Hva kan generativ AI gjøre for å endre forsyningskjedestyring fullstendig?

Hva kan generativ AI gjøre for å endre forsyningskjedestyring fullstendig?

 

 

Foretak står overfor ulike komplekse utfordringer med å designe og optimalisere forsyningskjedene deres, blant dem å forbedre tilpasningsevnen, redusere kostnadene og forbedre planleggingskvaliteten er bare noen få aspekter. I løpet av de siste tiårene har fremskritt innen informasjonsteknologi skiftet beslutninger om forretningsmessige virksomheter fra å stole på intuisjon og erfaring til mer automatiserte og datadrevne metoder, og dermed forbedre effektiviteten, redusere kostnadene betydelig og forbedre kundeservicen.

 

Dessverre må bedriftsledere fortsatt bruke mye tid og krefter på å forstå forslagene som er foreslått av systemet, analysere forskjellige situasjoner og gjennomføre hypoteseanalyse. Det er også tidkrevende å oppdatere de matematiske modellene for forsyningskjedestyringsverktøy for å gjenspeile endringer i forretningsmiljøet. For å løse disse problemene, må planleggere og ledere ansette datavitenskapsteam eller teknologileverandører for å forklare resultatene eller endre systemet.

 

Den store språkmodellen (LLM) er en generativ AI som muliggjør gjennomføring av disse aktivitetene selv uten den nevnte støtten, og reduserer beslutningstiden fra dager eller uker til minutter eller timer, noe som forbedrer effektiviteten og effekten av planleggings- og ledelsespersonell betydelig. I denne artikkelen vil vi utforske hvordan du bruker store språkmodeller for å få innsikt fra data, slik at ledere bedre kan forstå forsyningskjeden -situasjonen, svare på hypotetiske spørsmål og oppdatere forsyningskjedestyringsverktøy for å ta hensyn til det nåværende forretningsmiljøet. Vi la også vekt på utfordringene som bedrifter må overvinne når vi tar i bruk store språkmodeller, så vel som mulighetene til å utvide applikasjonsomfanget i fremtiden.

 

Flertallet av opplevelsen vi ønsker å dele kommer fra Microsofts bruk av LLM -baserte system for å administrere leveransen av servere og annen maskinvare, som leveres til over 300 datasentre over hele verden for å støtte deres skytjenester. Microsoft testet det LLM -baserte systemet fra mars til oktober 2023 og distribuerte systemet fullt ut i november samme år. Siden den gang har systemet hatt en betydelig innvirkning på effektivitet og produktivitet, manifestert i hendelsestid og beslutningshastighet, mens disse fordelene forventes å øke over tid og med ytterligere forbedring av systemet. Funksjonene vi diskuterer er imidlertid ikke avhengige av bruk av Microsoft-produkter, og forskjellige høykvalitets LLM-er som for tiden er tilgjengelige på markedet, kan brukes til å implementere disse funksjonene.

 

La oss nå utforske fordelene som LLM kan gi.

 

Data mining og innsikt

 

Se for deg en typisk forsyningskjede med et visst antall råstoffleverandører, produksjonsfabrikker og forhandlere. Ved hjelp av LLM kan planleggere spørre på vanlig språk, for eksempel "Hvor mange råstoffer av T-type har leverandører for øyeblikket?" eller "Hva er den billigste måten å transportere varer fra fabrikk F til forhandler R?" LLM kan transformere disse spørsmålene til datavitenskapelige spørsmål, og deretter legge inn spørringsresultatene til selskapets dataregistrering (for eksempel SQL -database), og gi svar i komplette setninger. Fra et personvernperspektiv kan LLM brukes som en skytjeneste, noe som betyr at det ikke er behov for å overføre proprietære data til tredjeparts LLMS.

 

I tillegg til å tjene som et verktøy for å forstå den nåværende tilstanden til et selskaps forsyningskjede, kan LLM også brukes til å forklare beslutningene som er tatt av forsyningskjedesystemet og gi ytterligere innsikt, for eksempel informasjon om trender. For eksempel kan planleggere stille spørsmål om nyere trender, for eksempel "Hvilken fabrikk hadde den høyeste produksjonseffektiviteten forrige uke?" eller "Hvor mange eller hvilken prosentandel av totale transportkostnader oversteg 50000 dollar forrige måned?" I den følgende teksten vil vi gi spesifikke eksempler på tidlig bruk av LLM for data mining og innsikt.

 

Spor stadig endrede krav. Cloud computing er en virksomhet på flere milliarder dollar som krever at tjenesteleverandører som Amazon, Microsoft og Google investerer stort i å bygge datasentre, utstyre dem med maskinvare og betjene dem for å gi kapasitet når som helst. De må stadig dekke den økende etterspørselen etter disse tjenestene mens de minimerer maskinvare og driftskostnader. For dette formål vil leverandører av skytjenester regelmessig ta beslutninger om maskinvare, under hensyntagen til mange kostnadsfaktorer som maskinvaretransport og avskrivninger, samt driftsfaktorer som maskinvarekompatibilitet, varelager og personell for utførbar serverdistribusjon.

 

Hos Microsoft kommer etterspørselen etter servere fra interne forretningsenheter som har forskjellige skyprodukter som Azure Storage, Azure Virtual Machines og Microsoft 365. Kravene er spesifisert via forespørsler, inkludert typen og mengden av servere som kreves, regionen der serverne er distribuert, og den ideelle distribusjonsdatoen. Forsyningskjedeteamet legger inn disse kravene og utvikler regelmessig en enkelt etterspørselsplan. Microsoft -ingeniører kjører regelmessig et datamaskinoptimaliseringsverktøy for å generere en utførelsesplan, tildele faktisk maskinvare fra forsyningslageret og spesifisere når de blir sendt til datasenteret. Microsofts planleggere er ansvarlige for å føre tilsyn med implementeringen av planen, inkludert å bekrefte at planen oppfyller behovene til forskjellige forretningsavdelinger, og at servere er blitt distribuert i henhold til planen. De utplasserte serverne jobber vanligvis i forretningsavdelingen i mange år til de er pensjonist og tatt ut.

 

Planleggere må også overvåke endringer i etterspørselen på månedlig basis (kjent som etterspørselsforskyvning) for å sikre at den reviderte planen oppfyller alle kundekrav og oppfyller budsjettveiledning. Oppgaven med å vurdere etterspørselsforskyvning er tradisjonelt blitt fullført av planleggere, som vanligvis involverer dataforskere og ingeniører fra forskjellige forretningsavdelinger i denne prosessen. Når disse endringene er forstått, vil planleggere utarbeide et utøvende sammendrag for å forklare endringene i hver region.

 

Nå kan LLM -basert teknologi utføre alle disse oppgavene. Den vil automatisk generere en elektronisk rapport -e -post, som detaljerer hvem som gjorde hver endring og årsakene til det. Det vil også påpeke potensielle feil for planleggere å gjennomgå. For eksempel, hvis etterspørselen (totalt antall servere) i den nye planen er lavere enn i den gamle planen, kan e -posten indikere den nøyaktige årsaken til nedgangen i etterspørselen, for eksempel innføring av en ny generasjon av mer effektiv maskinvare, noe som reduserer bruken av servere. Dette LLM -verktøyet lar planleggere uavhengig fullføre kravets driftsanalyse på noen få minutter, mens det tidligere vil ta omtrent en uke.

 

Utfør kontrakten. I bilindustrien har produsenter av originalutstyr (OEM) som Ford, Toyota og General Motors tusenvis av leverandører og har signert flere kontrakter med hver leverandør. Disse kontraktene spesifiserer i detalj prisene som er betalt av den originale utstyrsprodusenten, kvalitetskrav, leveringstid og fleksibilitetstiltakene som leverandører må ta for å sikre levering. Etter å ha matet tusenvis av kontraktsdata til LLM, oppdaget en original utstyrsprodusent at hvis en viss mengde terskel ble overskredet, kunne de glede seg over en prisreduksjon, men mengden og kompleksiteten til kontraktene fikk anskaffelsesteamet til å overse denne muligheten. Det endelige resultatet var at denne produsenten sparte millioner av dollar i anskaffelseskostnader.

 

Svar på hypotetiske spørsmål

 

Planleggere kan stille LLM detaljerte spørsmål, her er noen eksempler:

 

Hva er den ekstra transportkostnaden hvis den totale etterspørselen etter produktet øker med 15%

 

Hvis forhandler R bare bruker produkter fra fabrikk F, hvor mye vil anskaffelseskostnaden øke

 

Hvis vi lukker fabrikken F, kan vi oppfylle alle kravene

 

Hvis enhetskostnadene for råvarer av m-type reduseres med $ 1, hvor mye vil de totale kostnadene for å produsere P-produkter reduseres

 

La oss se på hvordan LLM kan svare nøyaktig og effektivt slike spørsmål. Mange optimaliseringsoppgaver er skrevet i form av matematiske programmer som vurderer strukturen i forsyningskjeden og alle forretningskrav, og genererer effektive forsyningskjedeanbefalinger. LLM erstatter ikke matematiske modeller, men supplerer dem heller. Spesifikt vil den konvertere manuelle spørsmål til matematisk kode og gjøre små modifikasjoner til den opprinnelige matematiske modellen som brukes til å generere planer. For å tvinge forhandlere til å bruke produkter fra en spesifikk fabrikk, kan for eksempel et matematisk krav (dvs. en "begrensning") legges til som forbyr andre fabrikker å levere til denne forhandleren. Deretter vil denne subtile endringen i den matematiske modellen bli lagt inn i forsyningskjedeverktøyet for å generere en modifisert plan, som bare brukes til sammenligning med den eksisterende planen. Som før vil utgangen fra den nye matematiske modellen generere svar på menneskespråk gjennom LLM (for å lære om denne metoden for å bruke LLM for å få gjeldende forsyningskjedeinformasjon og stille hypotetiske spørsmål, kan du finne Microsofts open source -kode og relaterte benchmark -data på Github/Microsoft/optiguide).

 

Her kan vi henvise til hvordan planleggere i Microsofts skytjenesteoperasjoner bruker denne muligheten til å utvikle utførelsesplaner for å distribuere servere fra lager til datasentre. For hver forespørsel inkluderer hovedbeslutningene: (1) servertype og lager som brukes til å oppfylle etterspørselen, (2) fraktdato og (3) serverdokkingspunkt (spesifikt datasenter og dets spesifikke sted). Målet er å minimere de totale kostnadene for flere komponenter, for eksempel transportkostnader og estimerte mulighetskostnader på grunn av forsinkelser i serverutplassering utover den ideelle datoen.

 

Når du mottar utgangsresultatene fra optimaliseringsverktøyet, kan planleggere bekrefte om resultatene oppfyller forretningskrav og sikre at planen blir utført i henhold til dette resultatet. Imidlertid er de potensielle optimaliseringsproblemene veldig komplekse og ikke helt umulige, men det er også vanskelig å umiddelbart forstå årsakene bak hver beslutning. Derfor kontakter planleggere vanligvis ingeniører og dataforskere som utvikler optimaliseringsverktøy for å få mer informasjon. Planleggere og ingeniører trenger ofte flere runder med samhandling for å utforske problemer eller hypotetiske scenarier fullt ut, noe som kan føre til forsinkelser på flere dager. Nå kan LLM -baserte systemer gi planleggere svar på følgende spørsmål i løpet av få minutter: "Hvilken prosentandel av kostnadsøkningen vil vi pådra oss hvis vi fullfører en spesifikk ordre før en angitt dato sammenlignet med en annen dato?" og "hvilken prosentandel av kostnadsøkningen vil vi pådra oss hvis vi stenger et lager i en uke

 

Interaktiv planlegging

 

Planleggere kan bruke LLM -teknologi for å oppdatere de matematiske modellene for forsyningskjedestruktur og forretningskrav for å gjenspeile det nåværende forretningsmiljøet. I tillegg kan LLM gi den nyeste informasjonen til planleggere basert på endringer i forretningsforhold.

 

For eksempel viser informasjon i sanntid mottatt av planleggere at en viss produsent vil bli lagt ned i syv dager på grunn av en vinter snøstorm. Uten hjelp fra LLM, må planleggere som ønsker å oppdatere salgs- og driftsplaner for å takle driftsstans involvere det og datavitenskapelige team for å gjøre nødvendige justeringer av planen, som kan være en tidkrevende prosess. Ved hjelp av LLM kan planleggere imidlertid direkte be om at systemet skal generere en ny plan, og unngå bruk av nedleggelsesfabrikker. Hvis den nye planen ikke kan oppfylle alle forutsagte krav, vil LLM Auxiliary Planning Tool ikke bare generere oppdaterte salgs- og driftsplaner og tilsvarende kostnader (for eksempel anskaffelser og transportkostnader), men også identifisere etterspørselen som ikke kan leveres og dens innvirkning på lønnsomheten.

 

Etterspørselen etter endrede tilbudsplaner kan også være drevet av LLM -basert teknologi. Etter å ha analysert fraktdataene til en spesifikk leverandør, kan det for eksempel gi et varsel som indikerer at leverandørens leveringstid har økt betydelig de siste månedene. I tillegg vil LLM -basert teknologi forutsi mulig tid for neste forsendelse og sende den til planleggere. På grunn av erkjennelsen av at forlengede ledetider for levering vil ha en negativ innvirkning på servicenivået i spesifikke regioner med mindre korrigerende tiltak blir iverksatt, kan planleggere kreve at LLM -baserte systemer kjører på nytt planleggingsverktøy med ny informasjon og genererer nye planer. Planen formidles til planleggere av LLM på naturlig språk og kan kreve at leverandører fremskynder forsendelser eller overfører lager fra lager i forskjellige regioner i selskapet til berørte områder.

 

Metoden for å bruke LLM på den måten som er omtalt i denne artikkelen, er fremdeles relativt ny. Vi forventer at LLM-basert teknologi vil støtte ende-til-ende beslutningsscenarier de kommende årene. For eksempel kan brukere beskrive beslutningsproblemet de ønsker å løse på lett å forstå språk. Det kan være et spesifikt produksjonsproblem (gitt et komplekst nettverk av produksjonsanlegg, når og hvor du kan produsere et bestemt produkt), eller et beholdningsallokeringsproblem (gitt begrenset varelager på et lager, hvordan du fordeler det til forskjellige butikker for å maksimere etterspørselen). Dagens teknologi kan generere slike matematiske modeller og anbefalinger, men å bekrefte om modellen riktig viser forretningsmiljøet, er fortsatt en utfordring.

 

Å overvinne hindringer

 

Når bedrifter begynner å ta i bruk LLM i forsyningskjedestyring, må de overvinne forskjellige hindringer for å effektivt distribuere det.

 

Bruk og trening. Å bruke LLM for å optimalisere forsyningskjeden krever veldig presist språk. For eksempel, hvis en bruker spør: 'Kan vi utnytte fabrikken F?' Begrepet 'bedre' kan ha flere tolkninger: å redusere kostnader, øke gjennomstrømningen, optimalisere gjennomstrømningen over en periode osv. Hver tolkning vil føre til forskjellige beslutninger. Derfor er treningspersonell som bruker systemet avgjørende. Planleggere kan trenge å få opplæring for å stille mer presise spørsmål, mens ledelse og administrativt personell kan trenge å forstå evnene og begrensningene til LLM -basert teknologi.

 

Av disse grunnene distribuerer Microsoft gradvis denne nye teknologien, mens verktøyene som ble introdusert tidligere for å svare på hypotetiske spørsmål, bare støtter et sett med vanlige spørsmål. Selskapet vil overvåke brukerinteraksjoner, nøyaktighet og sikkerhetskopieringsmekanismer, og gradvis utvide dekningen. Planleggerne har fått relevant opplæring og er kjent med problemsettene som for øyeblikket støttes av verktøyet.

 

bekreftelse. LLM -teknologi gir tidvis feilaktig innhold, så en vanlig utfordring er hvordan du får teknologien til å kjøre "på sporet", det vil si å identifisere feil og komme tilbake på sporet. Bedrifter tar nå opp denne utfordringen ved å gi rike domenespesifikke eksempler for LLM for å forbedre nøyaktigheten av produksjonen og legge til mekanismer for å identifisere ikke -støttede spørsmål på forhånd. For eksempel, hvis noen reiser et ikke -støttet spørsmål, vil det LLM -baserte systemet gi et standard svar som "Dessverre kan jeg ikke hjelpe deg med å løse dette problemet. Du kan sjekke følgende spørsmål." Selvfølgelig øker vanskeligheten med å verifisere nøyaktighet med kompleksiteten i utgangen. Hvis vi for eksempel ber LLM om å generere et komplett matematisk program for å lage en optimalisert implementeringsplan fra bunnen av, hvordan verifiserer systemet dets korrekthet? Hvordan kan vi sikre at programmet kan generere den optimale planen innen rimelig tid? Disse åpne spørsmålene krever fortsatt ytterligere forskning.

 

Ny arbeidsstyrke. Med den høyt automatiserte implementeringen av LLM -teknologi vil også rollene som ledere og planleggere endres. Planleggere vil ikke lenger være involvert i den personlige feil og tidkrevende beslutningsprosessen, men vil kunne bruke LLM-teknologi for å gi mer innsikt i forsyningskjeden planleggingsteknikker og forklare anbefalingene deres. Dette vil øke brukertilliten og øke deres vedtakelse av verktøyforslag betydelig. I anskaffelsesavdelingen vil tiden for ansatte lage nye kontrakter også bli kraftig redusert. LLM vil kunne designe kontrakter for spesifikke produktkategorier og gi tidligere resultatinformasjon fra forskjellige leverandører for å hjelpe ledere med å velge passende leverandører.

 

Med andre ord kan bruk av et LLM-verktøybasert arbeidskraft forskyve fokuset på arbeid fra daglige repeterende oppgaver til verdiøkende oppgaver, for eksempel å tenke strategisk om forskjellige forsyningskjedeaktiviteter, eller samarbeide internt på tvers av funksjonelle områder og med eksterne leverandører og kunder. For eksempel kan etterspørselsplanleggere samarbeide med handelsplanleggere som er ansvarlige for markedsføring, priser og rabatter for å forstå effekten av handelsprognoser for handel. Basert på vår erfaring eksisterer ikke dette samarbeidet i de fleste organisasjoner. Selvfølgelig er utfordringen her å sikre at ledelsen bryter ned funksjonelle avdelingsbarrierer og justerer forretningsprosesser for å lette samarbeidet.

 

Til tross for de ovennevnte utfordringene, tror vi fortsatt at LLM -basert teknologi i nær fremtid vil transformere styring av forsyningskjeden, og forbedre dens effektivitet, spenst, produktivitet og nøyaktighet. Det vil utfylle dagens forsyningskjedeteknologi, slik at planleggere kan samhandle direkte med forsyningskjedeverktøy uten behov for dataforskere eller ingeniører. Foretak vil kunne automatisere et stort antall forsyningskjedeprosesser og til og med lage nye, for eksempel ved å integrere handels- og prognoseprosesser. Faktisk vil denne integrasjonen danne et lukket sløyfekjedeledelsessystem, der handels-, forsyningskjeden og finansfunksjonsavdelingen vil samarbeide for å utvikle en forsyningsplan som oppfyller alle forretnings- og økonomiske mål og krav. I løpet av få år vil LLM -basert teknologi virkelig revolusjonere styring av forsyningskjeden.

 

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

 

 

Isay Menash er en samarbeidssjef i Machine Learning and Optimization Group ved Microsoft Research. Jiwan Paturi er daglig leder og direktør for programvareteknisk samarbeid for Microsofts Cloud Supply Chain Division. David Senge Levy er en William Barton Rogers -professor ved MIT, sjef for MIT Data Science Laboratory, og en fremtredende figur ved Accenture. Tom Linton er seniorkonsulent i McKinsey og har tidligere fungert som sjef for anskaffelse og forsyningskjede i Flex.