Примечание: версия этой статьи была впервые опубликована 30 июля 2019 года на FreightWaves.

В статье Решение проблемы изменения климата с помощью машинного обучения Дэвид Ролник и его соавторы рассматривают, как машинное обучение (МО) и искусственный интеллект (ИИ) могут быть применены к проблеме изменения климата. Они выявляют серьезные проблемы, в которых существующие пробелы могут быть заполнены с помощью машинного обучения в сотрудничестве с другими областями.

В этой статье я сосредоточусь на их рекомендациях для цепочки поставок. В документе они классифицируют решения, которые они обсуждают, как высокое кредитное плечо, долгосрочное и высокий риск. В этой статье представлены упрощенные и краткие описания их рекомендаций по высокому кредитному плечу. Эта статья является дополнением к статье Как можно применить машинное обучение для улучшения транспорта?

Проблемы цепочки поставок — это обобщенные задачи динамического назначения, в которых ограниченные ресурсы должны быть развернуты по сети для удовлетворения случайных потребностей, возникающих с течением времени. Система динамична, потому что каждый раз, когда ресурс выделяется для удовлетворения спроса, вся система изменяется так, что это невозможно предсказать заранее. Это отражает неопределенность реального мира, в котором существуют цепочки поставок. Этот класс проблем также называют проблемами динамического распределения ресурсов.

Авторы упоминают несколько причин, по которым машинное обучение может быть реально применено в промышленных условиях для решения проблем цепочки поставок и сокращения выбросов парниковых газов (ПГ): во-первых, промышленный сектор собирает большие объемы данных. Второе доступное облачное хранилище и облачные вычисления позволяют машинному обучению оказывать положительное влияние, поскольку его можно применять в любом масштабе.

Они предостерегают: во-первых, повышение эффективности цепочки поставок может привести к увеличению производства, что сводит на нет положительное влияние использования машинного обучения на выбросы парниковых газов. Во-вторых, промышленные данные часто являются собственностью, имеют низкое качество или иным образом недоступны исследователям машинного обучения и их алгоритмам.

Сокращение отходов – это одна из областей, в которой машинное обучение может изменить ситуацию. Большая часть потерь, возникающих в цепочках поставок, является результатом неадекватного прогнозирования спроса. Плохое прогнозирование спроса приводит к перепроизводству и затоварению. ML может смягчить эту проблему, повысив точность прогнозов спроса на промышленные товары. Сочетая усовершенствованное прогнозирование спроса с производством «точно в срок» на региональном уровне, поставщики могут как уменьшить количество избыточных запасов, которые они держат, так и снизить общую стоимость производства товаров для продажи.

Например, индустрия моды ежегодно выбрасывает непроданную одежду на миллиарды долларов. Эта непроданная одежда никогда бы не была произведена, если бы прогнозы спроса были более точными. Более того, производство лишней одежды приводит к ненужным текстильным отходам — это текстильные отходы, образующиеся из проданной и непроданной одежды.

Растет движение к замкнутым и регенеративным цепочкам поставок в качестве замены линейных и добывающих цепочек поставок, к которым мы привыкли. В последнем случае после использования продукт выбрасывается как отходы. В первом случае после того, как продукт был использован, он становится сырьем для нового продукта. Новый продукт может относиться к той же категории или совершенно к другой категории. Например, старая одежда из хлопка, которая перерабатывается в новое хлопковое волокно, используемое для изготовления новой одежды, или выброшенные пластиковые бутылки, которые используются в качестве сырья для новых спортивных кроссовок.

Материалы и конструкция – это еще одна область, в которой можно применять машинное обучение. преобразовать традиционные методы производства цемента и стали таким образом, чтобы существенно сократить выбросы парниковых газов, или создать новые строительные материалы, которые по своим эксплуатационным характеристикам не уступают цементу и стали, но наносят гораздо меньший вред климату. Прогресс в этой области будет зависеть от сочетания машинного обучения с достижениями в области материаловедения и моделирования.

Промышленное производство и управление энергопотреблением — это область, в которой оптимизация может сочетаться с машинным обучением и применяться для управления энергопотреблением на фабриках, складах, складах холодовой цепи и других типах промышленных объектов.

ML может применяться в;

  • Производство удобрений — для снижения количества потребляемой энергии,
  • Управление промышленными системами HVAC — для улучшения энергопотребления, сокращения выбросов парниковых газов и снижения эксплуатационных расходов,
  • Управление промышленными системами кондиционирования воздуха — для улучшения энергопотребления, сокращения выбросов парниковых газов и снижения эксплуатационных расходов, а также
  • Постоянный анализ и мониторинг машин и оборудования — для улучшения профилактического обслуживания и предотвращения дорогостоящих поломок.

Заключение. Транспорт и цепочка поставок предоставляют широкие возможности для машинного обучения

Хотя машинное обучение предлагает большой потенциал для приложений в области транспорта и цепочки поставок, есть несколько предварительных вопросов, на которые необходимо ответить, прежде чем идти по пути внедрения машинного обучения в свои операции по транспортировке или цепочке поставок:

  • У кого есть доступ к данным, необходимым для обучения моделей машинного обучения?
  • Учитывая конкретный контекст, обеспечит ли ML значительно лучшие результаты по сравнению со статус-кво или другими методами, которые проще реализовать?
  • Насколько вероятно, что внедрение машинного обучения станет неотъемлемой частью того, как бизнес работает на постоянной основе?
  • Каковы потенциальные непредвиденные последствия включения машинного обучения в операции по транспортировке и цепочке поставок в отношении выбросов парниковых газов?

В заключение авторы заявляют, что ОД стоит заниматься, когда:

  • Существует большое количество высококачественных и легкодоступных данных о маршрутах транспортировки, сетях цепочек поставок и производственных процессах.
  • Когда разные фирмы, входящие в состав производственной и распределительной сети, готовы сотрудничать, обмениваясь данными и получая доступ к детальным данным о соответствующих маршрутах, сетях и процессах.
  • Когда выгода от внедрения новых систем превышает затраты на поддержание старых систем и процессов.
  • При согласовании целей и стимулов по сокращению выбросов парниковых газов.

Авторы подчеркивают роль машинного обучения в борьбе с изменением климата. Это область первостепенной важности. В предыдущих статьях этой колонки подчеркивалось влияние изменения климата на цепочки поставок в целом. Однако в то время как компании работают над разработкой согласованных мер реагирования на изменение климата в сотрудничестве со своими партнерами и конкурентами, у отдельных компаний есть много потенциальных преимуществ, которые внедряют и внедряют машинное обучение на индивидуальной основе.