Практический пример раскрытия потенциала ИИ: ИИ в цепочке поставок

Поскольку компании сталкиваются со сложностями глобальной логистики, внедрение искусственного интеллекта в цепочку поставок стало стержнем для тех, кто хочет оставаться впереди конкурентов. В этой статье мы подчеркнем значение ИИ в цепочке поставок и предложим историю успеха, которая ярко иллюстрирует ощутимые преимущества ИИ в оптимизации управления цепочками поставок.

Цепочка поставок — это вся сеть отдельных лиц и организаций, производящих и доставляющих продукт или услугу конечному потребителю. Он включает в себя каждый этап: от поиска сырья, производства и сборки продукта до транспортировки, складирования и, наконец, попадания в руки клиента.

49% респондентов из сектора цепочек поставок заявили, что сбои приводят к трудностям с планированием.

44% указали на проблемы, связанные с присутствием в цепочке поставок, что потребовало от них внесения изменений в течение года.

МакКинси

Сегодня эта многогранная сеть сталкивается со многими сбоями, такими как геополитическая напряженность, экономические колебания, изменение климата и меняющиеся правила. В то же время общие цели выходят за рамки отраслей, включая удовлетворение клиентов, оптимизацию затрат и адаптацию. И проблемы, и цели требуют инновационных решений, при этом оптимизация цепочки поставок становится решающим фактором обеспечения эффективности.

Краткий обзор оптимизации цепочки поставок

Оптимизация цепочки поставок (SCO) — это сложная область, посвященная управлению потоками товаров и услуг от сырья до конечного потребителя наиболее эффективным и экономически выгодным способом. SCO – это корректировка операций цепочки поставок, обеспечивающая достижение максимальной эффективности.

Пять основных задач оптимизации цепочки поставок:

1. Прогнозирование спроса. Точное прогнозирование потребительского спроса имеет решающее значение для оптимизации уровня запасов, возможностей транспортировки и производственных графиков.

   
   

2. Управление запасами: балансирование затрат на хранение запасов с риском дефицита.

   
   

3. Оптимизация перевозок: выбор наиболее эффективных и экономически выгодных маршрутов перевозки товаров, особенно с учетом таких факторов, как пробки на дорогах и цены на топливо.

   
   

4. Выбор и управление поставщиками: поиск надежных поставщиков, предлагающих конкурентоспособные цены и качество.

   
   

5. Сотрудничество и коммуникация: Эффективное сотрудничество между всеми участниками цепочки поставок.

Для решения этих проблем SCO использует анализ данных, математическое моделирование, алгоритмы оптимизации, искусственный интеллект (ИИ) и машинное обучение (МО). Эти инструменты в совокупности позволяют предприятиям точно ориентироваться в динамичной среде глобальных цепочек поставок.

В частности, искусственный интеллект и машинное обучение становятся мощными союзниками в достижении эффективности цепочки поставок.

Использование услуг по разработке искусственного интеллекта и машинного обучения помогает автоматизировать задачи, повысить точность прогнозирования и обеспечить принятие решений в режиме реального времени, гарантируя, что предприятия смогут оставаться гибкими и оперативно реагировать на меняющиеся обстоятельства.

Оптимизация управления цепочками поставок посредством интеграции ИИ

ИИ играет важную роль в повышении эффективности цепочки поставок. Его можно использовать в различных областях управления цепочками поставок.

Повышение наглядности и прозрачности:

• Сбор и анализ данных в режиме реального времени. Предоставление информации в режиме реального времени об уровне запасов, местах отгрузки и потенциальных сбоях.

• Прогнозная аналитика. ИИ может анализировать исторические данные и внешние факторы, такие как прогнозы погоды или экономические тенденции, потенциальные сбои и потребности в обслуживании.

Оптимизация операций и принятия решений:

• Управление запасами. ИИ может оптимизировать уровень запасов, прогнозируя спрос, учитывая сроки выполнения заказов и сезонность, а также минимизируя затраты, связанные с затовариванием или недостатком запасов.

• Оптимизация маршрута. Алгоритмы искусственного интеллекта могут определять наиболее эффективные и экономичные маршруты транспортировки, учитывая такие факторы, как условия движения, расход топлива и графики, чтобы найти баланс между затратами на транспортировку и запасами.

• Автоматизация склада. Роботы на базе искусственного интеллекта могут автоматизировать такие задачи, как сбор, упаковка и сортировка, повышая скорость, точность и эффективность на складах.

Устойчивость и управление рисками:

• Идентификация рисков. ИИ может анализировать данные для выявления потенциальных сбоев или уязвимостей цепочки поставок, что позволяет компаниям принимать упреждающие меры для минимизации их воздействия.

• Планирование сценариев. ИИ может моделировать различные сценарии, такие как стихийные бедствия или экономические спады, помогая компаниям разрабатывать планы действий в чрезвычайных ситуациях для обеспечения непрерывности бизнеса.

• Обнаружение и предотвращение мошенничества. ИИ может обнаруживать аномалии в данных заказов и финансовых транзакциях, выявляя потенциальные попытки мошенничества и защищая компании от финансовых потерь.

Устойчивое развитие и опыт работы с клиентами:

• Повышенная устойчивость. ИИ может оптимизировать процессы для сокращения отходов, минимизации энергопотребления и оптимизации использования топлива, способствуя созданию более устойчивой цепочки поставок.

• Персонализация и настройка. ИИ может персонализировать обслуживание клиентов, адаптируя рекомендации и предложения по продуктам на основе индивидуальных предпочтений и истории покупок.

Давайте рассмотрим, как ИИ, в частности, играет преобразующую роль в изменении цепочки поставок в розничной торговле, проиллюстрировано на примере реального использования.

Разработка интеллектуальной системы оптимизации поставок

Нашему клиенту, производителю сантехнических инструментов и оборудования с торговыми точками по всей территории США, требовалась помощь в оптимизации процесса поставок.

Основная борьба возникла из-за повышенного опыта, связанного с транспортировкой товаров с заводов в Китае в распределительные центры в США. Заказчик содержал многочисленные склады и точки продаж практически в каждом штате. Таким образом, определение оптимальной маршрутизации представляло собой нетривиальную задачу.

Кроме того, крайне важно было рассмотреть предпочтительную транспортную цепочку. Каждый продукт начинает свое путешествие в транспортном контейнере из китайского морского порта и путешествует по Тихому океану, чтобы достичь порта в Соединенных Штатах, откуда он продолжает свой путь на грузовике до назначенного склада. После этого продукт ожидает доставки последней мили в целевую точку распространения.

Заказчик хотел иметь следующий функционал:

• указать свободные склады;
• определять точки распространения, некоторые из которых автоматически извлекаются из исторических данных, а другие выбираются пользователем вручную;
• создать список предметов с указанием их количества;
• есть список морских портов.

Наконец, клиент выразил желание иметь возможность сравнить различные способы упаковки товаров в транспортные контейнеры с поддонами или без них. Результатом задачи оптимизации должно стать оптимальное расписание перевозок и соответствующая статистика расходов.

Но прежде чем мы углубимся в детали вариантов использования, мы быстро обрисуем фундаментальную математическую концепцию, которая используется в интеллектуальном решении.

Целочисленное программирование для повышения эффективности цепочки поставок

Целочисленное (линейное) программирование (IP) — это метод математической оптимизации, используемый для поиска наилучшего решения проблемы с линейными зависимостями с учетом того, что некоторые или все переменные должны принимать целые (целые) значения. Общая форма задачи IP заключается в максимизации (или минимизации) линейной целевой функции с учетом набора линейных ограничений, где некоторые или все переменные решения должны быть целыми числами.

Целевая функция представляет собой линейную комбинацию переменных решения, а ограничения представляют собой линейные неравенства или равенства, которым должны удовлетворять переменные. Математическая формулировка проблемы ИС может быть выражена следующим образом:

Значения x₁, x₂, ..., xₙ являются переменными решения, c₁, c₂, ..., cₙ являются коэффициентами целевой функции, aᵢⱼ являются коэффициентами в уравнениях ограничений, а bᵢ являются константами.

Решение проблемы IP включает в себя поиск значений переменных решения, которые оптимизируют целевую функцию, одновременно удовлетворяя линейным ограничениям и дополнительному требованию, чтобы переменные были целыми числами. Проблемы интеллектуальной собственности обычно используются в различных областях, включая исследования операций, логистику, производство, финансы и телекоммуникации, где переменные решения часто представляют собой величины, которые должны быть целыми числами.

Целочисленное программирование является ценным инструментом в решении задач оптимизации цепочки поставок благодаря его способности моделировать сложные процессы принятия решений с участием дискретных (целочисленных) переменных.

Способы применения интеллектуальной собственности в контексте оптимизации цепочки поставок:

• Управление запасами: IP может помочь в определении оптимальных уровней запасов для различных продуктов на различных этапах цепочки поставок, учитывая такие ограничения, как емкость склада, изменчивость спроса и объемы заказов. Модели IP могут найти лучший баланс между затратами на хранение и дефицитом.

• Планирование производства: IP может оптимизировать графики производства, учитывая такие факторы, как производственные мощности, наличие сырья и прогнозы спроса. Модель может помочь определить оптимальные объемы производства каждого продукта для удовлетворения спроса при минимизации затрат.

• Маршрутизация и планирование: IP-модели можно применять для оптимизации общей структуры сети цепочки поставок.

• Оптимизация сети цепочки поставок: модели IP можно применять для оптимизации общей структуры сети цепочки поставок.

• Планирование спроса: модели IP могут включать данные прогнозирования спроса для оптимизации решений по производству и сбыту, одновременно согласовывая операции цепочки поставок с ожидаемым спросом клиентов, снижая риск избытка или дефицита товаров.

Улучшение логистики цепочки поставок – обзор решения ELEKS

Чтобы удовлетворить требования нашего клиента, мы создали систему, которая использует преимущества метода целочисленного программирования, который оптимизирует графики поставок, маршруты и уровни запасов для пяти видов товаров: керамических раковин, унитазов, биде, газовых клапанов и смесителей для ванны ( соответствующие коды ГС: 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). Система состоит из трех основных частей (или страниц): конфигурация, моделирование и аналитика. Каждый из них будет объяснен в следующих параграфах.

Чтобы обеспечить конфиденциальность данных и деталей приложения, мы анонимизировали имена и реальные местоположения, создав прототип простого демонстрационного приложения, которое иллюстрирует эффективность ИИ в решении задач оптимизации.

Страница конфигурации

Пользователь может выбрать доступные склады, точки распределения и желаемые морские порты, чтобы принять участие в окончательном оптимизированном маршруте. Кроме того, клиент может указать желаемые товары и их соответствующее количество, которые будут доставлены своим клиентам. И последнее — выбор даты, если планируется доставка.

Система рассчитает остатки запасов на дату поставки на основе прогнозируемого спроса и распределит запланированные поставки в соответствии с остатками на складе. Нажатие кнопки «оптимизировать» творит чудеса! Ставит задачи по оптимизации и запускает их решение. Через несколько секунд результаты можно будет наблюдать на оставшихся двух страницах.

Страница моделирования (карта)

Эта страница предлагает клиенту возможность просмотреть точную симуляцию решения предлагаемой модели. В ходе предыдущих обсуждений мы обсудили подходящие ИНКОТЕРМС для нашего клиента и достигли консенсуса по CFR. Заказчик может указать количество часов для каждого этапа и нажать соответствующую кнопку, чтобы увидеть состояние цепочки поставок за этот промежуток времени.

Прежде всего, существует пять типов точек: две для транспортных средств (корабль и грузовик) и три для морских портов (оранжевые), складов (фиолетовые) и точек распределения (зеленые). Карта интерактивна, то есть пользователь может навести курсор на любую точку или соединение и увидеть информацию, связанную с этим объектом.

Например, синие линии, соединяющие склады и точки распределения, показывают план доставки последней мили и содержат информацию о том, сколько каждого товара доставляется ежедневно. Если пользователь наводит курсор на корабль, отображается информация о его вместимости, типах контейнеров, количестве загруженного каждого товара и маршруте следования.

Страница аналитики

На этой странице представлены все данные и статистика о предлагаемом решении модели. Пользователь может наблюдать план доставки, где находится каждое судно и грузовик, предполагаемое время прибытия, маршрут и заполнение. Также есть куча диаграмм, начиная от круговой диаграммы с затратами в целом и заканчивая тепловыми картами стоимости доставки между различными морскими портами, складами и точками распределения.

Кроме того, клиент может наблюдать график цен на товар для разных точек продаж и на основе этих данных принимать соответствующие бизнес-решения.

Показатели производительности: решение ELEKS и устаревшая система клиента

Следующей задачей было протестировать наше решение в реальных условиях и сравнить его с подходом клиента. Для этого клиентом рассматривался срок в 1 месяц. Основные условия задачи (такие как наличие морских портов, расположение и количество складов и кластеров) показаны на иллюстрациях в предыдущих пунктах. В результате решение нашей модели оказалось более эффективным с точки зрения операционных расходов, среднего времени доставки последней мили и сокращения времени простоя складов.

Среднемесячная экономия средств клиента на 5,76% и сокращение времени доставки на 50% для некоторых кластеров.

Команда ELEKS Data Science

Данные показывают, что использование нашего решения оказалось более выгодным для клиента, что привело к снижению цены за единицу товара. Такой результат можно объяснить различными факторами, основными из которых являются следующие:

• Более разумное распределение товаров
• Более оптимальная сеть доставки
• Более эффективная маршрутизация и складирование

Например, в нашем решении присутствовало несколько кластеров, для которых модель предполагает доставку различных товаров на последней миле с разных складов (объяснение лежит глубоко в сети доставки, и наша модель обнаружила такую возможность оптимизации). Распределение товаров между складами различалось (в основном между складами в Вашингтоне и Нью-Йорке).

На первый взгляд различия не столь значительны, но результат говорит сам за себя.

Выводы

Интеграция искусственного интеллекта (ИИ) в управление цепочками поставок становится важнейшим компонентом для компаний, стремящихся эффективно справляться со сложностями глобальной логистики. Многогранный характер современных цепочек поставок в сочетании с такими проблемами, как сбои, геополитическая напряженность и экономические колебания, требуют инновационных решений для достижения эффективности и устойчивости.

Представленное решение подчеркивает преобразующую роль ИИ в оптимизации обязанностей менеджеров цепочек поставок и демонстрирует ощутимые преимущества ИИ и интеллектуальной собственности в логистике цепочек поставок, демонстрируя среднемесячную экономию затрат на 5,76% и сокращение времени доставки на 50% для некоторых кластеров.

Его адаптивность позволяет осуществлять плавную настройку, предлагая пользователям доступ к студии моделирования, где они могут выполнять различные сценарии, включающие различные предметы и количества, что облегчает сравнительный анализ для определения оптимальных стратегий для различных ситуаций.

Чтобы запланировать демонстрацию этого преобразующего решения из первых рук и изучить его возможности, свяжитесь с нами .