Що може зробити генеративний ШІ, щоб повністю змінити управління ланцюгами поставок?

Що може зробити генеративний ШІ, щоб повністю змінити управління ланцюгами поставок?

 

 

Підприємства стикаються з різними складними проблемами в розробці та оптимізації своїх ланцюгів поставок, серед яких покращення адаптованості, зменшення витрат та підвищення якості планування - лише кілька аспектів. Протягом останніх кількох десятиліть прогрес у галузі інформаційних технологій перемістило прийняття бізнес-рішень від покладання на інтуїцію та досвід до більш автоматизованих та керованих даними методів, тим самим покращуючи ефективність, значно зменшуючи витрати та покращуючи обслуговування клієнтів.

 

На жаль, лідерам бізнесу все ще потрібно витратити багато часу та зусиль, розуміючи пропозиції, запропоновані системою, аналізуючи різні ситуації та проводити аналіз гіпотез. Оновлення математичних моделей інструментів управління ланцюгами поставок для відображення змін у бізнес-середовищі також забирає багато часу. Для вирішення цих питань планувальники та менеджери повинні найняти групи з наукових даних або постачальників технологій, щоб пояснити результати або змінити систему.

 

Велика мовна модель (LLM)-це генеративний ШІ, який дозволяє завершити ці заходи навіть без вищезгаданої підтримки, і скорочує час прийняття рішень з днів або тижнів до хвилин або годин, значно підвищуючи ефективність та вплив планування та управлінського персоналу. У цій статті ми вивчимо, як використовувати моделі великої мови для отримання розуміння даних, дозволяючи менеджерам краще зрозуміти ситуацію з ланцюгом поставок, відповідати на гіпотетичні запитання та оновлювати інструменти управління ланцюгами поставок, щоб врахувати поточне бізнес -середовище. Ми також наголосили на викликах, які підприємства повинні подолати при прийнятті моделей великої мови, а також можливості розширити сферу застосування в майбутньому.

 

Більшість досвіду, яким ми хочемо поділитися, випливає з використання системи на базі LLM Microsoft для управління постачанням серверів та іншого обладнання, яке постачається до понад 300 центрів обробки даних у всьому світі для підтримки їх хмарних послуг. Microsoft перевірила систему на базі LLM з березня по жовтень 2023 року та повністю розгорнула систему в листопаді того ж року. З тих пір система мала значний вплив на ефективність та продуктивність, що проявляється у часі реагування на події та швидкості прийняття рішень, тоді як очікується, що ці переваги зростатимуть з часом та з подальшим вдосконаленням системи. Однак функції, про які ми обговорюємо, не покладаються на використання продуктів Microsoft, і для впровадження цих функцій можна використовувати різні високоякісні LLMS, які зараз доступні на ринку.

 

Тепер давайте вивчимо переваги, які може принести LLM.

 

Обробка даних та розуміння

 

Уявіть типовий ланцюг поставок з певною кількістю постачальників сировини, виробничих заводів та роздрібних торговців. Використовуючи LLM, планувальники можуть запитати простою мовою, наприклад, "скільки сировини Т-типу зараз має постачальники?" або "Який найдешевший спосіб транспортувати товари з фабрики F до роздрібної торгівлі R?" LLM може перетворити ці питання на запити даних про дані, а потім вводити результати запиту в сховище даних компанії (наприклад, база даних SQL) та надавати відповіді у повних реченнях. З точки зору конфіденційності, LLM може використовуватися як хмарна послуга, а це означає, що немає необхідності передавати власні дані в сторонні LLM.

 

Окрім того, щоб служити інструментом для розуміння поточного стану ланцюга поставок компанії, LLM також може бути використаний для пояснення рішень, прийнятої системою ланцюгів поставок, та надання додаткових розумінь, таких як інформація про тенденції. Наприклад, планувальники можуть задавати питання про останні тенденції, такі як "яка фабрика мала найвищу ефективність виробництва минулого тижня?" або "скільки або який відсоток від загальної кількості транспортних витрат перевищив 50000 доларів минулого місяця?" У наступному тексті ми надамо конкретні приклади раннього використання LLM для обміну даними та розумінням.

 

Відстежуйте постійно змінювати вимоги. Хмарні обчислення - це багато мільярдів доларів, який вимагає від постачальників послуг, таких як Amazon, Microsoft та Google, щоб інвестувати значні кошти в будівництво центрів обробки даних, оснащення їх апаратним забезпеченням та експлуатація їх для забезпечення ємності в будь -який час. Вони повинні постійно відповідати зростаючому попиту на ці послуги, мінімізуючи апаратні та експлуатаційні витрати. З цією метою постачальники хмарних послуг регулярно прийматимуть рішення щодо розгортання обладнання, враховуючи багато факторів витрат, таких як транспорт та амортизація апаратного забезпечення, а також оперативні фактори, такі як сумісність обладнання, запас та персонал для виконуваного розгортання сервера.

 

У Microsoft попит на сервери надходить із внутрішніх ділових одиниць, які мають різні хмарні продукти, такі як сховище Azure, віртуальні машини Azure та Microsoft 365. Вимоги визначаються за допомогою запитів, включаючи тип та кількість необхідних серверів, регіон, де сервери розгортаються, та ідеальну дату розгортання. Команда ланцюгів поставок вводить ці вимоги та регулярно розробляє єдиний план попиту. Microsoft Engineers регулярно запускає інструмент оптимізації комп'ютера для створення плану виконання, виділення фактичного обладнання зі складу живлення та вкажіть, коли вони будуть відправлені до центру обробки даних. Планувальники Microsoft несуть відповідальність за нагляд за виконанням плану, включаючи підтвердження того, що план відповідає потребам різних бізнес -відомств і що сервери були розгорнуті відповідно до плану. Розгорнуті сервери зазвичай працюють у бізнес -департаменті протягом багатьох років, поки вони не вийдуть на пенсію та виведені з експлуатації.

 

Планувальники також повинні щомісяця контролювати зміни попиту (відомий як компенсація попиту), щоб переконатися, що переглянутий план відповідає всім вимогам клієнтів та відповідає бюджетним рекомендаціям. Завдання оцінки компенсації попиту традиційно виконано планувальниками, які, як правило, залучають науковців та інженерів з різних бізнес -відділів у цьому процесі. Як тільки ці зміни будуть зрозумілі, планувальники підготують резюме для пояснення змін у кожному регіоні.

 

Тепер технологія на базі LLM може виконати всі ці завдання. Він автоматично генерує електронний звіт електронної пошти, детально описуючи, хто змінив кожну зміну та причини для цього. Він також вказує на потенційні помилки для перегляду планувальників. Наприклад, якщо попит (загальна кількість серверів) у новому плані нижчий, ніж у старому плані, електронна пошта може вказувати на точну причину зменшення попиту, наприклад, введення нового покоління більш ефективного обладнання, що зменшує використання серверів. Цей інструмент LLM дозволяє планувальникам незалежно завершити аналіз дрейфу за кілька хвилин, тоді як у минулому це займе близько тижня.

 

Виконати договір. У автомобільній промисловості виробники оригінальних обладнання (OEM), такі як Ford, Toyota та General Motors, мають тисячі постачальників і підписали кілька контрактів з кожним постачальником. Ці договори докладно визначають ціни, що виплачують оригінальний виробник обладнання, вимоги до якості, час доставки та заходи гнучкості, які повинні вживати постачальники для забезпечення постачання. Після подачі тисяч даних контрактів до LLM, оригінальний виробник обладнання виявив, що якщо певний поріг кількості буде перевищений, вони зможуть користуватися зниженням цін, але кількість та складність контрактів змусило команду закупівель не помітити цю можливість. Кінцевим результатом було те, що цей виробник заощадив мільйони доларів витрат на закупівлю.

 

Відповідайте на гіпотетичні запитання

 

Планувальники можуть задати детальні запитання LLM, ось кілька прикладів:

 

Яка додаткова вартість транспорту, якщо загальний попит на товар збільшується на 15%

 

Якщо роздрібна торгівля R використовує лише продукти з фабрики F, скільки збільшуватиметься вартість закупівель

 

Якщо ми закриємо фабрику F, чи можемо ми задовольнити всі вимоги

 

Якщо одиниця вартості сировини типу M знизиться на 1 долар, скільки зменшиться загальна вартість виробництва P

 

Давайте подивимось, як LLM може точно та ефективно відповісти на такі запитання. Багато завдань з оптимізації написані у вигляді математичних програм, які враховують структуру ланцюга поставок та всі вимоги до бізнесу та генерують ефективні рекомендації ланцюга поставок. LLM не замінює математичні моделі, а скоріше доповнює їх. Зокрема, він перетворить ручні запити в математичний код і внесе незначні зміни до початкової математичної моделі, що використовується для створення планів. Наприклад, для того, щоб змусити роздрібні торговці використовувати продукти з певної фабрики, може бути додано математичну вимогу (тобто "обмеження"), що забороняє іншим фабрикам постачатись у цей роздрібний торговець. Тоді ця тонка зміна математичної моделі буде введена в інструмент ланцюга поставок для створення модифікованого плану, який використовується лише для порівняння з існуючим планом. Як і раніше, вихід нової математичної моделі генерує відповіді на мову людської мови через LLM (щоб дізнатися про цей метод використання LLM для отримання поточної інформації про ланцюг поставок та поставити гіпотетичні питання, ви можете знайти з відкритим кодом Microsoft та пов'язаними з ними базовими даними на Github/Microsoft/Optiguide).

 

Тут ми можемо посилатися на те, як планувальники в операціях хмарних служб Microsoft використовують цю можливість розробити плани виконання для розгортання серверів зі складів до центрів обробки даних. Для кожного запиту основні рішення включають: (1) тип сервера та склад, що використовуються для задоволення попиту, (2) дати доставки та (3) пункту стикування сервера (конкретний центр обробки даних та його конкретне місце). Мета - мінімізувати загальну вартість декількох компонентів, таких як транспортні витрати та орієнтовні можливі витрати через затримки розгортання сервера, що перевищують ідеальну дату.

 

Отримавши результати результатів інструменту оптимізації, планувальники можуть підтвердити, чи відповідають результати вимогам бізнесу та забезпечити виконання плану відповідно до цього результату. Однак проблеми потенційної оптимізації дуже складні і не зовсім неможливі, але також важко негайно зрозуміти причини кожного рішення. Тому планувальники зазвичай звертаються до інженерів та вчених даних, які розробляють інструменти оптимізації для отримання додаткової інформації. Планувальники та інженери часто потребують декількох раундів взаємодії для повного вивчення проблем або гіпотетичних сценаріїв, що може призвести до затримок у кілька днів. Тепер системи на основі LLM можуть надати планувальникам відповіді на наступні запитання протягом декількох хвилин: "Який відсоток збільшення витрат ми б несли, якщо заповнимо конкретне замовлення перед встановленою датою порівняно з іншою датою?" і "Який відсоток збільшення витрат ми б понесли, якби вимкнути склад на тиждень на тиждень

 

Інтерактивне планування

 

Планувальники можуть використовувати технологію LLM для оновлення математичних моделей структури ланцюгів поставок та вимог до бізнесу для відображення поточного бізнес -середовища. Крім того, LLM може надати останню інформацію планувальникам на основі змін умов бізнесу.

 

Наприклад, інформація в режимі реального часу, отримана планувальниками, показує, що певний виробник буде закритий протягом семи днів через зимову хуртовину. Без допомоги LLM планувальники, які хочуть оновити плани продажів та операцій, щоб впоратися з простоєм, повинні включати його та групи з наукових даних, щоб внести необхідні коригування плану, що може бути трудомістким процесом. Однак, за допомогою LLM, планувальники можуть безпосередньо просити систему генерувати новий план, уникаючи використання фабрик відключення. Якщо новий план не може задовольнити всі прогнозовані вимоги, інструмент допоміжного планування LLM не тільки генерує оновлені плани продажів та експлуатації та відповідні витрати (наприклад, витрати на закупівлю та транспортування), але й визначати попит, який не може бути забезпечений, та його вплив на прибутковість.

 

Попит на зміну планів пропозицій також може бути зумовлений технологіями на основі LLM. Наприклад, після аналізу даних про доставку конкретного постачальника може винести попередження, що вказує на те, що час доставки постачальника значно збільшився за останні кілька місяців. Крім того, технологія на базі LLM передбачить можливий час наступного відвантаження та відправить її планувальникам. Через визнання, що тривалий час відведення для доставки матиме негативний вплив на рівень обслуговування в конкретних регіонах, якщо не вжито коригуючих заходів, планувальники можуть вимагати систем на основі LLM, щоб переробити інструменти планування з новою інформацією та генерувати нові плани. План передається планувальникам LLM природною мовою і може вимагати від постачальників прискорити поставки або передавати інвентаризацію зі складів у різних регіонах компанії до постраждалих районів.

 

Метод використання LLM таким чином, як обговорюється в цій статті, все ще відносно новий. Ми очікуємо, що технологія на базі LLM підтримає сценарії прийняття рішень у найближчі роки. Наприклад, користувачі можуть описати проблему рішення, яку вони хочуть вирішити в легкій для розуміння мови. Це може бути конкретна виробнича проблема (враховуючи складну мережу виробничих потужностей, коли і де виготовити певний продукт), або проблема розподілу запасів (надана обмежена інвентаризація на складі, як розподілити його на різні магазини для максимізації попиту). Сьогоднішня технологія може генерувати такі математичні моделі та рекомендації, але перевірка того, чи правильно модель відображає ділове середовище, залишається проблемою.

 

Подолання перешкод

 

Коли підприємства починають приймати ЛЛМ в управлінні ланцюгами поставок, їм потрібно подолати різні перешкоди, щоб ефективно його розгорнути.

 

Використання та навчання. Використання LLM для оптимізації ланцюга поставок вимагає дуже точної мови. Наприклад, якщо користувач запитує: "Чи можемо ми краще використовувати фабрику F?" Термін "кращий" може мати кілька тлумачень: зменшення витрат, збільшення пропускної здатності, оптимізація пропускної здатності протягом певного періоду тощо. Кожне тлумачення призведе до різних рішень. Тому навчальний персонал, який використовує систему, має вирішальне значення. Планувальникам може знадобитися пройти навчання, щоб задати більш точні питання, тоді як керівництву та адміністративному персоналу, можливо, знадобиться зрозуміти можливості та обмеження технології на основі LLM.

 

З цих причин Microsoft поступово розгортає цю нову технологію, тоді як інструменти, введені раніше, для відповіді на гіпотетичні запитання підтримують лише набір загальних питань. Компанія буде відстежувати механізми взаємодії, точність та резервне копіювання користувачів та поступово розширювати її покриття. Планувальники пройшли відповідне навчання та знайомі з наборами проблем, які зараз підтримуються інструментом.

 

перевірка. Технологія LLM періодично виводить помилковий вміст, тому загальним завданням є те, як зробити технологію "на треку", тобто визначити помилки та повернутися на шлях. Зараз компанії вирішують цю проблему, надаючи багаті конкретні приклади для LLM для підвищення точності його випуску та додавання механізмів для визначення непідтримуваних запитів заздалегідь. Наприклад, якщо хтось викликає непідтримуване запитання, система на основі LLM надасть відповідь за замовчуванням, наприклад, "На жаль, я не можу допомогти вам вирішити цю проблему. Ви можете перевірити наступні запитання". Звичайно, складність перевірки точності збільшується зі складністю результату. Наприклад, якщо ми попросимо LLM створити повну математичну програму створити оптимізований план впровадження з нуля, як система перевіряє її правильність? Як ми можемо гарантувати, що програма може генерувати оптимальний план у розумний час? Ці відкриті питання все ще потребують подальших досліджень.

 

Нова робоча сила. Завдяки високо автоматизованій впровадженні технології LLM, ролі менеджерів та планувальників також зміниться. Планувальники більше не будуть залучені до схильності до помилок та трудомістким процесом прийняття рішень, але зможуть застосувати технологію LLM, щоб забезпечити більше розуміння методів планування ланцюгів поставок та пояснення їх рекомендацій. Це збільшить довіру користувачів та значно збільшить їх прийняття пропозицій щодо інструменту. У відділі закупівель час для працівників для створення нових контрактів також буде значно скорочений. LLM зможе розробити договори для конкретних категорій товарів та надати минулу інформацію про ефективність різних постачальників, щоб допомогти менеджерам вибирати відповідні постачальники.

 

Іншими словами, використання робочої сили на основі LLM може перенести фокус роботи з щоденних повторюваних завдань до завдань з доданою вартістю, таких як стратегічно мислення про різні заходи з ланцюгів поставок або співпраця всередині функціональних областей та із зовнішніми постачальниками та клієнтами. Наприклад, планувальники попиту можуть співпрацювати з планувальниками торгівлі, відповідальними за маркетинг, ціноутворення та знижки, щоб зрозуміти вплив торгівлі на прогнозування попиту. Виходячи з нашого досвіду, ця співпраця наразі не існує в більшості організацій. Звичайно, завдання тут полягає в тому, щоб лідерство розбивав функціональні департаментні бар'єри та коригував бізнес -процеси для полегшення співпраці.

 

Незважаючи на вищезазначені виклики, ми все ще вважаємо, що в найближчому майбутньому технологія на основі LLM перетворить управління ланцюгами поставок, підвищуючи його ефективність, стійкість, продуктивність та точність. Він доповнить сьогоднішню технологію ланцюгів поставок, що дозволяє планувальникам безпосередньо взаємодіяти з інструментами ланцюгів поставок без необхідності вчених чи інженерів. Підприємства зможуть автоматизувати велику кількість процесів ланцюгів поставок і навіть створювати нові, наприклад, шляхом інтеграції процесів торгівлі та прогнозування. Насправді ця інтеграція сформує систему управління ланцюгами поставок із закритим циклом, в якій функціональні відділи торгівлі, ланцюга поставок та фінансування будуть співпрацювати для розробки плану поставок, який відповідає всім діловим та фінансовим цілям та вимогам. Протягом декількох років технологія на базі LLM по -справжньому революціонізує управління ланцюгами поставок.

 

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

 

 

Ісей Менаш - менеджер з спільної дослідницької групи в групі машинного навчання та оптимізації в Microsoft Research. Jiwan Paturi - генеральний менеджер та директор з питань інженерії програмного забезпечення для відділу хмарних ланцюгів поставок Microsoft. Девід Сендж Леві - професор Вільяма Бартона Роджерса в MIT, керівник лабораторії з наукових даних MIT, і видатна фігура Accenture. Том Лінтон - старший консультант McKinsey і раніше обіймав посаду головного офіцера закупівель та ланцюгів поставок у Flex.