное письмо может указывать на точную причину снижения спроса, такую ​​как введение нового поколения более эффективного оборудования, которое уменьшает использование серверов. Этот инструмент LLM позволяет планировщикам независимо выполнять анализ дрейфа в течение нескольких минут, тогда как в прошлом это займет около недели.

 

Выполнить контракт. В автомобильной промышленности производители оригинального оборудования (OEM), такие как Ford, Toyota и General Motors, имеют тысячи поставщиков и подписали несколько контрактов с каждым поставщиком. Эти контракты подробно указывают цены, выплачиваемые производителем оригинального оборудования, требования к качеству, срок доставки и меры гибкости, которые должны принять поставщики для обеспечения поставок. После подачи тысяч данных контракта в LLM, производитель оригинального оборудования обнаружил, что если будет превышено определенное количество порога, они могут получить снижение цен, но количество и сложность контрактов заставили группу по закупкам упустить эту возможность. Окончательный результат заключался в том, что этот производитель сэкономил миллионы долларов на затраты на закупки.

 

Ответьте на гипотетические вопросы

 

Планировщики могут задать подробные вопросы LLM, вот несколько примеров:

 

Какова дополнительная стоимость транспорта, если общий спрос на продукт увеличивается на 15%

 

Если ритейлер R использует только продукты с Factory F, сколько будет увеличение закупок.

 

Если мы закроем фабрику F, можем ли мы удовлетворить все требования

 

Если стоимость единицы сырья M-типа снижается на 1 доллар, сколько будет уменьшена общая стоимость производства P-продуктов

 

Давайте посмотрим, как LLM может точно и эффективно ответить на такие вопросы. Многие задачи оптимизации написаны в форме математических программ, которые рассматривают структуру цепочки поставок и всех бизнес -требований, и генерируют эффективные рекомендации цепочки поставок. LLM не заменяет математические модели, а скорее дополняет их. В частности, он преобразует ручные запросы в математический код и внесет небольшие изменения в исходную математическую модель, используемую для генерации планов. Например, чтобы заставить розничных продавцов использовать продукты с конкретной фабрики, можно добавить математическое требование (то есть «ограничение»), которые запрещают другим фабрикам поставлять этому ритейлеру. Затем это тонкое изменение в математической модели будет введено в инструмент цепочки поставок для создания модифицированного плана, который используется только для сравнения с существующим планом. Как и прежде, вывод новой математической модели будет генерировать ответы на языке человеческого языка через LLM (чтобы узнать об этом методе использования LLM для получения текущей информации о цепочке поставок и задачи гипотетических вопросов, вы можете найти открытый исходный код Microsoft и соответствующие эталонные данные о Github/Microsoft/Optiguide).

 

Здесь мы можем ссылаться на то, как планировщики в области облачных сервисов Microsoft используют эту возможность разработать планы выполнения для развертывания серверов со складов в центры обработки данных. Для каждого запроса основные решения включают в себя: (1) тип сервера и склад, используемый для удовлетворения спроса, (2) дата доставки и (3) точку стыковки сервера (конкретный центр обработки данных и его конкретное местоположение). Цель состоит в том, чтобы минимизировать общую стоимость нескольких компонентов, таких как транспортные затраты и предполагаемые альтернативные затраты из -за задержек развертывания сервера за пределы идеальной даты.

 

При получении результатов вывода инструмента оптимизации планировщики могут подтвердить, соответствуют ли результаты требования к бизнесу и обеспечить, чтобы план выполнялся в соответствии с этим результатом. Тем не менее, потенциальные проблемы с оптимизацией очень сложны и не совсем невозможны, но также трудно сразу понять причины каждого решения. Поэтому планировщики обычно связываются с инженерами и учеными для данных, которые разрабатывают инструменты оптимизации для получения дополнительной информации. Планировщикам и инженерам часто нуждаются в нескольких раундах взаимодействия, чтобы полностью изучить проблемы или гипотетические сценарии, что может привести к задержкам в течение нескольких дней. Теперь системы, основанные на LLM, могут предоставить планировщикам ответы на следующие вопросы в течение нескольких минут: «Какой процент увеличения затрат мы понесем, если мы выполним определенный заказ до установленной даты по сравнению с другой датой?» И «Какой процент увеличения стоимости мы понесем, если мы откроем склад на неделю

 

Интерактивное планирование

 

Планировщики могут использовать технологию LLM для обновления математических моделей структуры цепочки поставок и бизнес -требований, чтобы отразить текущую бизнес -среду. Кроме того, LLM может предоставить последнюю информацию планировщикам на основе изменений в условиях бизнеса.

 

Например, информация в режиме реального времени, полученная планировщиками, показывает, что определенный производитель будет закрыт на семь дней из-за зимней метели. Без помощи LLM планировщики, которые хотят обновлять планы продаж и операций, чтобы справиться с простоями, должны включать его и группы по науке о данных, чтобы внести необходимые коррективы в план, который может быть трудоемким процессом. Однако, с помощью LLM, планировщики могут напрямую попросить систему сгенерировать новый план, избегая использования заводов. Если новый план не может удовлетворить все прогнозируемые требования, инструмент вспомогательного планирования LLM не только генерирует обновленные планы продаж и эксплуатацию и соответствующие затраты (например, затраты на закупки и транспортировку), но и определить спрос, который не может быть удовлетворен, и его влияние на прибыльность.

 

Спрос на изменение планов предложения также может быть обусловлен технологиями на основе LLM. Например, после анализа данных о доставке конкретного поставщика, он может издать предупреждение, указывающее, что время доставки поставщика значительно увеличилось за последние несколько месяцев. Кроме того, технология, основанная на LLM, предскажет возможное время следующей отправки и отправит ее планировщикам. Из -за признания того, что длительное время выполнения поставки для доставки окажет негативное влияние на уровни обслуживания в определенных регионах, если не будут приняты корректирующие меры, планировщики могут потребовать от систем на основе LLM для повторного планирования инструментов с новой информацией и создания новых планов. План передается планировщикам LLM на естественном языке и может потребовать, чтобы поставщики ускоряли поставки или переводили запасы со складов в разных регионах компании в пострадавшие районы.

 

Метод использования LLM в порядке, обсуждаемом в этой статье, все еще является относительно новым. Мы ожидаем, что технология LLM для поддержки сквозных сценариев принятия решений в ближайшие годы. Например, пользователи могут описать проблему решения, которую они хотят решить на простом понимании языка. Это может быть конкретная производственная проблема (учитывая сложную сеть производственных объектов, когда и где производить определенный продукт) или проблема распределения запасов (приведенный ограниченный запасы на складе, как распределить его в различные магазины, чтобы максимизировать спрос). Сегодняшняя технология может генерировать такие математические модели и рекомендации, но проверка того, правильно ли модель отображает бизнес -среду, остается проблемой.

 

Преодоление препятствий

 

Поскольку предприятия начинают принимать LLM в управлении цепочками поставок, им необходимо преодолеть различные препятствия, чтобы эффективно его развернуть.

 

Использование и обучение. Использование LLM для оптимизации цепочки поставок требует очень точного языка. Например, если пользователь спрашивает: «Можем ли мы лучше использовать Factory F?» Термин «лучше» может иметь несколько интерпретаций: снижение затрат, увеличение пропускной способности, оптимизация пропускной способности в течение определенного периода времени и т. Д. Каждая интерпретация приведет к различным решениям. Поэтому обучающий персонал, который использует систему, имеет решающее значение. Планировщикам может потребоваться пройти обучение, чтобы задать более точные вопросы, в то время как управленческий и административный персонал может потребоваться понимать возможности и ограничения технологии, основанной на LLM.

 

По этим причинам Microsoft постепенно развертывает эту новую технологию, в то время как инструменты, представленные ранее для ответа на гипотетические вопросы, поддерживают только набор общих вопросов. Компания будет следить за взаимодействием с пользователем, точности и резервного копирования и постепенно расширять его покрытие. Планировщики прошли соответствующее обучение и знакомы с наборами проблем, которые в настоящее время поддерживаются инструментом.

 

проверка. Технология LLM иногда выводит ошибочный контент, поэтому общая задача заключается в том, как заставить технологию работать «на пути», то есть идентифицировать ошибки и вернуться на правильный путь. Компании в настоящее время решают эту проблему, предоставляя богатые примеры для LLM для повышения точности ее выпуска и добавления механизмов для заранее выявления неподдерживаемых запросов. Например, если кто -то поднимает неподдерживаемый вопрос, система на основе LLM предоставит ответ по умолчанию, такой как «К сожалению, я не могу помочь вам решить эту проблему. Вы можете проверить следующие вопросы». Конечно, сложность проверки точности увеличивается с сложностью вывода. Например, если мы попросим LLM генерировать полную математическую программу для создания оптимизированного плана реализации с нуля, как система проверяет его правильность? Как мы можем гарантировать, что программа может генерировать оптимальный план в течение разумного времени? Эти открытые вопросы по-прежнему требуют дальнейших исследований.

 

Новая рабочая сила. С высокой автоматизированной внедрением технологии LLM роли менеджеров и планировщиков также изменится. Планировщики больше не будут участвовать в процессе принятия людей, занимающихся человеческими ошибками и трудоемким процессом принятия решений, но смогут применять технологию LLM для предоставления большей информации о методах планирования цепочки поставок и объяснить их рекомендации. Это повысит доверие пользователей и значительно увеличит их принятие предложений инструментов. В отделе закупок время для сотрудников для создания новых контрактов также будет значительно сокращено. LLM сможет разрабатывать контракты для конкретных категорий продуктов и предоставлять информацию о производительности различных поставщиков, чтобы помочь менеджерам выбрать подходящих поставщиков.

 

Другими словами, использование рабочей силы на основе инструментов LLM может сместить фокус работы от ежедневных повторяющихся задач на задачи с добавленной стоимостью, такие как стратегическое мышление о различных видах деятельности по цепочке поставок или сотрудничество между функциональными областями, а также с внешними поставщиками и клиентами. Например, планировщики спроса могут сотрудничать с торговыми планировщиками, ответственными за маркетинг, ценообразование и скидки, чтобы понять влияние торговли на прогнозирование спроса. Основываясь на нашем опыте, это сотрудничество в настоящее время не существует в большинстве организаций. Конечно, задача здесь состоит в том, чтобы лидерство преодолело функциональные департаменты и корректирует бизнес -процессы для облегчения сотрудничества.

 

Несмотря на вышеупомянутые проблемы, мы все еще считаем, что в ближайшем будущем технология, основанная на LLM, будет трансформировать управление цепочками поставок, повышая его эффективность, устойчивость, производительность и точность. Он дополнит сегодняшнюю технологию цепочки поставок, позволяет планировщикам напрямую взаимодействовать с инструментами цепочки поставок без необходимости ученых или инженеров данных. Предприятия смогут автоматизировать большое количество процессов цепочки поставок и даже создавать новые, например, путем интеграции процессов торговли и прогнозирования. Фактически, эта интеграция будет сформировать систему управления цепочкой поставок в замкнутой контуре, в которой департаменты торговли, цепочки поставок и финансов будут сотрудничать для разработки плана предложения, который соответствует всем бизнес-и финансовым целям и требованиям. В течение нескольких лет технология, основанная на LLM, действительно революционизирует управление цепочками поставок.

 

Ишай Менаш, Дживан Патури, Дэвид Симхилеви, Том Линтон|Текст

 

 

Исай Менаш является менеджером по совместным исследованиям в группе машинного обучения и оптимизации в Microsoft Research. Jiwan Paturi является генеральным директором и директором по разработке программного обеспечения для отделения цепочки цепочки облачных поставок Microsoft. Дэвид Сенге Леви - профессор Уильяма Бартона Роджерса в Массачусетском технологическом институте, руководитель лаборатории науки о данных MIT, и выдающаяся фигура в Accenture. Том Линтон - старший консультант в McKinsey и ранее занимал должность главного сотрудника по закупкам и цепочке поставок в Flex.