ما الذي يمكن أن تفعله الذكاء الاصطناعى التوليدي لتغيير إدارة سلسلة التوريد بالكامل؟

ما الذي يمكن أن تفعله الذكاء الاصطناعى التوليدي لتغيير إدارة سلسلة التوريد بالكامل؟

 

 

تواجه المؤسسات تحديات معقدة مختلفة في تصميم وتحسين سلاسل التوريد الخاصة بها ، من بينها تحسين القدرة على التكيف ، وتقليل التكاليف ، وتعزيز جودة التخطيط ليست سوى بعض الجوانب. في العقود القليلة الماضية ، حولت التقدم في تكنولوجيا المعلومات اتخاذ القرارات التجارية من الاعتماد على الحدس والخبرة إلى أساليب أكثر تلقائيًا ومستندة إلى البيانات ، وبالتالي تحسين الكفاءة ، وتقليل التكاليف بشكل كبير ، وتعزيز خدمة العملاء.

 

لسوء الحظ ، لا يزال قادة الأعمال بحاجة إلى قضاء الكثير من الوقت والجهد في فهم الاقتراحات التي اقترحها النظام ، وتحليل المواقف المختلفة ، وإجراء تحليل الفرضيات. يعد تحديث النماذج الرياضية لأدوات إدارة سلسلة التوريد لتعكس التغييرات في بيئة الأعمال مستهلكة للوقت أيضًا. لمعالجة هذه المشكلات ، يتعين على المخططين والمديرين توظيف فرق علوم البيانات أو مقدمي التكنولوجيا لشرح النتائج أو تعديل النظام.

 

نموذج اللغة الكبير (LLM) هو AI التوليدي الذي يتيح الانتهاء من هذه الأنشطة حتى بدون الدعم المذكور أعلاه ، ويقلل من وقت صنع القرار من أيام أو أسابيع إلى دقائق أو ساعات ، مما يؤدي بشكل كبير إلى تحسين كفاءة موظفي التخطيط والإدارة. في هذه المقالة ، سوف نستكشف كيفية استخدام نماذج اللغة الكبيرة لاكتساب رؤى من البيانات ، وتمكين المديرين من فهم حالة سلسلة التوريد بشكل أفضل ، والإجابة على الأسئلة الافتراضية ، وتحديث أدوات إدارة سلسلة التوريد لأخذ في الاعتبار بيئة الأعمال الحالية. لقد أكدنا أيضًا على التحديات التي يجب على المؤسسات التغلب عليها عند تبني نماذج لغة كبيرة ، وكذلك فرص توسيع نطاق التطبيق في المستقبل.

 

تأتي غالبية الخبرة التي نريد مشاركتها من استخدام Microsoft للنظام المستند إلى LLM لإدارة توريد الخوادم والأجهزة الأخرى ، والتي يتم توفيرها لأكثر من 300 مركز بيانات في جميع أنحاء العالم لدعم خدماتها السحابية. اختبرت Microsoft النظام المستند إلى LLM من مارس إلى أكتوبر 2023 ونشرت النظام بالكامل في نوفمبر من ذلك العام. منذ ذلك الحين ، كان للنظام تأثير كبير على الكفاءة والإنتاجية ، ويتجلى في وقت استجابة الأحداث وسرعة صنع القرار ، في حين من المتوقع أن تزداد هذه الفوائد بمرور الوقت ومع مزيد من التحسين للنظام. ومع ذلك ، فإن الميزات التي نناقشها لا تعتمد على استخدام منتجات Microsoft ، ويمكن استخدام العديد من LLMs عالية الجودة المتوفرة حاليًا في السوق لتنفيذ هذه الميزات.

 

الآن ، دعنا نستكشف الفوائد التي يمكن أن تجلبها LLM.

 

استخراج البيانات والرؤى

 

تخيل سلسلة توريد نموذجية مع عدد معين من موردي المواد الخام ومصانع الإنتاج وتجار التجزئة. باستخدام LLM ، يمكن للمخططين أن يسألوا بلغة واضحة ، مثل "كم عدد المواد الخام من نوع T التي يمتلكها المورد حاليًا؟" أو "ما هي أرخص طريقة لنقل البضائع من Factory F إلى Retailer R؟" يمكن لـ LLM تحويل هذه الأسئلة إلى استعلامات علمية البيانات ، ثم إدخال نتائج الاستعلام في مستودع بيانات الشركة (مثل قاعدة بيانات SQL) ، وتقديم إجابات في جمل كاملة. من منظور الخصوصية ، يمكن استخدام LLM كخدمة سحابية ، مما يعني أنه لا توجد حاجة لنقل بيانات الملكية إلى LLMs تابعة لجهة خارجية.

 

بالإضافة إلى العمل كأداة لفهم الحالة الحالية لسلسلة التوريد للشركة ، يمكن أيضًا استخدام LLM لشرح القرارات التي يتخذها نظام سلسلة التوريد وتوفير رؤى إضافية ، مثل المعلومات المتعلقة بالاتجاهات. على سبيل المثال ، يمكن للمخططين طرح أسئلة حول الاتجاهات الحديثة ، مثل "المصنع الذي كان لديه أعلى كفاءة إنتاج الأسبوع الماضي؟" أو "كم أو ما هي النسبة المئوية لإجمالي تكاليف النقل التي تجاوزت 50000 دولار الشهر الماضي؟" في النص التالي ، سنقدم أمثلة محددة للاستخدام المبكر لـ LLM لاستخراج البيانات والرؤى.

 

تتبع المتطلبات باستمرار. الحوسبة السحابية هي شركة تعمل بمليارات الدولارات تتطلب مزودي الخدمات مثل Amazon و Microsoft و Google للاستثمار بكثافة في بناء مراكز البيانات ، وتجهيزها بالأجهزة ، وتشغيلهم لتوفير السعة في أي وقت. يجب أن تلبي باستمرار الطلب المتزايد على هذه الخدمات مع تقليل تكاليف الأجهزة والتشغيل. تحقيقًا لهذه الغاية ، سيتخذ مقدمو الخدمات السحابية قرارات نشر الأجهزة بانتظام ، مع مراعاة العديد من عوامل التكلفة مثل نقل الأجهزة وانتهاكها ، وكذلك العوامل التشغيلية مثل توافق الأجهزة والمخزون والموظفين لنشر الخادم القابل للتنفيذ.

 

في Microsoft ، يأتي الطلب على الخوادم من وحدات الأعمال الداخلية التي تحتوي على منتجات سحابية مختلفة مثل Azure Storage و Azure Virtual Machines و Microsoft 365. يتم تحديد المتطلبات من خلال الطلبات ، بما في ذلك نوع وكمية الخوادم المطلوبة ، والمنطقة التي يتم فيها نشر الخوادم ، وتاريخ نشر مثالي. يقوم فريق سلسلة التوريد بإدخال هذه المتطلبات ويطور بانتظام خطة طلب واحد. يقوم مهندسو Microsoft بانتظام بتشغيل أداة تحسين الكمبيوتر لإنشاء خطة تنفيذ ، وتخصيص الأجهزة الفعلية من مستودع الإمداد ، وتحديد متى سيتم شحنها إلى مركز البيانات. يكون مخططو Microsoft مسؤولين عن الإشراف على تنفيذ الخطة ، بما في ذلك التأكيد على أن الخطة تلبي احتياجات مختلف أقسام الأعمال وأن الخوادم قد تم نشرها وفقًا للخطة. تعمل الخوادم المنشورة عادة في قسم الأعمال لسنوات عديدة حتى يتم تقاعدها وإيقافها.

 

يحتاج المخططون أيضًا إلى مراقبة التغييرات في الطلب على أساس شهري (المعروف باسم إزاحة الطلب) للتأكد من أن الخطة المنقحة تلبي جميع متطلبات العملاء وتتوافق مع إرشادات الميزانية. عادةً ما تم الانتهاء من مهمة تقييم إزاحة الطلب من قبل المخططين ، الذين يشاركون عادة علماء البيانات والمهندسين من مختلف أقسام الأعمال في هذه العملية. بمجرد فهم هذه التغييرات ، سيقوم المخططون بإعداد ملخص تنفيذي لشرح التغييرات في كل منطقة.

 

الآن ، يمكن للتكنولوجيا المستندة إلى LLM تحقيق كل هذه المهام. ستقوم تلقائيًا بإنشاء بريد إلكتروني إلكتروني ، بتفصيل من قام بكل تغيير وأسباب القيام بذلك. سيشير أيضًا إلى أخطاء محتملة للمخططين للمراجعة. على سبيل المثال ، إذا كان الطلب (إجمالي عدد الخوادم) في الخطة الجديدة أقل مما كان عليه في الخطة القديمة ، يمكن أن يشير البريد الإلكتروني إلى السبب الدقيق لانخفاض الطلب ، مثل إدخال جيل جديد من الأجهزة الأكثر كفاءة ، مما يقلل من استخدام الخوادم. تتيح أداة LLM للمخططين إكمال تحليل الانجراف بشكل مستقل في غضون دقائق قليلة ، بينما في الماضي ، سيستغرق الأمر حوالي أسبوع.

 

تنفيذ العقد. في صناعة السيارات ، لدى مصنعو المعدات الأصلية (OEMs) مثل Ford و Toyota و General Motors الآلاف من الموردين ووقعوا عقود متعددة مع كل مورد. تحدد هذه العقود بالتفصيل الأسعار التي تدفعها الشركة المصنعة للمعدات الأصلية ، ومتطلبات الجودة ، ووقت التسليم ، وتدابير المرونة التي يجب على الموردين اتخاذها لضمان العرض. بعد تغذية آلاف بيانات العقد إلى LLM ، اكتشفت الشركة المصنعة للمعدات الأصلية أنه إذا تم تجاوز عتبة كمية معينة ، فيمكنهم الاستمتاع بتقليل الأسعار ، لكن كمية وتعقيد العقود تسببت في التغاضي عن فريق المشتريات. وكانت النتيجة النهائية أن هذه الشركة المصنعة وفرت ملايين الدولارات من تكاليف المشتريات.

 

أجب على الأسئلة الافتراضية

 

يمكن للمخططين طرح أسئلة مفصلة LLM ، إليك بعض الأمثلة:

 

ما هي تكلفة النقل الإضافية إذا زاد إجمالي الطلب على المنتج بنسبة 15 ٪

 

إذا كان بائع التجزئة R يستخدم فقط المنتجات من Factory F ، فكم سيزداد تكلفة المشتريات

 

إذا أغلقنا المصنع F ، هل يمكننا تلبية جميع المطالب

 

إذا تم تخفيض تكلفة الوحدة للمواد الخام من نوع M بمقدار 1 دولار ، فسيتم تخفيض التكلفة الإجمالية لإنتاج منتجات P.

 

دعونا نلقي نظرة على كيفية الإجابة على هذه الأسئلة بدقة وكفاءة. تتم كتابة العديد من مهام التحسين في شكل برامج رياضية تعتبر بنية سلسلة التوريد وجميع متطلبات العمل ، وتولد توصيات فعالة لسلسلة التوريد. LLM لا تحل محل النماذج الرياضية ، بل تكملها. على وجه التحديد ، سيقوم بتحويل الاستعلامات اليدوية إلى رمز رياضي وإجراء تعديلات طفيفة على النموذج الرياضي الأصلي المستخدم لإنشاء خطط. على سبيل المثال ، لإجبار تجار التجزئة على استخدام المنتجات من مصنع معين ، يمكن إضافة متطلبات رياضية (أي "القيد") التي تحظر على المصانع الأخرى توفيرها إلى بائع التجزئة هذا. بعد ذلك ، سيتم إدخال هذا التغيير الدقيق في النموذج الرياضي في أداة سلسلة التوريد لإنشاء خطة معدلة ، والتي تستخدم فقط للمقارنة مع الخطة الحالية. كما كان من قبل ، سيؤدي إخراج النموذج الرياضي الجديد إلى إنشاء إجابات للغة البشرية من خلال LLM (للتعرف على هذه الطريقة لاستخدام LLM للحصول على معلومات سلسلة التوريد الحالية وطرح الأسئلة الافتراضية ، يمكنك العثور على رمز المصدر المفتوح من Microsoft وبيانات المعايير ذات الصلة على GitHub/Microsoft/Optiguide).

 

هنا ، يمكننا الرجوع إلى كيفية استخدام المخططين في عمليات الخدمة السحابية في Microsoft هذه القدرة على تطوير خطط التنفيذ لنشر الخوادم من المستودعات إلى مراكز البيانات. لكل طلب ، تتضمن القرارات الرئيسية ما يلي: (1) نوع الخادم والمستودع المستخدم لتلبية الطلب ، (2) تاريخ الشحن ، و (3) نقطة الإرساء الخادم (مركز بيانات محدد وموقعه المحدد). الهدف من ذلك هو تقليل التكلفة الإجمالية للمكونات المتعددة ، مثل تكاليف النقل وتكاليف الفرصة البديلة المقدرة بسبب تأخير نشر الخادم بعد التاريخ المثالي.

 

عند تلقي نتائج الإخراج لأداة التحسين ، يمكن للمخططين تأكيد ما إذا كانت النتائج تفي بمتطلبات العمل والتأكد من تنفيذ الخطة وفقًا لهذه النتيجة. ومع ذلك ، فإن مشاكل التحسين المحتملة معقدة للغاية وليست مستحيلة تمامًا ، ولكن من الصعب أيضًا فهم الأسباب الكامنة وراء كل قرار. لذلك ، عادةً ما يتصل المخططون بالمهندسين وعلماء البيانات الذين يطورون أدوات التحسين للحصول على مزيد من المعلومات. غالبًا ما يحتاج المخططون والمهندسون إلى جولات متعددة من التفاعل لاستكشاف المشكلات الكاملة أو السيناريوهات الافتراضية ، مما قد يؤدي إلى تأخير عدة أيام. الآن ، يمكن للأنظمة المستندة إلى LLM تزويد المخططين بإجابات على الأسئلة التالية في غضون دقائق: "ما هي النسبة المئوية لزيادة التكلفة التي سنتحملها إذا أكملنا طلبًا محددًا قبل تحديد موعد مقارنة بتاريخ آخر؟" و "ما هي النسبة المئوية لزيادة التكلفة التي سنتحملها إذا أغلقتنا مستودعًا لمدة أسبوع

 

التخطيط التفاعلي

 

يمكن للمخططين استخدام تقنية LLM لتحديث النماذج الرياضية لهيكل سلسلة التوريد ومتطلبات العمل لتعكس بيئة الأعمال الحالية. بالإضافة إلى ذلك ، يمكن لـ LLM تقديم أحدث المعلومات للمخططين بناءً على التغييرات في ظروف العمل.

 

على سبيل المثال ، تظهر المعلومات في الوقت الفعلي الذي تلقاه المخططون أنه سيتم إغلاق شركة تصنيع معينة لمدة سبعة أيام بسبب عاصفة ثلجية في فصل الشتاء. بدون مساعدة LLM ، يجب أن يشارك المخططون الذين يرغبون في تحديث خطط المبيعات والعمليات للتعامل مع وقت التوقف عن العمل ، وفرق علوم البيانات لإجراء التعديلات اللازمة للخطة ، والتي يمكن أن تكون عملية تستغرق وقتًا طويلاً. ومع ذلك ، بمساعدة LLM ، يمكن للمخططين طلب النظام مباشرة لإنشاء خطة جديدة ، وتجنب استخدام مصانع الإغلاق. إذا لم تتمكن الخطة الجديدة من تلبية جميع المطالب المتوقعة ، فلن تقوم أداة التخطيط المساعد LLM بإنشاء خطط مبيعات وتكاليف تشغيلية محدثة فقط (مثل تكاليف المشتريات والنقل) ، ولكن أيضًا تحديد الطلب الذي لا يمكن توفيره وتأثيره على الربحية.

 

يمكن أيضًا أن يكون الطلب على تغيير خطط العرض بالتكنولوجيا القائمة على LLM. على سبيل المثال ، بعد تحليل بيانات الشحن لمورد معين ، قد يصدر تنبيهًا يشير إلى أن وقت تسليم المورد قد زاد بشكل كبير في الأشهر القليلة الماضية. بالإضافة إلى ذلك ، ستتوقع التكنولوجيا المستندة إلى LLM الوقت المحتمل للشحن التالي وإرسالها إلى المخططين. نظرًا للاعتراف بأن أوقات الرصاص المطولة للتسليم سيكون لها تأثير سلبي على مستويات الخدمة في مناطق محددة ما لم يتم اتخاذ تدابير تصحيحية ، فقد يتطلب المخططون أنظمة تعتمد على LLM لإعادة تشغيل أدوات التخطيط بمعلومات جديدة وإنشاء خطط جديدة. يتم نقل الخطة إلى المخططين من قبل LLM باللغة الطبيعية وقد تتطلب من الموردين تسريع الشحنات أو نقل المخزون من المستودعات في مناطق مختلفة من الشركة إلى المناطق المتأثرة.

 

لا تزال طريقة استخدام LLM بالطريقة التي تمت مناقشتها في هذه المقالة جديدة نسبيًا. نتوقع أن تدعم التكنولوجيا المستندة إلى LLM سيناريوهات صنع القرار من طرف إلى طرف في السنوات القادمة. على سبيل المثال ، يمكن للمستخدمين وصف مشكلة القرار التي يرغبون في حلها في اللغة السهلة لفهم اللغة. يمكن أن تكون مشكلة إنتاج محددة (بالنظر إلى شبكة معقدة من مرافق الإنتاج ، متى وأين تنتج منتجًا معينًا) ، أو مشكلة في تخصيص المخزون (بالنظر إلى مخزون محدود في المستودع ، كيفية تخصيصه لمختلف المتاجر لزيادة الطلب). يمكن لتكنولوجيا اليوم توليد مثل هذه النماذج والتوصيات الرياضية ، ولكن التحقق مما إذا كان النموذج يعرض بشكل صحيح بيئة العمل لا يزال يمثل تحديًا.

 

التغلب على العقبات

 

مع بدء الشركات في تبني LLM في إدارة سلسلة التوريد ، تحتاج إلى التغلب على مختلف العقبات من أجل نشرها بفعالية.

 

الاستخدام والتدريب. يتطلب استخدام LLM لتحسين سلسلة التوريد لغة دقيقة للغاية. على سبيل المثال ، إذا سأل المستخدم ، "هل يمكننا الاستفادة بشكل أفضل من المصنع F؟" يمكن أن يكون لمصطلح "أفضل" تفسيرات متعددة: تقليل التكاليف ، وزيادة الإنتاجية ، وتحسين الإنتاجية على مدار فترة زمنية ، وما إلى ذلك. سيؤدي كل تفسير إلى قرارات مختلفة. لذلك ، فإن تدريب الموظفين الذين يستخدمون النظام أمر بالغ الأهمية. قد يحتاج المخططون إلى تلقي التدريب لطرح أسئلة أكثر دقة ، في حين أن الموظفين الإداريين والإداريين قد يحتاجون إلى فهم قدرات وقيود التكنولوجيا القائمة على LLM.

 

لهذه الأسباب ، تقوم Microsoft بنشر هذه التكنولوجيا الجديدة تدريجياً ، في حين أن الأدوات التي تم تقديمها مسبقًا للإجابة على الأسئلة الافتراضية تدعم فقط مجموعة من الأسئلة الشائعة. ستقوم الشركة بمراقبة تفاعل المستخدم ، والدقة ، وآليات النسخ الاحتياطي ، وتوسيع تغطيتها تدريجياً. تلقى المخططون التدريب ذي الصلة وهم على دراية بمجموعات المشكلات التي تدعمها الأداة حاليًا.

 

تَحَقّق. تقنية LLM تخرج أحيانًا محتوى خاطئًا ، وبالتالي فإن التحدي الشائع هو كيفية جعل التكنولوجيا تعمل "على المسار" ، أي لتحديد الأخطاء والعودة إلى المسار الصحيح. تعالج الشركات الآن هذا التحدي من خلال توفير أمثلة محددة للمجال الغني لـ LLM لتحسين دقة إنتاجها وإضافة آليات لتحديد الاستعلامات غير المدعومة مسبقًا. على سبيل المثال ، إذا قام شخص ما بطرح سؤال غير مدعوم ، فسيقدم النظام المستند إلى LLM إجابة افتراضية مثل "لسوء الحظ ، لا يمكنني مساعدتك في حل هذه المشكلة. يمكنك التحقق من الأسئلة التالية." بالطبع ، تزداد صعوبة التحقق من دقة مع تعقيد الإخراج. على سبيل المثال ، إذا طلبنا من LLM إنشاء برنامج رياضي كامل لإنشاء خطة تنفيذ محسنة من نقطة الصفر ، كيف يتحقق النظام من صحته؟ كيف يمكننا التأكد من أن البرنامج يمكنه إنشاء الخطة المثلى خلال فترة زمنية معقولة؟ هذه القضايا المفتوحة لا تزال تتطلب المزيد من البحث.

 

القوى العاملة الجديدة. من خلال التنفيذ الآلي للغاية لتكنولوجيا LLM ، ستتغير أدوار المديرين والمخططين أيضًا. لن يشارك المخططون في عملية الخطأ البشرية المعرضة للمرور والوقت المستغرق للوقت ، ولكنهم سيكونون قادرين على تطبيق تقنية LLM لتقديم المزيد من الأفكار حول تقنيات تخطيط سلسلة التوريد وشرح توصياتهم. سيؤدي ذلك إلى زيادة ثقة المستخدم وزيادة اعتماد اقتراحات الأدوات بشكل كبير. في قسم المشتريات ، سيتم تقليل وقت إنشاء عقود جديدة بشكل كبير. ستتمكن LLM من تصميم عقود لفئات المنتجات المحددة وتوفير معلومات الأداء السابقة لموردين مختلفين لمساعدة المديرين على اختيار الموردين المناسبين.

 

بمعنى آخر ، يمكن أن يؤدي استخدام القوى العاملة القائمة على أداة LLM إلى تحويل تركيز العمل من المهام المتكررة اليومية إلى المهام ذات القيمة المضافة ، مثل التفكير بشكل استراتيجي حول أنشطة سلسلة التوريد المختلفة ، أو التعاون داخليًا عبر المجالات الوظيفية ومع الموردين والعملاء الخارجيين. على سبيل المثال ، يمكن لمخططي الطلب التعاون مع مخططي التجارة المسؤولين عن التسويق والتسعير والخصومات لفهم تأثير التجارة على التنبؤ بالطلب. بناءً على تجربتنا ، لا يوجد هذا التعاون حاليًا في معظم المنظمات. بطبيعة الحال ، فإن التحدي هنا هو التأكد من أن القيادة تنهار حواجز الإدارات الوظيفية وتعديل العمليات التجارية لتسهيل التعاون.

 

على الرغم من التحديات المذكورة أعلاه ، ما زلنا نعتقد أنه في المستقبل القريب ، ستقوم التكنولوجيا المستندة إلى LLM بتحويل إدارة سلسلة التوريد ، مما يحسن كفاءتها ومرونتها وإنتاجية ودقة. وسوف تكمل تقنية سلسلة التوريد اليوم ، مما يتيح للمخططين التفاعل مباشرة مع أدوات سلسلة التوريد دون الحاجة إلى علماء البيانات أو المهندسين. ستتمكن الشركات من أتمتة عدد كبير من عمليات سلسلة التوريد وحتى إنشاء عمليات جديدة ، مثل دمج عمليات التجارة والتنبؤ. في الواقع ، سيشكل هذا التكامل نظامًا لإدارة سلسلة التوريد مغلقة ، حيث ستتعاون الإدارات الوظيفية للتجارة وسلسلة التوريد والتمويل لتطوير خطة توريد تلبي جميع الأهداف والمتطلبات المالية والمالية. في غضون بضع سنوات ، ستؤدي التكنولوجيا المستندة إلى LLM إلى إحداث ثورة في إدارة سلسلة التوريد.

 

Ishai Menache ، Jeevan Pathuri ، David Simchilevi ، Tom Linton|نص

 

 

Isay Menash هو مدير أبحاث تعاونية في مجموعة التعلم الآلي والتحسين في Microsoft Research. Jiwan Paturi هو المدير العام ومدير تعاون هندسة البرمجيات في قسم سلسلة التوريد السحابي من Microsoft. ديفيد سينج ليفي هو أستاذ وليام بارتون روجرز في معهد ماساتشوستس للتكنولوجيا ، ورئيس مختبر علوم بيانات معهد ماساتشوستس للتكنولوجيا ، وشخصية متميزة في Accenture. توم لينتون هو مستشار كبير في McKinsey ، وقد سبق أن شغل منصب كبير موظفي المشتريات وسلسلة التوريد في Flex.