Ko ģeneratīvā AI var darīt, lai pilnībā mainītu piegādes ķēdes pārvaldību?

Ko ģeneratīvā AI var darīt, lai pilnībā mainītu piegādes ķēdes pārvaldību?

 

 

Uzņēmumi saskaras ar dažādiem sarežģītiem izaicinājumiem, izstrādājot un optimizējot to piegādes ķēdes, starp kurām uzlabo pielāgošanās spēju, samazinot izmaksas un uzlabojot plānošanas kvalitāti, ir tikai daži aspekti. Pēdējo gadu desmitu laikā informācijas tehnoloģiju sasniegumi ir mainījuši biznesa lēmumu pieņemšanu no paļaušanās uz intuīciju un pieredzi uz automatizētākām un uz datiem balstītākām metodēm, tādējādi uzlabojot efektivitāti, ievērojami samazinot izmaksas un uzlabojot klientu apkalpošanu.

 

Diemžēl biznesa vadītājiem joprojām ir jāpavada daudz laika un pūles, lai izprastu sistēmas ierosinātos ieteikumus, analizētu dažādas situācijas un veiktu hipotēzes analīzi. Ir laikietilpīgs arī piegādes ķēdes pārvaldības rīku matemātisko modeļu atjaunināšana, lai atspoguļotu izmaiņas uzņēmējdarbības vidē. Lai risinātu šos jautājumus, plānotājiem un vadītājiem ir jāalgo datu zinātnes komandas vai tehnoloģiju pakalpojumu sniedzēji, lai izskaidrotu rezultātus vai modificētu sistēmu.

 

Lielais valodas modelis (LLM) ir ģeneratīvs AI, kas ļauj veikt šīs darbības pat bez iepriekšminētā atbalsta un samazina lēmumu pieņemšanas laiku no dienām vai nedēļām līdz minūtēm vai stundām, ievērojami uzlabojot plānošanas un vadības personāla efektivitāti un ietekmi. Šajā rakstā mēs izpētīsim, kā izmantot lielas valodas modeļus, lai iegūtu ieskatu no datiem, ļaujot vadītājiem labāk izprast piegādes ķēdes situāciju, atbildēt uz hipotētiskiem jautājumiem un atjaunināt piegādes ķēdes pārvaldības rīkus, lai ņemtu vērā pašreizējo uzņēmējdarbības vidi. Mēs arī uzsvērām izaicinājumus, kas uzņēmumiem jāpārvar, pieņemot lielas valodas modeļus, kā arī iespējas nākotnē paplašināt viņu lietojumprogrammas darbības jomu.

 

Lielākā daļa pieredzes, ar kuru mēs vēlamies dalīties, nāk no Microsoft izmantošanas LLM balstītā sistēmā, lai pārvaldītu serveru un citas aparatūras piegādi, kas tiek piegādāti vairāk nekā 300 datu centriem visā pasaulē, lai atbalstītu viņu mākoņa pakalpojumus. Microsoft pārbaudīja LLM balstītu sistēmu no 2023. gada marta līdz oktobrim un pilnībā izvietoja sistēmu tā gada novembrī. Kopš tā laika sistēmai ir bijusi būtiska ietekme uz efektivitāti un produktivitāti, kas izpaužas kā reakcijas laiks un lēmumu pieņemšanas ātrums, savukārt šie ieguvumi laika gaitā palielināsies un turpmāk uzlabojot sistēmu. Tomēr funkcijas, par kurām mēs apspriežam, nepaļaujas uz Microsoft produktu izmantošanu, un šo funkciju ieviešanai šobrīd var izmantot dažādus augstas kvalitātes LLM, kas šobrīd ir pieejami tirgū.

 

Tagad izpētīsim ieguvumus, ko LLM var dot.

 

Datu ieguve un atziņas

 

Iedomājieties tipisku piegādes ķēdi ar noteiktu skaitu izejvielu piegādātāju, ražošanas rūpnīcām un mazumtirgotājiem. Izmantojot LLM, plānotāji var jautāt vienkāršā valodā, piemēram, "Cik T-Type izejvielu pašlaik ir piegādātāju?" vai "kāds ir lētākais veids, kā pārvadāt preces no rūpnīcas F uz mazumtirgotāju R?" LLM var pārveidot šos jautājumus par datu zinātnes vaicājumiem un pēc tam ievadīt vaicājuma rezultātus uzņēmuma datu krātuvē (piemēram, SQL datu bāzē) un sniegt atbildes pilnos teikumos. No privātuma viedokļa LLM var izmantot kā mākoņa pakalpojumu, kas nozīmē, ka nav nepieciešams pārsūtīt patentētus datus uz trešo personu LLM.

 

Papildus kalpošanai par instrumentu, lai izprastu uzņēmuma piegādes ķēdes pašreizējo stāvokli, LLM var izmantot arī, lai izskaidrotu piegādes ķēdes sistēmas lēmumus un sniegtu papildu ieskatu, piemēram, informāciju par tendencēm. Piemēram, plānotāji var uzdot jautājumus par jaunākajām tendencēm, piemēram, "Kurai rūpnīcai pagājušajā nedēļā bija visaugstākā ražošanas efektivitāte?" vai "Cik vai cik procentus no kopējām pārvadāšanas izmaksām pagājušajā mēnesī pārsniedza USD 50000?" Šajā tekstā mēs sniegsim īpašus LLM agrīnas izmantošanas piemērus datu ieguvei un atziņām.

 

Izsekot pastāvīgi mainīgās prasības. Mākoņu skaitļošana ir vairāku miljardu dolāru bizness, kas prasa pakalpojumu sniedzējus, piemēram, Amazon, Microsoft un Google, lai lielus ieguldījumus varētu ieguldīt datu centros, aprīkot tos ar aparatūru un darboties, lai nodrošinātu jaudu jebkurā laikā. Viņiem pastāvīgi jāizpilda pieaugošais pieprasījums pēc šiem pakalpojumiem, vienlaikus samazinot aparatūru un darbības izmaksas. Šajā nolūkā mākoņa pakalpojumu sniedzēji regulāri pieņems aparatūras izvietošanas lēmumus, ņemot vērā daudzus izmaksu faktorus, piemēram, aparatūras pārvadāšanu un nolietojumu, kā arī darbības faktorus, piemēram, aparatūras saderību, inventāru un personālu izpildāmā servera izvietošanai.

 

Microsoft pieprasījums pēc serveriem nāk no iekšējām biznesa vienībām, kurām ir dažādi mākoņu produkti, piemēram, Azure Storage, Azure virtuālās mašīnas un Microsoft 365. Prasības tiek noteiktas, izmantojot pieprasījumus, ieskaitot nepieciešamo serveru veidu un daudzumu, reģionu, kurā tiek izvietoti serveri, un ideālu izvietošanas datumu. Piegādes ķēdes komanda ievada šīs prasības un regulāri izstrādā vienu pieprasījuma plānu. Microsoft inženieri regulāri palaiž datora optimizācijas rīku, lai ģenerētu izpildes plānu, piešķirtu faktisko aparatūru no piegādes noliktavas un norādītu, kad tie tiks nosūtīti uz datu centru. Microsoft plānotāji ir atbildīgi par plāna ieviešanas pārraudzību, tostarp apstiprinot, ka plāns atbilst dažādu biznesa departamentu vajadzībām un ka serveri ir izvietoti saskaņā ar plānu. Izvietotie serveri parasti darbojas biznesa nodaļā daudzus gadus, līdz tie ir pensijā un pārtraukti.

 

Plānotājiem katru mēnesi jāuzrauga pieprasījuma izmaiņas (pazīstama kā pieprasījuma kompensācija), lai pārliecinātos, ka pārskatītais plāns atbilst visām klientu prasībām un atbilst budžeta norādījumiem. Pieprasījuma nobīdes novērtēšanas uzdevumu tradicionāli ir pabeiguši plānotāji, kuri šajā procesā parasti iesaista datu zinātniekus un inženierus no dažādiem biznesa departamentiem. Kad šīs izmaiņas būs izprotamas, plānotāji sagatavos kopsavilkumu, lai izskaidrotu izmaiņas katrā reģionā.

 

Tagad LLM balstīta tehnoloģija var veikt visus šos uzdevumus. Tas automātiski ģenerēs elektronisku pārskata e -pastu, kurā sīki aprakstīts, kurš veica katru izmaiņu un iemeslus, lai to izdarītu. Tas arī norādīs uz iespējamām kļūdām, kuras plānotāji var pārskatīt. Piemēram, ja jaunajā plānā pieprasījums (kopējais serveru skaits) ir mazāks nekā vecajā plānā, e -pasts var norādīt uz precīzu pieprasījuma samazināšanās iemeslu, piemēram, jaunas paaudzes efektīvākas aparatūras ieviešanu, kas samazina serveru izmantošanu. Šis LLM rīks ļauj plānotājiem pēc dažām minūtēm patstāvīgi veikt prasību dreifēšanas analīzi, turpretī iepriekš tas prasītu apmēram nedēļu.

 

Izpildīt līgumu. Automobiļu rūpniecībā oriģinālo aprīkojuma ražotājiem (OEM), piemēram, Ford, Toyota un General Motors, ir tūkstošiem piegādātāju, un viņi ir parakstījuši vairākus līgumus ar katru piegādātāju. Šie līgumi sīki norāda cenas, ko maksā oriģinālā aprīkojuma ražotājs, kvalitātes prasības, piegādes laiks un elastības pasākumi, kas piegādātājiem jāveic, lai nodrošinātu piegādi. Pēc tūkstošiem līguma datu barošanas ar LLM, oriģinālais aprīkojuma ražotājs atklāja, ka, ja tiks pārsniegts noteikts daudzuma slieksnis, viņi varētu baudīt cenu samazināšanu, bet līgumu daudzums un sarežģītība lika iepirkumu komandai aizmirst šo iespēju. Galīgais rezultāts bija tāds, ka šis ražotājs ietaupīja miljoniem dolāru iepirkuma izmaksas.

 

Atbildiet uz hipotētiskiem jautājumiem

 

Plānotāji var uzdot LLM detalizētus jautājumus, šeit ir daži piemēri:

 

Kādas ir papildu transporta izmaksas, ja kopējais produkta pieprasījums palielinās par 15%

 

Ja mazumtirgotājs R izmanto tikai produktus no rūpnīcas F, cik daudz palielināsies iepirkuma izmaksas

 

Ja mēs aizveram rūpnīcu F, vai mēs varam izpildīt visas prasības

 

Ja M tipa izejvielu vienības izmaksas tiek samazinātas par USD 1, cik daudz kopējās P produktu ražošanas izmaksas tiks samazinātas

 

Apskatīsim, kā LLM var precīzi un efektīvi atbildēt uz šādiem jautājumiem. Daudzi optimizācijas uzdevumi ir rakstīti matemātisko programmu veidā, kas apsver piegādes ķēdes un visu biznesa prasību struktūru, un tie rada efektīvus piegādes ķēdes ieteikumus. LLM neaizstāj matemātiskos modeļus, bet gan tos papildina. Konkrēti, tas pārveidos manuālos vaicājumus matemātiskajā kodā un veica nelielas modifikācijas oriģinālajā matemātiskajā modelī, ko izmanto plānu ģenerēšanai. Piemēram, lai piespiestu mazumtirgotājus izmantot produktus no noteiktas rūpnīcas, var pievienot matemātisku prasību (ti, “ierobežojumu”), kas aizliedz citām rūpnīcām piegādāt šo mazumtirgotāju. Pēc tam šīs smalkās matemātiskā modeļa izmaiņas tiks ievadītas piegādes ķēdes rīkā, lai ģenerētu modificētu plānu, kuru izmanto tikai salīdzināšanai ar esošo plānu. Tāpat kā iepriekš, jaunā matemātiskā modeļa izvade radīs cilvēku valodas atbildes, izmantojot LLM (lai uzzinātu par šo LLM izmantošanas metodi, lai iegūtu pašreizējo piegādes ķēdes informāciju un radītu hipotētiskus jautājumus, jūs varat atrast Microsoft atvērtā koda kodu un saistītos etalona datus par github/microsoft/optiguide).

 

Šeit mēs varam atsaukties uz to, kā Microsoft mākoņa pakalpojumu operāciju plānotāji izmanto šo iespēju, lai izstrādātu izpildes plānus serveru izvietošanai no noliktavām līdz datu centriem. Katram pieprasījumam galvenie lēmumi ietver: (1) servera tips un noliktava, ko izmanto pieprasījuma apmierināšanai, (2) nosūtīšanas datumam un (3) servera dokstacijas punktam (īpašs datu centrs un tā īpašā atrašanās vieta). Mērķis ir samazināt vairāku komponentu kopējās izmaksas, piemēram, transporta izmaksas un aplēstās alternatīvās izmaksas, kas saistītas ar servera izvietošanas kavēšanos, kas pārsniedz ideālo datumu.

 

Saņemot optimizācijas rīka izvades rezultātus, plānotāji var apstiprināt, vai rezultāti atbilst biznesa prasībām, un nodrošināt, ka plāns tiek izpildīts saskaņā ar šo rezultātu. Tomēr iespējamās optimizācijas problēmas ir ļoti sarežģītas un nav pilnīgi neiespējamas, taču ir arī grūti uzreiz saprast katra lēmuma iemeslus. Tāpēc plānotāji parasti sazinās ar inženieriem un datu zinātniekiem, kuri izstrādā optimizācijas rīkus, lai iegūtu vairāk informācijas. Plānotājiem un inženieriem bieži ir vajadzīgas vairākas mijiedarbības kārtas, lai pilnībā izpētītu problēmas vai hipotētiskus scenārijus, kas var izraisīt vairākas dienas kavēšanos. Tagad uz LLM balstītas sistēmas var sniegt plānotājiem atbildes uz šādiem jautājumiem dažu minūšu laikā: "Cik procentuālā izmaksu pieauguma procentos mēs radīsimies, ja mēs izpildītu noteiktu pasūtījumu pirms noteikta datuma, salīdzinot ar citu datumu?" un "cik procentuālā daļa no izmaksu pieauguma mums rastos, ja nedēļu slēgtu noliktavu

 

Interaktīva plānošana

 

Plānotāji var izmantot LLM tehnoloģiju, lai atjauninātu piegādes ķēdes struktūras un biznesa prasību matemātiskos modeļus, lai atspoguļotu pašreizējo uzņēmējdarbības vidi. Turklāt LLM var sniegt jaunāko informāciju plānotājiem, pamatojoties uz biznesa apstākļu izmaiņām.

 

Piemēram, reāllaika informācija, ko saņēmusi plānotāji, liecina, ka ziemas puteņa dēļ noteikts ražotājs tiks slēgts septiņas dienas. Bez LLM palīdzības plānotājiem, kuri vēlas atjaunināt pārdošanas un operāciju plānus, lai tiktu galā ar dīkstāvi, tas ir jāiesaista un datu zinātnes komandas, lai veiktu nepieciešamos plāna pielāgojumus, kas var būt laikietilpīgs process. Tomēr ar LLM palīdzību plānotāji var tieši pieprasīt sistēmai ģenerēt jaunu plānu, izvairoties no rūpnīcu izslēgšanas izmantošanas. Ja jaunais plāns nevar izpildīt visas prognozētās prasības, LLM papildu plānošanas rīks ne tikai radīs atjauninātus pārdošanas un darbības plānus un atbilstošās izmaksas (piemēram, iepirkuma un transporta izmaksas), bet arī identificēs pieprasījumu, ko nevar piegādāt, un tā ietekmi uz rentabilitāti.

 

Pieprasījumu mainīt piedāvājuma plānus var izraisīt arī LLM balstīta tehnoloģija. Piemēram, pēc konkrēta piegādātāja nosūtīšanas datu analīzes tas var izdot trauksmi, norādot, ka pēdējos mēnešos piegādātāja piegādes laiks ir ievērojami palielinājies. Turklāt uz LLM balstīta tehnoloģija prognozēs nākamā sūtījuma iespējamo laiku un nosūtīs to plānotājiem. Sakarā ar atzīšanu, ka ilgstošam piegādes izpildes laikam negatīvi ietekmēs pakalpojumu līmeni noteiktos reģionos, ja vien netiks veikti koriģējoši pasākumi, plānotājiem var būt nepieciešami LLM balstītas sistēmas, lai atkārtotu plānošanas rīkus ar jaunu informāciju un ģenerētu jaunus plānus. Plāni LLM ir nodod plānotājiem dabiskā valodā, un tas var pieprasīt piegādātājiem paātrināt sūtījumus vai pārskaitīt krājumus no noliktavām dažādos uzņēmuma reģionos uz skartajām teritorijām.

 

LLM izmantošanas metode šajā rakstā apspriestajā veidā joprojām ir salīdzinoši jauna. Mēs sagaidām, ka uz LLM balstīta tehnoloģija nākamajos gados atbalstīs visaptverošu lēmumu pieņemšanas scenārijus. Piemēram, lietotāji var aprakstīt lēmumu problēmu, kuru viņi vēlas atrisināt viegli saprotamā valodā. Tā var būt īpaša ražošanas problēma (ņemot vērā sarežģītu ražošanas iekārtu tīklu, kad un kur ražot noteiktu produktu) vai inventāra sadales problēmu (ņemot vērā ierobežotu inventāru noliktavā, kā to sadalīt dažādiem veikaliem, lai palielinātu pieprasījumu). Mūsdienu tehnoloģija var radīt šādus matemātiskus modeļus un ieteikumus, taču pārbaudīt, vai modelis pareizi parāda uzņēmējdarbības vidi, joprojām ir izaicinājums.

 

Šķēršļu pārvarēšana

 

Tā kā uzņēmumi sāk izmantot LLM piegādes ķēdes pārvaldībā, viņiem ir jāpārvar dažādi šķēršļi, lai to efektīvi izvietotu.

 

Lietošana un apmācība. LLM izmantošana, lai optimizētu piegādes ķēdi, nepieciešama ļoti precīza valoda. Piemēram, ja lietotājs jautā: "Vai mēs varam labāk izmantot rūpnīcu F?" Terminam “labāk” var būt vairākas interpretācijas: izmaksu samazināšana, caurlaidspējas palielināšana, caurlaidspējas optimizēšana laika posmā utt. Katra interpretācija radīs atšķirīgus lēmumus. Tāpēc apmācības personālam, kurš izmanto sistēmu, ir izšķiroša nozīme. Plānotājiem, iespējams, būs jāsaņem apmācība, lai uzdotu precīzākus jautājumus, savukārt vadības un administratīvajam personālam, iespējams, būs jāsaprot LLM balstītas tehnoloģijas iespējas un ierobežojumi.

 

Šo iemeslu dēļ Microsoft pakāpeniski izvieto šo jauno tehnoloģiju, savukārt iepriekš ieviestie rīki, kas tika ieviesti, lai atbildētu uz hipotētiskiem jautājumiem, atbalsta tikai kopīgu jautājumu kopumu. Uzņēmums uzraudzīs lietotāju mijiedarbību, precizitāti un rezerves mehānismus un pakāpeniski paplašinās tā pārklājumu. Plānotāji ir saņēmuši atbilstošu apmācību un ir pārzinuši problēmu kopas, kuras pašlaik atbalsta rīks.

 

verifikācija. LLM tehnoloģija laiku pa laikam izvada kļūdainu saturu, tāpēc kopīgs izaicinājums ir tas, kā panākt, lai tehnoloģija darbotos “uz ceļa”, tas ir, lai identificētu kļūdas un atgrieztos uz ceļa. Uzņēmumi tagad risina šo izaicinājumu, sniedzot bagātīgus domēnam specifiskus LLM piemērus, lai uzlabotu tā izvades precizitāti un pievienotu mehānismus, lai iepriekš identificētu neatbalstītus vaicājumus. Piemēram, ja kāds rada neatbalstītu jautājumu, LLM balstīta sistēma sniegs noklusējuma atbildi, piemēram, "diemžēl es nevaru jums palīdzēt atrisināt šo problēmu. Jūs varat pārbaudīt šādus jautājumus". Protams, grūtības pārbaudīt precizitāti palielinās līdz ar izlaides sarežģītību. Piemēram, ja mēs lūdzam LLM ģenerēt pilnīgu matemātisko programmu izveidot optimizētu ieviešanas plānu no nulles, kā sistēma pārbauda tā pareizību? Kā mēs varam nodrošināt, ka programma var ģenerēt optimālu plānu saprātīgā laikā? Šie atvērtie jautājumi joprojām prasa turpmāku izpēti.

 

Jauns darbaspēks. Ar ļoti automatizētu LLM tehnoloģijas ieviešanu mainīsies arī vadītāju un plānotāju lomas. Plānotāji vairs nebūs iesaistīti cilvēku kļūdu un laikietilpīgā lēmumu pieņemšanas procesā, bet varēs izmantot LLM tehnoloģiju, lai sniegtu lielāku ieskatu piegādes ķēdes plānošanas paņēmienos un izskaidrotu to ieteikumus. Tas palielinās lietotāju uzticēšanos un ievērojami palielinās instrumentu ieteikumu pieņemšanu. Iepirkuma departamentā būs ievērojami samazināts laiks darbiniekiem, lai izveidotu jaunus līgumus. LLM varēs noformēt līgumus konkrētām produktu kategorijām un sniegt dažādu piegādātāju iepriekšējo snieguma informāciju, lai palīdzētu vadītājiem izvēlēties piemērotus piegādātājus.

 

Citiem vārdiem sakot, izmantojot LLM uz rīkiem balstītu darbaspēku, darba uzmanības centrā no ikdienas atkārtotiem uzdevumiem var novirzīt uz vērtības uzdevumiem, piemēram, stratēģiski domāt par dažādām piegādes ķēdes aktivitātēm vai sadarboties iekšēji funkcionālās jomās un ar ārējiem piegādātājiem un klientiem. Piemēram, pieprasījuma plānotāji var sadarboties ar tirdzniecības plānotājiem, kas ir atbildīgi par mārketingu, cenu noteikšanu un atlaides, lai izprastu tirdzniecības ietekmi uz pieprasījuma prognozēšanu. Balstoties uz mūsu pieredzi, šī sadarbība šobrīd neeksistē lielākajā daļā organizāciju. Protams, šeit ir izaicinājums nodrošināt, ka vadība samazina funkcionālos departamenta šķēršļus un pielāgo biznesa procesus, lai atvieglotu sadarbību.

 

Neskatoties uz iepriekšminētajiem izaicinājumiem, mēs joprojām uzskatām, ka tuvākajā nākotnē LLM balstīta tehnoloģija pārveidos piegādes ķēdes pārvaldību, uzlabojot tās efektivitāti, noturību, produktivitāti un precizitāti. Tas papildinās šodienas piegādes ķēdes tehnoloģiju, ļaujot plānotājiem tieši mijiedarboties ar piegādes ķēdes rīkiem, bez datu zinātniekiem vai inženieriem. Uzņēmumi varēs automatizēt lielu skaitu piegādes ķēdes procesu un pat izveidot jaunus, piemēram, integrējot tirdzniecības un prognozēšanas procesus. Faktiski šī integrācija veidos slēgtas cilpas piegādes ķēdes pārvaldības sistēmu, kurā tirdzniecības, piegādes ķēde un finanšu funkcionālie departamenti sadarbosies, lai izstrādātu piegādes plānu, kas atbilst visiem biznesa un finanšu mērķiem un prasībām. Dažu gadu laikā LLM balstīta tehnoloģija patiesi mainīs piegādes ķēdes pārvaldību.

 

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

 

 

Isay Menash ir sadarbības pētījumu vadītājs mašīnmācīšanās un optimizācijas grupā Microsoft Research. Jiwan Paturi ir Microsoft mākoņa piegādes ķēdes nodaļas programmatūras inženiertehniskās sadarbības ģenerāldirektors un direktors. Deivids Senge Levijs ir Viljams Bārtons Rodžersa profesors MIT, MIT datu zinātnes laboratorijas vadītājs un izcils figūra Accenture. Toms Lintons ir McKinsey vecākais konsultants un iepriekš ir bijis galvenais iepirkumu un piegādes ķēdes virsnieks Flex.