Apa yang boleh dilakukan oleh AI generatif untuk mengubah sepenuhnya pengurusan rantaian bekalan?
Apa yang boleh dilakukan oleh AI generatif untuk mengubah sepenuhnya pengurusan rantaian bekalan?
Perusahaan menghadapi pelbagai cabaran kompleks dalam merekabentuk dan mengoptimumkan rantaian bekalan mereka, di antaranya meningkatkan kebolehsuaian, mengurangkan kos, dan meningkatkan kualiti perancangan hanyalah beberapa aspek. Dalam beberapa dekad yang lalu, kemajuan dalam teknologi maklumat telah mengubah pengambilan keputusan perniagaan daripada bergantung kepada intuisi dan pengalaman kepada kaedah yang lebih automatik dan didorong data, dengan itu meningkatkan kecekapan, mengurangkan kos dengan ketara, dan meningkatkan perkhidmatan pelanggan.
Malangnya, pemimpin perniagaan masih perlu menghabiskan banyak masa dan usaha memahami cadangan yang dicadangkan oleh sistem, menganalisis pelbagai situasi, dan menjalankan analisis hipotesis. Mengemas kini model matematik alat pengurusan rantaian bekalan untuk mencerminkan perubahan dalam persekitaran perniagaan juga memakan masa. Untuk menangani isu -isu ini, perancang dan pengurus perlu mengupah pasukan sains data atau penyedia teknologi untuk menerangkan hasilnya atau mengubah suai sistem.
Model bahasa yang besar (LLM) adalah AI generatif yang membolehkan penyempurnaan aktiviti-aktiviti ini walaupun tanpa sokongan yang disebutkan di atas, dan mengurangkan masa membuat keputusan dari hari atau minggu ke minit atau jam, meningkatkan kecekapan dan kesan kakitangan perancangan dan pengurusan. Dalam artikel ini, kami akan meneroka cara menggunakan model bahasa besar untuk mendapatkan pandangan dari data, membolehkan pengurus untuk lebih memahami situasi rantaian bekalan, menjawab soalan hipotetikal, dan mengemas kini alat pengurusan rantaian bekalan untuk mengambil kira persekitaran perniagaan semasa. Kami juga menekankan cabaran yang mesti diatasi oleh perusahaan ketika mengadopsi model bahasa besar, serta peluang untuk mengembangkan skop aplikasi mereka pada masa akan datang.
Majoriti pengalaman yang kami ingin kongsi berasal dari penggunaan sistem berasaskan LLM Microsoft untuk menguruskan bekalan pelayan dan perkakasan lain, yang dibekalkan kepada lebih dari 300 pusat data di seluruh dunia untuk menyokong perkhidmatan awan mereka. Microsoft menguji sistem berasaskan LLM dari Mac hingga Oktober 2023 dan sepenuhnya menggunakan sistem pada bulan November tahun itu. Sejak itu, sistem ini mempunyai kesan yang signifikan terhadap kecekapan dan produktiviti, yang ditunjukkan dalam masa tindak balas acara dan kelajuan membuat keputusan, sementara manfaat ini dijangka meningkat dari masa ke masa dan dengan peningkatan sistem. Walau bagaimanapun, ciri-ciri yang kami bincangkan tidak bergantung kepada penggunaan produk Microsoft, dan pelbagai LLM berkualiti tinggi yang kini tersedia di pasaran boleh digunakan untuk melaksanakan ciri-ciri ini.
Sekarang, mari kita meneroka manfaat yang boleh dibawa oleh LLM.
Perlombongan dan pandangan data
Bayangkan rantaian bekalan biasa dengan beberapa pembekal bahan mentah, kilang pengeluaran, dan peruncit. Menggunakan LLM, perancang boleh bertanya dalam bahasa biasa, seperti "Berapa banyak bahan mentah T-jenis yang ada sekarang?" atau "Apakah cara paling murah untuk mengangkut barangan dari kilang F ke peruncit r?" LLM boleh mengubah soalan -soalan ini ke dalam pertanyaan sains data, dan kemudian memasukkan hasil pertanyaan ke repositori data syarikat (seperti pangkalan data SQL), dan memberikan jawapan dalam ayat lengkap. Dari perspektif privasi, LLM boleh digunakan sebagai perkhidmatan awan, yang bermaksud tidak perlu memindahkan data proprietari ke LLM pihak ketiga.
Di samping berkhidmat sebagai alat untuk memahami keadaan semasa rantaian bekalan syarikat, LLM juga boleh digunakan untuk menjelaskan keputusan yang dibuat oleh sistem rantaian bekalan dan memberikan pandangan tambahan, seperti maklumat mengenai trend. Sebagai contoh, perancang boleh bertanya soalan mengenai trend baru -baru ini, seperti "kilang mana yang mempunyai kecekapan pengeluaran tertinggi minggu lepas?" atau "Berapa banyak atau berapa peratusan jumlah kos pengangkutan melebihi $ 50000 bulan lepas?" Dalam teks berikut, kami akan menyediakan contoh -contoh khusus penggunaan LLM awal untuk perlombongan data dan pandangan.
Jejaki terus berubah permintaan. Pengkomputeran awan adalah perniagaan berbilang bilion dolar yang memerlukan penyedia perkhidmatan seperti Amazon, Microsoft, dan Google untuk melabur banyak di pusat data bangunan, melengkapkan mereka dengan perkakasan, dan mengendalikannya untuk menyediakan kapasiti pada bila -bila masa. Mereka mesti sentiasa memenuhi permintaan yang semakin meningkat untuk perkhidmatan ini sambil meminimumkan kos perkakasan dan operasi. Untuk tujuan ini, penyedia perkhidmatan awan akan kerap membuat keputusan penggunaan perkakasan, dengan mengambil kira banyak faktor kos seperti pengangkutan perkakasan dan susut nilai, serta faktor operasi seperti keserasian perkakasan, inventori, dan kakitangan untuk penggunaan pelayan yang boleh dilaksanakan.
Di Microsoft, permintaan untuk pelayan datang dari unit perniagaan dalaman yang mempunyai produk awan yang berbeza seperti Azure Storage, Azure Virtual Machines, dan Microsoft 365. Keperluan ditentukan melalui permintaan, termasuk jenis dan kuantiti pelayan yang diperlukan, rantau di mana pelayan digunakan, dan tarikh penempatan yang ideal. Pasukan rantaian bekalan memasukkan keperluan ini dan kerap membangunkan satu pelan permintaan. Jurutera Microsoft kerap menjalankan alat pengoptimuman komputer untuk menghasilkan pelan pelaksanaan, memperuntukkan perkakasan sebenar dari gudang bekalan, dan tentukan apabila mereka akan dihantar ke pusat data. Perancang Microsoft bertanggungjawab untuk mengawasi pelaksanaan pelan itu, termasuk mengesahkan bahawa pelan itu memenuhi keperluan pelbagai jabatan perniagaan dan pelayan telah digunakan mengikut rancangan itu. Pelayan yang digunakan biasanya bekerja di jabatan perniagaan selama bertahun -tahun sehingga mereka bersara dan dibatalkan.
Perancang juga perlu memantau perubahan permintaan secara bulanan (dikenali sebagai permintaan mengimbangi) untuk memastikan bahawa pelan yang disemak memenuhi semua keperluan pelanggan dan mematuhi panduan bajet. Tugas menilai permintaan mengimbangi secara tradisinya telah disiapkan oleh perancang, yang biasanya melibatkan saintis data dan jurutera dari jabatan perniagaan yang berlainan dalam proses ini. Sebaik sahaja perubahan ini difahami, perancang akan menyediakan ringkasan eksekutif untuk menjelaskan perubahan di setiap rantau.
Sekarang, teknologi berasaskan LLM dapat mencapai semua tugas ini. Ia secara automatik akan menjana e -mel laporan elektronik, memperincikan siapa yang membuat setiap perubahan dan sebab -sebab untuk melakukannya. Ia juga akan menunjukkan kesilapan yang berpotensi untuk perancang untuk mengkaji semula. Sebagai contoh, jika permintaan (jumlah pelayan) dalam pelan baru adalah lebih rendah daripada pelan lama, e -mel dapat menunjukkan alasan yang tepat untuk penurunan permintaan, seperti pengenalan generasi baru perkakasan yang lebih efisien, yang mengurangkan penggunaan pelayan. Alat LLM ini membolehkan perancang untuk melengkapkan analisis hanyut keperluan secara bebas dalam beberapa minit, sedangkan pada masa lalu, ia akan mengambil masa kira -kira seminggu.
Melaksanakan kontrak. Dalam industri automotif, pengeluar peralatan asal (OEM) seperti Ford, Toyota, dan General Motors mempunyai beribu -ribu pembekal dan telah menandatangani beberapa kontrak dengan setiap pembekal. Kontrak -kontrak ini menyatakan secara terperinci harga yang dibayar oleh pengeluar peralatan asal, keperluan kualiti, masa penghantaran, dan langkah -langkah fleksibiliti yang perlu diambil oleh pembekal untuk memastikan bekalan. Selepas memberi makan beribu -ribu data kontrak ke LLM, pengeluar peralatan asal mendapati bahawa jika ambang kuantiti tertentu melebihi, mereka dapat menikmati pengurangan harga, tetapi kuantiti dan kerumitan kontrak menyebabkan pasukan perolehan mengabaikan peluang ini. Hasil akhir adalah bahawa pengeluar ini menyelamatkan berjuta -juta dolar dalam kos perolehan.
Jawab soalan hipotetikal
Perancang boleh mengemukakan soalan terperinci LLM, berikut adalah beberapa contoh:
Berapakah kos pengangkutan tambahan jika jumlah permintaan untuk produk meningkat sebanyak 15%
Sekiranya peruncit r hanya menggunakan produk dari kilang f, berapa banyak kos perolehan yang akan meningkat
Sekiranya kita menutup kilang f, bolehkah kita memenuhi semua tuntutan
Sekiranya kos unit bahan mentah m-jenis dikurangkan sebanyak $ 1, berapa jumlah kos menghasilkan produk p dikurangkan
Mari kita lihat bagaimana LLM dapat menjawab soalan -soalan tersebut dengan tepat dan cekap. Banyak tugas pengoptimuman ditulis dalam bentuk program matematik yang menganggap struktur rantaian bekalan dan semua keperluan perniagaan, dan menghasilkan cadangan rantaian bekalan yang berkesan. LLM tidak menggantikan model matematik, tetapi menambahnya. Khususnya, ia akan menukar pertanyaan manual ke dalam kod matematik dan membuat sedikit pengubahsuaian kepada model matematik asal yang digunakan untuk menjana rancangan. Sebagai contoh, untuk memaksa peruncit menggunakan produk dari kilang tertentu, keperluan matematik (iaitu, "kekangan") boleh ditambah yang melarang kilang -kilang lain daripada membekalkan kepada peruncit ini. Kemudian, perubahan halus dalam model matematik ini akan dimasukkan ke dalam alat rantaian bekalan untuk menghasilkan pelan yang diubah suai, yang hanya digunakan untuk perbandingan dengan pelan yang sedia ada. Seperti dahulu, output model matematik baru akan menjana jawapan bahasa manusia melalui LLM (untuk mengetahui kaedah ini menggunakan LLM untuk mendapatkan maklumat rantaian bekalan semasa dan menimbulkan soalan hipotetikal, anda boleh menemui kod sumber terbuka Microsoft dan data penanda aras yang berkaitan dengan GitHub/Microsoft/Optiguide).
Di sini, kita boleh merujuk kepada bagaimana perancang dalam operasi perkhidmatan awan Microsoft menggunakan keupayaan ini untuk membangunkan rancangan pelaksanaan untuk menggunakan pelayan dari gudang ke pusat data. Untuk setiap permintaan, keputusan utama termasuk: (1) jenis pelayan dan gudang yang digunakan untuk memenuhi permintaan, (2) tarikh penghantaran, dan (3) titik dok pelayan (pusat data khusus dan lokasi khususnya). Matlamatnya adalah untuk meminimumkan jumlah kos pelbagai komponen, seperti kos pengangkutan dan anggaran kos peluang disebabkan oleh kelewatan penyebaran pelayan di luar tarikh yang ideal.
Apabila menerima hasil output alat pengoptimuman, perancang dapat mengesahkan sama ada hasilnya memenuhi keperluan perniagaan dan memastikan pelan itu dilaksanakan mengikut hasil ini. Walau bagaimanapun, masalah pengoptimuman yang berpotensi adalah sangat rumit dan tidak sepenuhnya mustahil, tetapi juga sukar untuk segera memahami sebab -sebab di sebalik setiap keputusan. Oleh itu, perancang biasanya menghubungi jurutera dan saintis data yang membangunkan alat pengoptimuman untuk mendapatkan lebih banyak maklumat. Perancang dan jurutera sering memerlukan pelbagai pusingan interaksi untuk meneroka sepenuhnya masalah atau senario hipotetikal, yang boleh mengakibatkan kelewatan beberapa hari. Sekarang, sistem berasaskan LLM dapat memberikan perancang dengan jawapan kepada soalan -soalan berikut dalam beberapa minit: "Berapa peratusan kenaikan kos yang akan kita lakukan jika kita melengkapkan perintah tertentu sebelum tarikh yang ditetapkan berbanding tarikh lain?" dan "berapa peratusan kenaikan kos kita akan ditanggung jika kita menutup gudang selama seminggu
Perancangan interaktif
Perancang boleh menggunakan teknologi LLM untuk mengemas kini model matematik struktur rantaian bekalan dan keperluan perniagaan untuk mencerminkan persekitaran perniagaan semasa. Di samping itu, LLM dapat memberikan maklumat terkini kepada perancang berdasarkan perubahan dalam keadaan perniagaan.
Sebagai contoh, maklumat masa nyata yang diterima oleh perancang menunjukkan bahawa pengeluar tertentu akan ditutup selama tujuh hari kerana badai salji musim sejuk. Tanpa bantuan LLM, perancang yang ingin mengemas kini rancangan jualan dan operasi untuk mengatasi downtime mesti melibatkannya dan pasukan sains data untuk membuat pelarasan yang diperlukan untuk pelan itu, yang boleh menjadi proses yang memakan masa. Walau bagaimanapun, dengan bantuan LLM, perancang boleh secara langsung meminta sistem untuk menghasilkan pelan baru, mengelakkan penggunaan kilang menutup. Sekiranya pelan baru tidak dapat memenuhi semua tuntutan yang diramalkan, alat perancangan Auxiliary LLM bukan sahaja akan menghasilkan pelan jualan dan operasi yang dikemas kini dan kos yang sepadan (seperti kos perolehan dan pengangkutan), tetapi juga mengenal pasti permintaan yang tidak dapat dibekalkan dan kesannya terhadap keuntungan.
Permintaan untuk menukar pelan bekalan juga boleh didorong oleh teknologi berasaskan LLM. Sebagai contoh, selepas menganalisis data perkapalan pembekal tertentu, ia mungkin mengeluarkan amaran yang menunjukkan bahawa masa penghantaran pembekal telah meningkat dengan ketara dalam beberapa bulan yang lalu. Di samping itu, teknologi berasaskan LLM akan meramalkan kemungkinan masa penghantaran seterusnya dan menghantarnya kepada perancang. Oleh kerana pengiktirafan bahawa masa memimpin yang berpanjangan untuk penghantaran akan memberi kesan negatif ke atas tahap perkhidmatan di kawasan tertentu melainkan langkah -langkah pembetulan diambil, perancang mungkin memerlukan sistem berasaskan LLM untuk mengulangi alat perancangan dengan maklumat baru dan menjana rancangan baru. Pelan ini disampaikan kepada perancang oleh LLM dalam bahasa semulajadi dan mungkin memerlukan pembekal untuk mempercepatkan penghantaran atau pemindahan inventori dari gudang di kawasan yang berlainan syarikat ke kawasan yang terjejas.
Kaedah menggunakan LLM mengikut cara yang dibincangkan dalam artikel ini masih agak baru. Kami menjangkakan teknologi berasaskan LLM untuk menyokong senario membuat keputusan akhir-ke-akhir pada tahun-tahun akan datang. Sebagai contoh, pengguna boleh menerangkan masalah keputusan yang mereka mahu selesaikan dengan mudah difahami bahasa. Ia boleh menjadi masalah pengeluaran tertentu (diberi rangkaian kemudahan pengeluaran yang kompleks, bila dan di mana untuk menghasilkan produk tertentu), atau masalah peruntukan inventori (diberikan inventori terhad di gudang, bagaimana untuk memperuntukkannya ke pelbagai kedai untuk memaksimumkan permintaan). Teknologi hari ini boleh menjana model dan cadangan matematik sedemikian, tetapi mengesahkan sama ada model dengan betul memaparkan persekitaran perniagaan tetap menjadi cabaran.
Mengatasi halangan
Oleh kerana perusahaan mula mengadopsi LLM dalam pengurusan rantaian bekalan, mereka perlu mengatasi pelbagai halangan untuk menyebarkannya dengan berkesan.
Penggunaan dan latihan. Menggunakan LLM untuk mengoptimumkan rantaian bekalan memerlukan bahasa yang sangat tepat. Sebagai contoh, jika pengguna bertanya, 'Bolehkah kita menggunakan kilang yang lebih baik?' Istilah 'lebih baik' boleh mempunyai pelbagai tafsiran: mengurangkan kos, meningkatkan throughput, mengoptimumkan throughput dalam tempoh masa, dan lain -lain. Setiap tafsiran akan membawa kepada keputusan yang berbeza. Oleh itu, kakitangan latihan yang menggunakan sistem adalah penting. Perancang mungkin perlu menerima latihan untuk bertanya soalan yang lebih tepat, sementara kakitangan pengurusan dan pentadbiran mungkin perlu memahami keupayaan dan batasan teknologi berasaskan LLM.
Atas sebab -sebab ini, Microsoft secara beransur -ansur menggerakkan teknologi baru ini, sementara alat yang diperkenalkan sebelum ini untuk menjawab soalan hipotetikal hanya menyokong satu set soalan biasa. Syarikat akan memantau interaksi pengguna, ketepatan, dan mekanisme sandaran, dan secara beransur -ansur mengembangkan liputannya. Para perancang telah menerima latihan yang relevan dan sudah biasa dengan set masalah yang kini disokong oleh alat tersebut.
pengesahan. Teknologi LLM kadang -kadang mengeluarkan kandungan yang salah, jadi cabaran biasa adalah bagaimana membuat teknologi berjalan "di landasan", iaitu, untuk mengenal pasti kesilapan dan kembali ke landasan. Syarikat -syarikat kini menangani cabaran ini dengan menyediakan contoh -contoh khusus domain yang kaya untuk LLM untuk meningkatkan ketepatan outputnya dan menambah mekanisme untuk mengenal pasti pertanyaan yang tidak disokong terlebih dahulu. Sebagai contoh, jika seseorang menimbulkan soalan yang tidak disokong, sistem berasaskan LLM akan memberikan jawapan lalai seperti "Malangnya, saya tidak dapat membantu anda menyelesaikan masalah ini. Anda boleh menyemak soalan -soalan berikut." Sudah tentu, kesukaran mengesahkan ketepatan meningkat dengan kerumitan output. Sebagai contoh, jika kita meminta LLM untuk menjana program matematik yang lengkap untuk membuat pelan pelaksanaan yang dioptimumkan dari awal, bagaimanakah sistem mengesahkan kebenarannya? Bagaimanakah kita dapat memastikan bahawa program ini dapat menjana pelan optimum dalam masa yang munasabah? Isu-isu terbuka ini masih memerlukan penyelidikan lanjut.
Tenaga kerja baru. Dengan pelaksanaan teknologi LLM yang sangat automatik, peranan pengurus dan perancang juga akan berubah. Perancang tidak akan lagi terlibat dalam proses pembuatan keputusan yang rawan manusia dan memakan masa, tetapi akan dapat memohon teknologi LLM untuk memberikan lebih banyak pandangan mengenai teknik perancangan rantaian bekalan dan menjelaskan cadangan mereka. Ini akan meningkatkan kepercayaan pengguna dan meningkatkan penggunaan cadangan alat dengan ketara. Di Jabatan Perolehan, masa untuk pekerja membuat kontrak baru juga akan dikurangkan. LLM akan dapat merancang kontrak untuk kategori produk tertentu dan memberikan maklumat prestasi masa lalu pembekal yang berbeza untuk membantu pengurus memilih pembekal yang sesuai.
Dalam erti kata lain, menggunakan tenaga kerja berasaskan alat LLM dapat mengalihkan tumpuan kerja dari tugas-tugas berulang harian kepada tugas-tugas nilai tambah, seperti berfikir secara strategik mengenai pelbagai aktiviti rantaian bekalan, atau bekerjasama secara dalaman di seluruh kawasan berfungsi dan dengan pembekal dan pelanggan luaran. Sebagai contoh, perancang permintaan boleh bekerjasama dengan perancang perdagangan yang bertanggungjawab untuk pemasaran, harga, dan diskaun untuk memahami kesan perdagangan terhadap ramalan permintaan. Berdasarkan pengalaman kami, kerjasama ini tidak wujud di kebanyakan organisasi. Sudah tentu, cabaran di sini adalah untuk memastikan bahawa kepimpinan memecah halangan jabatan yang berfungsi dan menyesuaikan proses perniagaan untuk memudahkan kerjasama.
Walaupun terdapat cabaran di atas, kami masih percaya bahawa dalam masa terdekat, teknologi berasaskan LLM akan mengubah pengurusan rantaian bekalan, meningkatkan kecekapan, ketahanan, produktiviti, dan ketepatannya. Ia akan melengkapkan teknologi rantaian bekalan hari ini, membolehkan perancang untuk berinteraksi secara langsung dengan alat rantaian bekalan tanpa memerlukan saintis data atau jurutera. Perusahaan akan dapat mengautomasikan sejumlah besar proses rantaian bekalan dan juga membuat yang baru, seperti dengan mengintegrasikan proses perdagangan dan ramalan. Malah, integrasi ini akan membentuk sistem pengurusan rantaian bekalan tertutup, di mana jabatan perdagangan, rantaian bekalan, dan kewangan akan bekerjasama untuk membangunkan pelan bekalan yang memenuhi semua matlamat dan keperluan perniagaan dan kewangan. Dalam masa beberapa tahun, teknologi berasaskan LLM benar -benar akan merevolusikan pengurusan rantaian bekalan.
Ishai Menache, Jeevan Pathuri, David Simchilevi, Tom Linton|Teks
Isay Menash adalah pengurus penyelidikan kolaboratif dalam kumpulan pembelajaran dan pengoptimuman mesin di Microsoft Research. Jiwan Paturi adalah pengurus umum dan pengarah kerjasama kejuruteraan perisian untuk bahagian rantaian bekalan awan Microsoft. David Senge Levy adalah profesor William Barton Rogers di MIT, ketua Makmal Sains Data MIT, dan angka yang terkenal di Accenture. Tom Linton adalah seorang perunding kanan di McKinsey dan sebelum ini berkhidmat sebagai Ketua Perolehan dan Pegawai Rantaian Bekalan di Flex.
