Обсуждение растущих, но недооцененных проблем цепочки поставок и актуальности машинного обучения для их решения.
А. Взгляд на современные проблемы цепочки поставок
В условиях глобализации сложность цепочки поставок за последние 20 лет неуклонно возрастала.
Вот некоторые ключевые факторы, которые заметно способствовали этой эволюции.
а) Многие отрасли промышленности стали более консолидированными. Это, в свою очередь, способствовало централизованному созданию трансграничных корпораций, особенно в трансграничных функциях, таких как закупки.
б) Больше рисков возникло из-за удлиненияцепочек поставок и создания стоимости, в частности многих непредсказуемых факторов, влияющих на сроки поставок, таких как забастовки в портах, стихийные бедствия и т. д.
в) Сотрудники становятся все более специализированными, а отделы, как правило, работают обособленно.
В отличие от этого, команды цепочки поставок в целом не оснащены инструментами, способными адаптироваться к этой новой среде.
а) Конфигурации ERP по-прежнему длинные и дорогие.
б) В более общем плане в период с 2000 по 2015 год в этой области наблюдалась вопиющая нехватка инноваций, особенно если сравнить с другими инженерными или маркетинговыми мероприятиями.
c) Команды цепочки поставок, именно те, которые сейчас сталкиваются с более сложными решениями, иногда страдают от недостатка признания и/или внимания со стороны руководства.
Этот разрыв между повышенной сложностью и нехваткой ресурсов создает напряженность и неэффективность в широком масштабе и, в конечном счете, приводит к огромным скрытым затратам:
а) Напряженные сотрудники, которым не хватает времени
б) Решения, включающие множество переменных, принимаются неоптимально. Это включает в себя выбор поставщиков, оптимизацию закупок, интеграцию цепочки поставок и т. д.
c) Команды размещают больше запасов по всей цепочке создания стоимости, так как они считают, что общим риском труднее управлять, и стремятся избежать событий, связанных с отсутствием запасов.
Б. Описание и применение решений на основе машинного обучения в этом контексте
Не вдаваясь во многие детали, мы хотели бы обозначить три типа технологий, которые чаще всего называют машинным обучением, и их различия.
а) При обучении с учителем компьютеру представляются примеры входных данных и их желаемые выходные данные, заданные «учителем», и цель состоит в том, чтобы изучить общее правило, которое сопоставляет входные данные с выходными. Пример: распознавание изображений. , обнаружение спама. Это то, что наиболее часто понимается, когда речь заходит о машинном обучении.
б) При неконтролируемом обучении алгоритму обучения не присваиваются метки, что позволяет ему самостоятельно находить структуру во входных данных. Неконтролируемое обучение может быть самоцелью (обнаружение скрытых закономерностей в данных) или средством достижения цели. Типичной иллюстрацией этого может быть кластеризация, когда нужно обнаружить присущие данные группировки (т. е. часть набора молекул является наркотиками, а часть нет, но вы не знаете, какие из них какие, и вы хотите, чтобы алгоритм обнаружил наркотики). )
Оба эти метода требуют для начала больших наборов исторических данных и связаны с большими данными.
в) Обучение с подкреплением. Алгоритм получает вознаграждение или наказаниев определенный момент времени и делает вывод из своей параметризации в тот момент, в каком направлении он должен совершенствоваться. Решение таких игр, как го или шахматы, а также видеоигры — классический пример обучения с подкреплением. В отличие от других методов он не связан с большими наборами исторических данных, машина учится сама.
Особые качества, вытекающие из этих технологий, связанных с машинным обучением, особенно важны для решения описанных выше серьезных проблем цепочки поставок и, следовательно, активно разыскиваются в этом контексте. .
Вот некоторые из этих качеств
а. Быстрость. «Расширенная эвристика», полученная в результате обучения с подкреплением, обеспечивает очень быстрые вычисления, которые позволяют, например, создавать множество симуляций, а затем проводить непрерывную оптимизацию. Примеры компаний, использующих это качество в контексте промышленных операций: GenLots, Trufa.
б. Гибкость. Возможность добавлять параметры «на ходу» в модель без изменения основных средств ее функционирования чрезвычайно ценна. И наоборот, это также означает, что решение задач возможно даже при ограничении частичных входных данных. Например: GenLots, Alteryx
в. Сложность. Способность продвинутых моделей справляться с рядом «отдельных» проблем одновременно доказывает, что модели, основанные на обучении с подкреплением, подходят для многомерных сред, описанных выше. Пример: GenLots, Целонис, Элементум
д. Обнаружение. Шаблоны в данных, выявленные с помощью неконтролируемого обучения, могут быть использованы, например, для устранения проблем с перебоями в цепочке поставок. Примеры: Llamasoft, Trufa, Risk Method, Concentra.
е. Точность. Способность учитывать больше входных данных и работать на уровнях сети позволяет моделям прогнозирования, созданным с помощью машинного обучения (в частности, обучению с учителем), работать лучше, чем традиционные модели. Пример: Prognosix.
C. Конкретный пример с GenLots
GenLots выявил одну специфическую проблему, которая сегодня неоптимально решается в результате вышеизложенных соображений: планирование заказов, что отсылает к вопросу — когда заказывать сколько материалов для производства?
Это важное решение, особенно актуальное, когда планирование требуется на скользящий горизонт в 30 недель и более, сегодня чаще всего принимается с помощью комбинации статических инструментов, которые чрезмерно упрощают реальность и не учитывают множество параметров, а также ручных корректировок.
Процесс длительный, и огромное количество SKU не оптимизировано.
Проблемы, связанные с этой проблемой:
а) Необходимость избегать отсутствия товара на складе
б) Отсутствие одного «нейтрального» критерия уровня предприятия при принятии этого решения, потому что подразделения, как правило, работают обособленно.
c) Сложность стандартизации подхода, поскольку разные параметры влияют на разные категории товаров.
GenLots обычно оценивает проблему по нейтральному критерию для всей компании: общая стоимость владения.
Он будет основываться на качествах машинного обучения, чтобы одновременно учитывать огромное количество параметров, чтобы исключить необходимость дополнительных ручных настроек.
Поскольку он работает быстро, оптимизация возможна для всех SKU, а не только для высокопроизводительных, а поскольку он хорошо справляется со сложностью, результат заслуживает доверия.
Применительно к реальным данным от компаний тонкой химии или фармацевтики GenLots продемонстрировала способность сочетать стандартные параметры ERP, такие как требования к производству, страховые запасы и уровни запасов, с расширенными параметрами, такими как скоропортящиеся, количественные скидки, производство в кампаниях и многие другие с помощью проприетарной платформы, включающей параметры обучения с подкреплением, настройка которых выполняется быстро и в значительной степени автоматизирована.
Это привело к выдающимся результатам как на человеческом, так и на коммерческом уровне, соответственно, к снижению от 5 до 8% общих затрат на покупку и увеличению количества рабочих часов таких сотрудников, как планировщик материалов. Это также способствует снижению риска благодаря уверенности в том, что ключевые параметры учтены, и помогает менеджеру планировать стратегические решения с помощью моделирования.
В целом необходимо признать, что повышенная сложность структуры цепочки поставок была постепенно генерируя трудно обнаруживаемые затраты и боли во внутренних системах. К ним могут относиться чрезмерные страховые запасы, неоптимальные решения по мультиплексным вопросам, неспособность учитывать новые параметры, неточные прогнозы, чрезмерный стресс внутри команд и многое другое. В то время как машинное обучение и смежные технологии глубокого обучения и искусственного интеллекта иногда оскорбительно размахивают как своего рода волшебной универсальной формулой, они обладают чрезвычайно полезными характеристиками при использовании с глубоким пониманием лежащей в их основе области.
Смягчение проблем с цепочками поставок, гармонизация операционной деятельности, повышение детализации глобальных производственных систем — вот некоторые из наиболее многообещающих приложений технологии машинного обучения, и многое еще предстоит сделать.
