Što generativni AI može učiniti kako bi se u potpunosti promijenilo upravljanje lancem opskrbe?

Što generativni AI može učiniti kako bi se u potpunosti promijenilo upravljanje lancem opskrbe?

 

 

Poduzeća se suočavaju s različitim složenim izazovima u dizajniranju i optimizaciji njihovih lanaca opskrbe, među kojima je poboljšanje prilagodljivosti, smanjenje troškova i poboljšanje kvalitete planiranja samo nekoliko aspekata. U posljednjih nekoliko desetljeća, napredak u informacijskoj tehnologiji prebacio je donošenje poslovnih odluka iz oslanjanja na intuiciju i iskustvo na više automatiziranih i na temelju podataka, poboljšavajući na taj način učinkovitost, značajno smanjujući troškove i poboljšavajući korisničku uslugu.

 

Nažalost, poslovni lideri još uvijek moraju potrošiti puno vremena i truda razumijevajući prijedloge koje je sustav predložio, analizirajući različite situacije i provodeći analizu hipoteza. Ažuriranje matematičkih modela alata za upravljanje lancem opskrbe kako bi se odražavalo promjene u poslovnom okruženju također je dugotrajno. Da bi riješili ove probleme, planeri i menadžeri moraju unajmiti timove znanosti o podacima ili pružatelje tehnologije kako bi objasnili rezultate ili izmijenili sustav.

 

Veliki jezični model (LLM) generativni je AI koji omogućava dovršavanje ovih aktivnosti čak i bez gore spomenute podrške i smanjuje vrijeme donošenja odluka iz dana ili tjedana do minuta ili sati, značajno poboljšavajući učinkovitost i utjecaj osoblja za planiranje i upravljanje. U ovom ćemo članku istražiti kako koristiti modele velikog jezika kako bismo stekli uvide iz podataka, omogućujući menadžerima da bolje razumiju situaciju u lancu opskrbe, odgovore na hipotetička pitanja i ažurirate alate za upravljanje lancem opskrbe kako bi uzeli u obzir trenutno poslovno okruženje. Također smo naglasili izazove koje poduzeća moraju prevladati prilikom usvajanja modela velikog jezika, kao i mogućnosti da u budućnosti proširi svoj opseg aplikacije.

 

Većina iskustva koje želimo dijeliti dolazi od Microsoftove upotrebe sustava temeljenog na LLM -u za upravljanje opskrbom poslužitelja i drugog hardvera, koji se isporučuju u preko 300 podatkovnih centara širom svijeta kako bi podržali njihove usluge u oblaku. Microsoft je testirao sustav sa sjedištem u LLM -u od ožujka do listopada 2023. i u potpunosti je rasporedio sustav u studenom te godine. Od tada, sustav je imao značajan utjecaj na učinkovitost i produktivnost, koji se očituje u vremenu odziva događaja i brzini donošenja odluka, dok se očekuje da će se te pogodnosti s vremenom povećavati i s daljnjim poboljšanjem sustava. Međutim, značajke o kojima razgovaramo ne oslanjaju se na upotrebu Microsoftovih proizvoda, a za implementaciju ovih značajki mogu se koristiti različiti visokokvalitetni LLLS koji su trenutno dostupni na tržištu.

 

Sada, istražimo prednosti koje LLM može donijeti.

 

Iskopavanje podataka i uvidi

 

Zamislite tipičan lanac opskrbe s određenim brojem dobavljača sirovina, tvornica proizvodnje i trgovaca. Korištenje LLM-a, planeri mogu pitati na običnom jeziku, poput "Koliko trenutno ima sirovine T-sirovine?" ili "Koji je najjeftiniji način prijevoza robe iz tvornice F do prodavača R?" LLM može pretvoriti ta pitanja u upite o znanosti podataka, a zatim unijeti rezultate upita u skladište podataka tvrtke (poput SQL baze podataka) i dati odgovore u cjelovitim rečenicama. Iz perspektive privatnosti, LLM se može koristiti kao usluga u oblaku, što znači da nema potrebe za prenošenjem vlasničkih podataka na LLM-ove treće strane.

 

Osim što služi kao alat za razumijevanje trenutnog stanja opskrbnog lanca tvrtke, LLM se može koristiti i za objašnjenje odluka koje donosi sustav opskrbnog lanca i pružanje dodatnih uvida, poput informacija o trendovima. Na primjer, planeri mogu postaviti pitanja o nedavnim trendovima, poput "Koja je tvornica imala najveću učinkovitost proizvodnje prošlog tjedna?" ili "koliko ili koliko postotka ukupnih troškova prijevoza prelazi 50000 USD prošlog mjeseca?" U sljedećem tekstu pružit ćemo posebne primjere rane upotrebe LLM -a za iskopavanje podataka i uvide.

 

Pratite stalno mijenjajući zahtjeve. Cloud Computing je posao s više milijardi dolara za koje zahtijeva od pružatelja usluga kao što su Amazon, Microsoft i Google da bi uložili veliko u izgradnju podatkovnih centara, opremali ih hardverom i upravljali njima kako bi osigurali kapacitet u bilo kojem trenutku. Moraju stalno ispuniti rastuću potražnju za tim uslugama, a istovremeno minimiziraju hardver i operativne troškove. U tu svrhu, davatelji usluga u oblaku redovito će donositi odluke o implementaciji hardvera, uzimajući u obzir mnoge čimbenike troškova kao što su hardverski prijevoz i amortizacija, kao i operativni čimbenici kao što su kompatibilnost hardvera, zaliha i osoblje za izvršavanje poslužitelja.

 

U Microsoftu, potražnja za poslužiteljima dolazi iz internih poslovnih jedinica koje imaju različite proizvode u oblaku kao što su Azure Storage, Azure Virtual Machines i Microsoft 365. Zahtjevi su navedeni kroz zahtjeve, uključujući vrstu i količinu potrebnih poslužitelja, regiju u kojoj su poslužitelji raspoređeni i datum implementacije. Tim opskrbnog lanca unosi ove zahtjeve i redovito razvija jedinstveni plan potražnje. Microsoftovi inženjeri redovito pokreću alat za optimizaciju računala kako bi generirali plan izvršenja, dodijelili stvarni hardver iz skladišta opskrbe i odredili kada će se otpremiti u podatkovni centar. Microsoftovi planeri odgovorni su za nadgledanje provedbe plana, uključujući potvrdu da plan zadovoljava potrebe različitih poslovnih odjela i da su poslužitelji raspoređeni prema planu. Umjereni poslužitelji obično rade u poslovnom odjelu dugi niz godina dok se ne povuku i ne otpuste.

 

Planeri također trebaju pratiti promjene u potražnji na mjesečnoj osnovi (poznate kao odstupanje od potražnje) kako bi osigurali da revidirani plan ispunjava sve zahtjeve kupca i u skladu s proračunskim smjernicama. Zadatak procjene nadoknade potražnje tradicionalno su završili planeri, koji obično uključuju znanstvenike i inženjere podataka iz različitih poslovnih odjela u ovom procesu. Jednom kada se ove promjene shvate, planeri će pripremiti sažetak izvršne vlasti kako bi objasnili promjene u svakoj regiji.

 

Sada, tehnologija temeljena na LLM -u može izvršiti sve ove zadatke. Automatski će generirati e -poštu elektroničkog izvještaja, u kojoj je detaljno opisano tko je napravio svaku promjenu i razloge za to. Također će istaknuti potencijalne pogreške koje planeri mogu pregledati. Na primjer, ako je potražnja (ukupni broj poslužitelja) u novom planu niža nego u starom planu, e -pošta može ukazivati ​​na točan razlog smanjenja potražnje, poput uvođenja nove generacije učinkovitijeg hardvera, što smanjuje uporabu poslužitelja. Ovaj LLM alat omogućava planerima da samostalno ispune analizu potrebe za nekoliko minuta, dok bi u prošlosti trebalo otprilike tjedan dana.

 

Izvršiti ugovor. U automobilskoj industriji originalni proizvođači opreme (OEM -ovi) kao što su Ford, Toyota i General Motors imaju tisuće dobavljača i potpisali su više ugovora sa svakim dobavljačem. Ovi ugovori detaljno određuju cijene koje je platio originalni proizvođač opreme, zahtjevi kvalitete, vrijeme isporuke i mjere fleksibilnosti koje dobavljači moraju poduzeti kako bi osigurali opskrbu. Nakon što je nahranio tisuće podataka o ugovoru LLM -u, originalni proizvođač opreme otkrio je da ako je premašen određeni prag količine, mogao bi uživati ​​u smanjenju cijena, ali količina i složenost ugovora uzrokovali su da tim za nabavu previdi ovu priliku. Konačni rezultat bio je da je ovaj proizvođač uštedio milijune dolara troškova nabave.

 

Odgovoriti na hipotetička pitanja

 

Planeri mogu postaviti detaljna pitanja, evo nekoliko primjera:

 

Koliki je dodatni trošak prijevoza ako se ukupna potražnja za proizvodom poveća za 15%

 

Ako prodavač R koristi samo proizvode iz tvornice F, koliko će se povećati troškovi nabave

 

Ako zatvorimo tvornicu F, možemo li ispuniti sve zahtjeve

 

Ako se jedinični trošak sirovina tipa M smanjuje za 1 USD, koliko će se smanjiti ukupni troškovi proizvodnje P proizvoda

 

Pogledajmo kako LLM može točno i učinkovito odgovoriti na takva pitanja. Mnogi zadaci optimizacije napisani su u obliku matematičkih programa koji razmatraju strukturu lanca opskrbe i svih poslovnih zahtjeva, te stvaraju učinkovite preporuke lanca opskrbe. LLM ne zamjenjuje matematičke modele, već ih nadopunjuje. Konkretno, pretvorit će ručne upite u matematički kod i izvršiti male izmjene u originalni matematički model koji se koristi za generiranje planova. Na primjer, kako bi se trgovci prisilili da koriste proizvode iz određene tvornice, može se dodati matematički zahtjev (tj. "Ograničenje") koji ostalim tvornicama zabranjuju opskrbu ovom prodavaču. Tada će se ta suptilna promjena u matematičkom modelu unijeti u alat opskrbnog lanca za generiranje modificiranog plana, koji se koristi samo za usporedbu s postojećim planom. Kao i prije, izlaz novog matematičkog modela generirat će odgovore na ljudski jezik putem LLM -a (za saznanje o ovoj metodi korištenja LLM -a za dobivanje trenutnih informacija o lancu opskrbe i postavljanja hipotetičkih pitanja, na GitHub/Microsoft/Optiguide) možete pronaći Microsoftov otvoreni izvor i povezane podatke o referentnim vrijednostima).

 

Ovdje se možemo uputiti kako planeri u Microsoftovim uslugama u oblaku koriste ovu sposobnost za razvoj planova izvršenja za implementaciju poslužitelja iz skladišta u podatkovne centre. Za svaki zahtjev, glavne odluke uključuju: (1) vrstu poslužitelja i skladište koje se koriste za ispunjavanje potražnje, (2) datum otpreme i (3) priključna točka poslužitelja (Specifični podatkovni centar i njezino specifično mjesto). Cilj je minimizirati ukupne troškove više komponenti, kao što su troškovi prijevoza i procijenjeni oportunitetni troškovi zbog kašnjenja u implementaciji poslužitelja izvan idealnog datuma.

 

Prilikom primanja rezultata alata za optimizaciju, planeri mogu potvrditi ispunjavaju li rezultati poslovne zahtjeve i osigurati da se plan izvrši prema ovom rezultatu. Međutim, potencijalni problemi s optimizacijom vrlo su složeni i nisu potpuno nemogući, ali također je teško odmah razumjeti razloge koje stoje iza svake odluke. Stoga planeri obično kontaktiraju inženjere i znanstvenike podataka koji razvijaju alate za optimizaciju kako bi dobili više informacija. Planeri i inženjeri često su potrebni višestruki krugovi interakcije kako bi u potpunosti istražili probleme ili hipotetičke scenarije, što može rezultirati odgodom od nekoliko dana. Sada, sustavi koji se temelje na LLM -u mogu planerima pružiti odgovore na sljedeća pitanja u roku od nekoliko minuta: "Koji bi postotak povećanja troškova nastao ako ispunimo određenu narudžbu prije određenog datuma u odnosu na drugi datum?" i "Kakav bi postotak povećanja troškova nastao ako zatvorimo skladište na tjedan dana

 

Interaktivno planiranje

 

Planeri mogu koristiti LLM tehnologiju za ažuriranje matematičkih modela strukture lanca opskrbe i poslovnih zahtjeva kako bi odražavali trenutno poslovno okruženje. Pored toga, LLM može pružiti najnovije informacije planerima na temelju promjena u uvjetima poslovanja.

 

Na primjer, informacije u stvarnom vremenu koje su primili planeri pokazuju da će određeni proizvođač biti zatvoren sedam dana zbog zimske mećave. Bez pomoći LLM-a, planeri koji žele ažurirati planove prodaje i operacija za suočavanje sa zastojima moraju uključivati ​​IT i timove za znanost o podacima kako bi izvršili potrebna prilagođavanja planu, što može biti dugotrajan postupak. Međutim, uz pomoć LLM -a, planeri mogu izravno zatražiti od sustava da generira novi plan, izbjegavajući uporabu tvornica isključivanja. Ako novi plan ne može ispuniti sve predviđene zahtjeve, alat za pomoćno planiranje LLM -a neće samo generirati ažurirane prodajne i operativne planove i odgovarajuće troškove (poput troškova nabave i prijevoza), već će identificirati potražnju koja se ne može pružiti i njegov utjecaj na profitabilnost.

 

Potražnju za promjenom planova opskrbe također može biti vođena tehnologijom koja se temelji na LLM -u. Na primjer, nakon analize podataka o dostavi određenog dobavljača, može izdati upozorenje koje ukazuje da se vrijeme isporuke dobavljača značajno povećalo u posljednjih nekoliko mjeseci. Osim toga, tehnologija sa sjedištem u LLM -u predvidjet će moguće vrijeme sljedeće pošiljke i poslati ga planerima. Zbog priznanja da će dugotrajno vrijeme isporuke negativno utjecati na razinu usluge u određenim regijama, osim ako se ne poduzmu korektivne mjere, planeri mogu zahtijevati sustave temeljene na LLM -u za ponovno pokretanje alata za planiranje s novim informacijama i generiranje novih planova. Plan prenosi planerima od strane LLM -a na prirodnom jeziku i može zahtijevati od dobavljača da ubrzaju pošiljke ili prenesu zalihe iz skladišta u različitim regijama tvrtke na pogođena područja.

 

Metoda korištenja LLM -a na način na koji se raspravlja u ovom članku još uvijek je relativno nova. Očekujemo da će tehnologija sa sjedištem u LLM-u podržati cjelovite scenarije odlučivanja u narednim godinama. Na primjer, korisnici mogu opisati problem odluke koji žele riješiti na lako razumljivom jeziku. To može biti specifičan proizvod proizvodnje (s obzirom na složenu mrežu proizvodnih postrojenja, kada i gdje proizvesti određeni proizvod) ili problem dodjele zaliha (s obzirom na ograničeni inventar u skladištu, kako ga rasporediti u razne trgovine kako bi se maksimizirala potražnja). Današnja tehnologija može generirati takve matematičke modele i preporuke, ali provjera da li model ispravno prikazuje poslovno okruženje ostaje izazov.

 

Prevladavanje prepreka

 

Kako poduzeća počinju usvajati LLM u upravljanju lancem opskrbe, oni trebaju prevladati razne prepreke kako bi ih učinkovito rasporedili.

 

Korištenje i trening. Korištenje LLM -a za optimizaciju opskrbnog lanca zahtijeva vrlo precizan jezik. Na primjer, ako korisnik pita: "Možemo li bolje iskoristiti tvornicu F?" Izraz "bolji" može imati višestruke interpretacije: smanjenje troškova, povećanje propusnosti, optimizaciju propusnosti u razdoblju itd. Svaka će interpretacija dovesti do različitih odluka. Stoga je osoblje za obuku koje koristi sustav presudno. Planeri će možda trebati proći obuku kako bi postavili preciznija pitanja, dok će upravljanje i administrativno osoblje možda trebati razumjeti mogućnosti i ograničenja tehnologije temeljene na LLM -u.

 

Iz tih razloga, Microsoft postupno primjenjuje ovu novu tehnologiju, dok alati uvedeni ranije za odgovaranje na hipotetička pitanja podržavaju samo skup uobičajenih pitanja. Tvrtka će nadzirati interakciju korisnika, točnost i mehanizme sigurnosnih kopija i postupno proširiti svoju pokrivenost. Planeri su prošli relevantnu obuku i upoznati su s problemima koji trenutno podržavaju alat.

 

Provjera. LLM tehnologija povremeno iznosi pogrešan sadržaj, tako da je čest izazov kako tehnologiju pokrenuti "na stazi", odnosno identificirati pogreške i vratiti se na pravi put. Tvrtke se sada bave ovim izazovom pružajući bogate primjere specifičnih za domenu za LLM kako bi poboljšali točnost svog izlaza i dodavanje mehanizama za unaprijed identificiranje nepodržanih upita. Na primjer, ako netko postavi nepodržano pitanje, sustav temeljen na LLM -u pružit će zadani odgovor poput "Nažalost, ne mogu vam pomoći u rješavanju ovog problema. Možete provjeriti sljedeća pitanja." Naravno, poteškoća u provjeri točnosti povećava se složenošću izlaza. Na primjer, ako tražimo od LLM -a da generira kompletan matematički program kako bi stvorio optimizirani plan implementacije ispočetka, kako sustav provjerava njegovu ispravnost? Kako možemo osigurati da program može generirati optimalni plan u razumnom roku? Ova otvorena pitanja i dalje zahtijevaju daljnja istraživanja.

 

Nova radna snaga. Uz visoko automatiziranu implementaciju LLM tehnologije, također će se promijeniti uloge menadžera i planera. Planeri više neće biti uključeni u ljudske pogreške i dugotrajni postupak donošenja odluka, ali moći će primijeniti LLM tehnologiju kako bi pružili više uvida u tehnike planiranja opskrbnog lanca i objasniti njihove preporuke. To će povećati povjerenje korisnika i značajno povećati njihovo prihvaćanje prijedloga alata. U odjelu za nabavu, vrijeme da zaposlenici stvaraju nove ugovore također će se uvelike smanjiti. LLM će moći dizajnirati ugovore za određene kategorije proizvoda i pružiti prošle informacije o performansama različitih dobavljača kako bi menadžerima pomogli u odabiru odgovarajućih dobavljača.

 

Drugim riječima, upotreba radne snage temeljene na LLM-u može prebaciti fokus rada s dnevnih ponavljajućih zadataka na zadatke s dodanom vrijednošću, poput strateškog razmišljanja o različitim aktivnostima lanca opskrbe ili suradnje interno u funkcionalnim područjima i s vanjskim dobavljačima i kupcima. Na primjer, planeri potražnje mogu surađivati ​​s trgovinskim planerima koji su odgovorni za marketing, cijene i popuste kako bi razumjeli utjecaj trgovine na predviđanje potražnje. Na temelju našeg iskustva, ova suradnja trenutno ne postoji u većini organizacija. Naravno, ovdje je izazov osigurati da vodstvo razbije funkcionalne barijere odjela i prilagodi poslovne procese kako bi se olakšala suradnja.

 

Unatoč gore navedenim izazovima, još uvijek vjerujemo da će u skoroj budućnosti tehnologija temeljena na LLM -u transformirati upravljanje lancem opskrbe, poboljšavajući njegovu učinkovitost, otpornost, produktivnost i točnost. On će nadopuniti današnju tehnologiju lanca opskrbe, omogućujući planerima da izravno komuniciraju s alatima opskrbe bez potrebe za znanstvenicima ili inženjerima podataka. Poduzeća će moći automatizirati veliki broj procesa lanca opskrbe, pa čak i stvoriti nove, poput integriranja procesa trgovine i prognoziranja. U stvari, ova će integracija tvoriti sustav upravljanja lancem opskrbe u zatvorenom krugu, u kojem će trgovinski, opskrbni lanac i funkcionalni odjeli financija surađivati ​​na razvoju plana opskrbe koji ispunjava sve poslovne i financijske ciljeve i zahtjeve. U roku od nekoliko godina tehnologija sa sjedištem u LLM -u uistinu će revolucionirati upravljanje lancem opskrbe.

 

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

 

 

Isay Menash je suradnički menadžer istraživanja u grupi za strojno učenje i optimizaciju u Microsoft Research. Jiwan Paturi je generalni direktor i direktor suradnje softverskog inženjerstva za Microsoftovu odjelu opskrbnog lanca u oblaku. David Senge Levy profesor je William Barton Rogers na MIT -u, voditelj MIT laboratorija za znanost o znanostima i ugledna figura u Accenture. Tom Linton je viši savjetnik u McKinseyju, a prethodno je bio glavni službenik za nabavu i lanac opskrbe u Flexu.