Čo môže generatívna AI urobiť, aby úplne zmenila riadenie dodávateľského reťazca?

Čo môže generatívna AI urobiť, aby úplne zmenila riadenie dodávateľského reťazca?

 

 

Podniky čelia rôznym zložitým výzvam pri navrhovaní a optimalizácii svojich dodávateľských reťazcov, medzi ktorými je zlepšenie adaptability, znižovanie nákladov a zvýšenie kvality plánovania je len niekoľkými aspektmi. V posledných niekoľkých desaťročiach pokroky v informačných technológiách presunuli obchodné rozhodovanie od spoliehania sa na intuíciu a skúsenosti na automatizovanejšie a metódy založené na údajoch, čím sa zlepšili efektívnosť, výrazne znižovali náklady a zlepšili služby zákazníkom.

 

Bohužiaľ, vedúci predstavitelia firiem stále musia tráviť veľa času a úsilia porozumením návrhov navrhnutých systémom, analýzou rôznych situácií a analýzou hypotéz. Aktualizácia matematických modelov nástrojov riadenia dodávateľského reťazca, ktoré odrážajú zmeny v podnikateľskom prostredí, je tiež časovo náročná. Na vyriešenie týchto problémov musia plánovači a manažéri najímať tímy vedy o údajoch alebo poskytovateľov technológií, aby vysvetlili výsledky alebo upravili systém.

 

Model veľkého jazyka (LLM) je generatívna AI, ktorá umožňuje dokončenie týchto činností aj bez vyššie uvedenej podpory a znižuje čas rozhodovania z dní alebo týždňov do minút alebo hodín, čo výrazne zlepšuje efektívnosť a vplyv plánovania a riadiaceho personálu. V tomto článku preskúmame, ako používať modely veľkých jazykov na získanie poznatkov z údajov, čo umožní manažérom lepšie porozumieť situácii v dodávateľskom reťazci, odpovedať na hypotetické otázky a aktualizovať nástroje riadenia dodávateľského reťazca, aby sa zohľadnilo súčasné podnikateľské prostredie. Zdôraznili sme tiež výzvy, ktoré musia podniky prekonať pri prijímaní veľkých jazykových modelov, ako aj príležitosti na rozšírenie rozsahu svojich aplikácií v budúcnosti.

 

Väčšina skúseností, ktoré chceme zdieľať, pochádza z používania systému založeného na LLM spoločnosti Microsoft na správu dodávok serverov a iných hardvéru, ktoré sa dodávajú do viac ako 300 dátových centier na celom svete na podporu ich cloudových služieb. Spoločnosť Microsoft testovala systém založený na LLM od marca do októbra 2023 a v novembri toho roku plne nasadil systém. Odvtedy mal systém významný vplyv na efektívnosť a produktivitu, ktorý sa prejavuje v čase odozvy na udalosti a rýchlosti rozhodovania, zatiaľ čo sa očakáva, že tieto prínosy sa v priebehu času a ďalším zlepšením systému zvýšia. Funkcie, o ktorých diskutujeme, sa však nespoliehajú na používanie produktov spoločnosti Microsoft a na implementáciu týchto funkcií sa môžu použiť rôzne vysoko kvalitné LLM, ktoré sú v súčasnosti na trhu k dispozícii na trhu.

 

Teraz preskúmajme výhody, ktoré LLM môže priniesť.

 

Ťažba údajov a poznatky

 

Predstavte si typický dodávateľský reťazec s určitým počtom dodávateľov surovín, výrobných tovární a maloobchodníkov. Pomocou LLM sa plánovači môžu pýtať v obyčajnom jazyku, napríklad „Koľko surovín typu T má v súčasnosti dodávateľov?“ alebo „Aký je najlacnejší spôsob prepravy tovaru od továrne F po maloobchod R?“ LLM môže tieto otázky transformovať na dotazy v oblasti vedy o údajoch a potom vložiť výsledky dotazu do úložiska údajov spoločnosti (napríklad databáza SQL) a poskytnúť odpovede v úplných vetách. Z hľadiska ochrany osobných údajov môže byť LLM použitá ako cloudová služba, čo znamená, že nie je potrebné prenášať proprietárne údaje do LLM tretích strán.

 

Okrem toho, že slúži ako nástroj na pochopenie súčasného stavu dodávateľského reťazca spoločnosti, môže byť LLM použitý aj na vysvetlenie rozhodnutí, ktoré prijalo systém dodávateľského reťazca a poskytol ďalšie informácie, napríklad informácie o trendoch. Napríklad plánovači môžu klásť otázky týkajúce sa najnovších trendov, napríklad „ktorá továreň mala minulý týždeň najvyššiu efektívnosť výroby?“ Alebo „Koľko alebo aké percento z celkových nákladov na dopravu minulý mesiac prekročilo 50000 dolárov?“ V nasledujúcom texte poskytneme konkrétne príklady včasného použitia LLM na získavanie údajov a poznatky.

 

Trať neustále meniace požiadavky. Cloud Computing je obchod s viac ako miliardami dolárov, ktorý vyžaduje poskytovateľov služieb, ako sú Amazon, Microsoft a Google, aby investovali do veľkej miery do budovania dátových centier, ich vybavenie hardvérom a ich prevádzkovanie, aby kedykoľvek zabezpečili kapacitu. Musia neustále uspokojiť rastúci dopyt po týchto službách a zároveň minimalizovať hardvérové ​​a prevádzkové náklady. Za týmto účelom poskytovatelia cloudových služieb pravidelne prijímajú rozhodnutia o nasadení hardvéru, pričom zohľadnia mnoho nákladových faktorov, ako je hardvérová prepravu a odpisy, ako aj prevádzkové faktory, ako je kompatibilita hardvéru, inventár a personál pre spustiteľné nasadenie servera.

 

V spoločnosti Microsoft dopyt po serveroch pochádza z interných obchodných jednotiek, ktoré majú rôzne cloudové produkty, ako sú úložisko Azure, Azure Virtual Machines a Microsoft 365. Požiadavky sú určené prostredníctvom požiadaviek vrátane typu a množstva požadovaných serverov, regiónu, v ktorej sú servery nasadené a ideálne dátum umiestnenia. Tím dodávateľského reťazca vkladá tieto požiadavky a pravidelne vypracuje jeden plán dopytu. Inžinieri spoločnosti Microsoft pravidelne spúšťajú nástroj na optimalizáciu počítača na generovanie plánu vykonávania, prideľujú skutočný hardvér zo skladu dodávateľa a určujú, kedy budú odoslané do dátového centra. Plánovači spoločnosti Microsoft sú zodpovední za dohľad nad implementáciou plánu, vrátane potvrdenia, že plán spĺňa potreby rôznych obchodných oddelení a že servery boli nasadené podľa plánu. Nasadené servery zvyčajne pracujú v obchodnom oddelení mnoho rokov, kým nebudú v dôchodku a vyradení z prevádzky.

 

Plánovači musia tiež monitorovať zmeny dopytu mesačne (známe ako offset Dopyt), aby sa zabezpečilo, že revidovaný plán spĺňa všetky požiadavky zákazníkov a spĺňa rozpočtové usmernenie. Úlohu hodnotenia kompenzácie dopytu tradične dokončili plánovači, ktorí v tomto procese zvyčajne zahŕňajú vedcov a inžinierov údajov z rôznych obchodných oddelení. Po pochopení týchto zmien plánovači pripravia zhrnutie na vysvetlenie zmien v každom regióne.

 

Teraz môže technológia založená na LLM plniť všetky tieto úlohy. Automaticky vygeneruje e -mail s elektronickým prehľadom, ktorý podrobne popisuje, kto vykonal každú zmenu a dôvody, prečo by to urobilo. Poukáže tiež na potenciálne chyby, ktoré môžu plánovači skontrolovať. Napríklad, ak je dopyt (celkový počet serverov) v novom pláne nižší ako v starom pláne, e -mail môže uviesť presný dôvod poklesu dopytu, ako je zavedenie novej generácie efektívnejšieho hardvéru, ktorý znižuje používanie serverov. Tento nástroj LLM umožňuje plánovačom nezávisle dokončiť analýzu driftu požiadavky za pár minút, zatiaľ čo v minulosti by to trvalo asi týždeň.

 

Vykonať zmluvu. V automobilovom priemysle majú pôvodní výrobcovia zariadení (OEM), ako sú Ford, Toyota a General Motors, tisíce dodávateľov a podpísali viac zmlúv s každým dodávateľom. Tieto zmluvy podrobne špecifikujú ceny, ktoré zaplatil pôvodný výrobca zariadení, požiadavky na kvalitu, dodaciu lehotu a opatrenia na flexibilitu, ktoré musia dodávatelia prijať, aby zabezpečili dodávku. Po kŕmení tisícov zmluvných údajov LLM originálny výrobca zariadení zistil, že ak sa prekročila určitá prahová hodnota množstva, mohli by sa tešiť z zníženia cien, ale množstvo a zložitosť zmlúv spôsobilo, že tím obstarávania túto príležitosť prehliadol. Konečným výsledkom bolo, že tento výrobca ušetril milióny dolárov na náklady na obstarávanie.

 

Odpovedať na hypotetické otázky

 

Plánovači môžu klásť podrobné otázky LLM, tu je niekoľko príkladov:

 

Aké sú dodatočné náklady na dopravu, ak sa celkový dopyt po výrobku zvýši o 15%

 

Ak maloobchodník R používa iba výrobky z továrne F, koľko sa zvýšia náklady na obstarávanie

 

Ak uzavrieme továreň F, môžeme splniť všetky požiadavky

 

Ak sa jednotkové náklady na suroviny typu m znížia o 1 USD, do akej miery sa znížia celkové náklady na výrobu produktov P

 

Pozrime sa, ako LLM môže presne a efektívne odpovedať na tieto otázky. Mnohé optimalizačné úlohy sú napísané vo forme matematických programov, ktoré zvažujú štruktúru dodávateľského reťazca a všetky obchodné požiadavky a vytvárajú účinné odporúčania dodávateľského reťazca. LLM nenahrádza matematické modely, ale skôr ich dopĺňa. Konkrétne prevedie manuálne dotazy na matematický kód a urobí mierne úpravy na pôvodný matematický model používaný na generovanie plánov. Napríklad, aby prinútili maloobchodníkov používať výrobky z konkrétnej továrne, je možné pridať matematickú požiadavku (tj „obmedzenie“), ktorá zakazuje ďalšie továrne dodávať tomuto maloobchodníkovi. Potom sa táto jemná zmena v matematickom modeli vkladá do nástroja dodávateľského reťazca na generovanie modifikovaného plánu, ktorý sa používa iba na porovnanie s existujúcim plánom. Rovnako ako predtým, výstup nového matematického modelu bude generovať odpovede na ľudský jazyk prostredníctvom LLM (aby ste sa dozvedeli o tejto metóde použitia LLM na získanie aktuálnych informácií o dodávateľskom reťazci a kladie hypotetické otázky, nájdete otvorený zdrojový kód spoločnosti Microsoft a súvisiace údaje o benchmarku o Github/Microsoft/Optiguid).

 

Tu môžeme odkázať na to, ako plánovači v cloudových operáciách spoločnosti Microsoft využívajú túto schopnosť vypracovať plány vykonávania na nasadenie serverov zo skladov do dátových centier. Medzi hlavné rozhodnutia patrí: (1) typ servera a sklad používaný na splnenie dopytu, (2) dátum dopravy a (3) bodovací bod servera (konkrétne dátové centrum a jeho konkrétne umiestnenie). Cieľom je minimalizovať celkové náklady na viacero komponentov, ako sú náklady na dopravu a odhadované náklady na príležitosti v dôsledku oneskorení nasadenia servera po ideálnom dátume.

 

Pri prijímaní výstupných výsledkov nástroja na optimalizáciu môžu plánovači potvrdiť, či výsledky spĺňajú obchodné požiadavky, a zabezpečiť, aby bol plán vykonaný podľa tohto výsledku. Problémy s potenciálnou optimalizáciou sú však veľmi zložité a nie úplne nemožné, ale je tiež ťažké okamžite porozumieť dôvodom každého rozhodnutia. Preto plánovači zvyčajne kontaktujú inžinierov a vedcov údajov, ktorí vyvíjajú nástroje na optimalizáciu, aby získali viac informácií. Plánovači a inžinieri často potrebujú viacnásobné kolá interakcie na úplné preskúmanie problémov alebo hypotetických scenárov, čo môže viesť k oneskoreniam niekoľkých dní. Teraz môžu systémy založené na LLM poskytnúť plánovačom odpovede na nasledujúce otázky v priebehu niekoľkých minút: „Aké percento zvýšenia nákladov by sme vznikli, ak vyplníme konkrétnu objednávku pred stanoveným dátumom v porovnaní s iným dátumom?“ a „Aké percento zvýšenia nákladov by sme vznikli, keby sme za týždeň vypne skladanie

 

Interaktívne plánovanie

 

Plánovači môžu používať technológiu LLM na aktualizáciu matematických modelov štruktúry dodávateľského reťazca a obchodných požiadaviek, aby odrážali súčasné podnikateľské prostredie. Okrem toho môže LLM poskytnúť najnovšie informácie plánovačom na základe zmien v obchodných podmienkach.

 

Napríklad informácie v reálnom čase získané plánovačmi ukazujú, že určitý výrobca bude v dôsledku zimnej vánku vypnutý na sedem dní. Bez pomoci LLM musia plánovači, ktorí chcú aktualizovať plány predaja a operácií, aby sa vyrovnali s prestojmi, zapojiť tímy IT a Data Science, aby vykonali potrebné úpravy plánu, čo môže byť časovo náročným procesom. S pomocou LLM však môžu plánovači priamo požiadať systém, aby vygeneroval nový plán, čím sa zabráni používaniu tovární na vypnutie. Ak nový plán nemôže splniť všetky predpovedané požiadavky, nástroj pomocného plánovania LLM nielenže vytvorí aktualizované plány predaja a prevádzky a zodpovedajúce náklady (napríklad náklady na obstarávanie a dopravu), ale tiež identifikuje dopyt, ktorý nemožno dodať, a jeho vplyv na ziskovosť.

 

Dopyt po meniacich sa plánoch ponuky môže byť poháňaný aj technológiou založenou na LLM. Napríklad po analýze dodacích údajov konkrétneho dodávateľa môže vydať upozornenie, ktoré naznačuje, že dodacia doba dodávateľa sa za posledných niekoľko mesiacov výrazne zvýšila. Okrem toho technológia založená na LLM predpovedá možný čas ďalšej zásielky a pošle ju plánovačom. Vzhľadom na uznanie, že predĺžené dodacie lehoty na dodanie budú mať negatívny vplyv na úroveň služieb v konkrétnych regiónoch, pokiaľ sa neprijmú nápravné opatrenia, môžu plánovači požadovať systémy založené na LLM na splnenie nástrojov plánovania s novými informáciami a generovať nové plány. Tento plán je sprostredkovaný plánovačom LLM v prirodzenom jazyku a môže vyžadovať, aby dodávateľov urýchlili zásielky alebo prenášali zásoby zo skladov v rôznych regiónoch spoločnosti do postihnutých oblastí.

 

Metóda použitia LLM spôsobom diskutovaným v tomto článku je stále relatívne nový. Očakávame, že technológia založená na LLM v nasledujúcich rokoch podporuje scenáre rozhodovania o konci-koncových rozhodnutí. Používatelia môžu napríklad opísať problém s rozhodovaním, ktorý chcú vyriešiť v ľahko zrozumiteľnom jazyku. Môže to byť špecifický problém s výrobou (vzhľadom na komplexnú sieť výrobných zariadení, kedy a kde vyrábať určitý produkt) alebo problém prideľovania zásob (vzhľadom na obmedzený inventár v sklade, ako ho prideliť do rôznych obchodov, aby sa maximalizoval dopyt). Dnešná technológia môže generovať takéto matematické modely a odporúčania, ale overovanie, či model správne zobrazuje podnikateľské prostredie, zostáva výzvou.

 

Prekonávanie prekážok

 

Keď podniky začínajú prijímať LLM v oblasti riadenia dodávateľského reťazca, musia prekonať rôzne prekážky, aby ich efektívne nasadili.

 

Použitie a školenie. Použitie LLM na optimalizáciu dodávateľského reťazca si vyžaduje veľmi presný jazyk. Napríklad, ak sa používateľ pýta: „Môžeme lepšie využiť továreň F?“ Pojem „lepší“ môže mať viac interpretácií: zníženie nákladov, zvýšenie priepustnosti, optimalizácia priepustnosti v priebehu času atď. Každá interpretácia povedie k rôznym rozhodnutiam. Preto je rozhodujúci tréningový personál, ktorý používa systém. Plánovači možno budú musieť získať školenie, aby kladú presnejšie otázky, zatiaľ čo riadiaci a administratívny personál môžu potrebovať porozumieť schopnostiam a obmedzeniam technológie založenej na LLM.

 

Z týchto dôvodov spoločnosť Microsoft postupne zavádza túto novú technológiu, zatiaľ čo nástroje uvedené skôr na zodpovedanie hypotetických otázok podporujú iba súbor bežných otázok. Spoločnosť bude monitorovať interakciu, presnosť a mechanizmy zálohovania používateľov a postupne rozširuje jej pokrytie. Plánovači absolvovali relevantné školenie a sú oboznámení s súbormi problémov, ktoré tento nástroj, ktorý je v súčasnosti podporovaný.

 

overovanie. Technológia LLM príležitostne výstupuje chybným obsahom, takže spoločnou výzvou je, ako dosiahnuť, aby technológia spustila „na trati“, to znamená identifikovať chyby a dostať sa späť na správnu cestu. Spoločnosti sa teraz zaoberajú touto výzvou poskytovaním bohatých príkladov špecifických pre doménu pre LLM na zlepšenie presnosti jej výstupu a pridaním mechanizmov na identifikáciu nepodporovaných otázok vopred. Napríklad, ak niekto vyvolá nepodporovanú otázku, systém založený na LLM poskytne predvolenú odpoveď, napríklad „Bohužiaľ, nemôžem vám pomôcť vyriešiť tento problém. Môžete skontrolovať nasledujúce otázky“. Obtiažnosť overovania presnosti sa samozrejme zvyšuje so zložitosťou výstupu. Napríklad, ak požiadame LLM, aby vygeneroval kompletný matematický program na vytvorenie optimalizovaného plánu implementácie od nuly, ako systém overuje jeho správnosť? Ako môžeme zabezpečiť, aby program mohol vygenerovať optimálny plán v primeranom čase? Tieto otvorené problémy si stále vyžadujú ďalší výskum.

 

Nová pracovná sila. Vďaka vysoko automatizovanej implementácii technológie LLM sa zmenia aj úlohy manažérov a plánovačov. Plánovači sa už nebudú zapojiť do procesu rozhodovania náchylného na ľudské chyby a časovo náročné, ale budú schopní aplikovať technológiu LLM na poskytnutie väčšieho pohľadu na techniky plánovania dodávateľského reťazca a vysvetliť ich odporúčania. Tým sa zvýši dôvera používateľov a výrazne zvýši ich prijatie návrhov nástrojov. V oddelení obstarávania sa výrazne zníži čas pre zamestnancov na vytvorenie nových zmlúv. LLM bude schopný navrhnúť zmluvy pre konkrétne kategórie produktov a poskytnúť informácie o výkone rôznych dodávateľov v minulosti, aby pomohli manažérom zvoliť si vhodných dodávateľov.

 

Inými slovami, použitie pracovnej sily založenej na nástrojoch LLM môže presunúť zameranie práce z denných opakujúcich sa úloh na úlohy s pridanou hodnotou, ako je strategické premýšľanie o rôznych činnostiach v dodávateľskom reťazci alebo interne spolupracovať vo funkčných oblastiach a s externými dodávateľmi a zákazníkmi. Napríklad plánovači dopytu môžu spolupracovať s obchodnými plánovačmi zodpovednými za marketing, ceny a zľavy na pochopenie vplyvu obchodu na predpovedanie dopytu. Na základe našich skúseností táto spolupráca vo väčšine organizácií v súčasnosti neexistuje. Výzvou je, samozrejme, zabezpečiť, aby vedenie prerušilo funkčné prekážky oddelenia a upravuje obchodné procesy tak, aby uľahčila spoluprácu.

 

Napriek vyššie uvedeným výzvam sa stále domnievame, že v blízkej budúcnosti technológia založená na LLM zmení správu dodávateľského reťazca, zlepší jeho efektívnosť, odolnosť, produktivitu a presnosť. Bude dopĺňať dnešnú technológiu dodávateľského reťazca, ktorá umožní plánovačom interagovať priamo s nástrojmi dodávateľského reťazca bez potreby vedcov alebo inžinierov údajov. Podniky budú môcť automatizovať veľké množstvo procesov dodávateľského reťazca a dokonca vytvárať nové, napríklad integráciou obchodných a predpovedajúcich procesov. V skutočnosti bude táto integrácia tvoriť systém riadenia dodávateľského reťazca s uzavretým slučkou, v ktorom budú funkčné oddelenia obchodu, dodávateľského reťazca a financovaní spolupracovať pri vypracovaní plánu dodávok, ktorý spĺňa všetky obchodné a finančné ciele a požiadavky. V priebehu niekoľkých rokov bude technológia založená na LLM skutočne revolúciou v oblasti riadenia dodávateľského reťazca.

 

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

 

 

Isay Menash je manažér spolupráce v skupine strojového učenia a optimalizácie v spoločnosti Microsoft Research. Jiwan Paturi je generálnym riaditeľom a riaditeľom spolupráce so softvérom pre divíziu dodávateľského reťazca spoločnosti Microsoft. David Senge Levy je profesorom Williama Bartona Rogersa na MIT, vedúcim laboratóriu MIT Data Science Laboratory a významnou postavou v spoločnosti Accenture. Tom Linton je vedúcim konzultantom spoločnosti McKinsey a predtým pôsobil ako hlavný úradník pre obstarávanie a dodávateľský reťazec v spoločnosti Flex.