Упражнения для развития интеллекта
.png "Упражнения для развития интеллекта")
Искусственный интеллект (ИИ) сейчас считается главной технологией, способной совершить прорыв в управлении цепями поставок. По данным компании MHI, которая составляет ежегодный рейтинг цифровых инноваций, способных менять цепи поставок и создавать долгосрочные конкурентные преимущества, в 2023 году ИИ поднялся с пятого места на первое. Результаты опросов Accenture и McKinsey дали похожие результаты.
ИИ способен принести пользу во всех функциях управления цепями поставок: в планировании производства, в грузоперевозках и доставке, управлении запасами и складским хранением, обслуживании клиентов. ИИ предотвратит затоваривание складов (или пустые полки), сократит расходы на перевозки при повышении пунктуальности доставки, улучшит ценообразование на готовую продукцию, сделает планирование производства и дистрибуции более точным, поможет побороть мошенничество в электронной коммерции, сократит число отказов оборудования благодаря предиктивному техобслуживанию, повысит удовлетворенность клиентов и т. п. Разработчики ПО и консультанты регулярно публикуют доклады с названиями «15 лучших способов применения ИИ в логистике», «20 лучших сценариев применения ИИ в цепях поставок» и т. п.
Gartner предсказывает, что к 2026 году более 75% разработчиков приложений для управления цепями поставок встроят в них функции ИИ. А 50% предприятий будут инвестировать в такие приложения (Gartner).
Основные преимущества
Энтузиазм компаний и консультантов объясняется значимым эффектом от ИИ.
Главное преимущество — повышение эффективности и сокращение операционных затрат. Например, на повторяющиеся операции, такие как инвентаризация и составление маршрутов транспортировки, у менеджеров уходит по несколько часов в день, а ИИ сделает это почти мгновенно, причем без ошибок, которые часто совершает человек.
Другое важное преимущество — сквозная видимость цепи. ИИ собирает огромные наборы логистических данных (местонахождение товаров, время доставки, прогнозируемые задержки и дефицит и т. п.) и представляет их в наглядном виде.
ИИ также помогает в повышении удовлетворенности клиентов — обеспечивает своевременную доставку заказов клиенту, ускоряет традиционные складские процедуры, устраняя операционные узкие места в цепочке создания стоимости с минимальными усилиями для достижения целей доставки. А интеллектуальные чат-боты в службе поддержки дадут быстрый и адекватный ответ (на простые вопросы клиентов).
По данным McKinsey, у компаний, раньше всех начавших внедрение ИИ в управление цепями поставок, затраты на логистику оказались на 15% меньше, запасы — на 35% ниже, а качество обслуживания — на 65% выше по сравнению с предприятиями, которые только недавно начали осваивать эти технологии. Согласно другому исследованию McKinsey, внедрение ИИ и машинного обучения в цепи поставок может снизить ошибки прогнозирования наполовину.
По данным Inbound Logistics, трансформация управления цепями поставок производственных предприятий на основе ИИ и машинного обучения к 2024 году даст 20%-ный прирост производительности труда.
Производитель сельхозтехники John Deere использует ИИ для предиктивного технического обслуживания. Компания разработала систему, которая позволяет выявлять потенциальные проблемы с оборудованием до того, как они приведут к поломке. Это помогло John Deere сократить затраты на техническое обслуживание на 20%.
General Electric использует ИИ для улучшения процесса закупок. Компания разработала систему, которая автоматически определяет лучших поставщиков. Это помогло General Electric сократить затраты на закупки на 10%.
Kenco Group — провайдер логистических услуг, имеющий 116 распределительных центров. Обслуживая клиента — крупную фармацевтическую компанию, провайдер столкнулся с трудностями в планировании занятости персонала и объема операций на складах из-за сильных ежедневных скачков, точность ежедневных прогнозов составляла менее 68%. ИТ-специалисты Kenco разработали систему DaVinci AI для прогнозирования объемов операций на основе ИИ. Она предоставляла детальную информацию о ключевых показателях и производительности складских операций практически в реальном времени.
DaVinci AI взаимодействует с имеющимися у клиентов WMS и другими технологическими системами в цепи поставок для сбора внутренних текущих и исторических данных о спросе, сбоях, маршрутах и погоде. Постоянно извлекая или очищая эти данные, алгоритмы ИИ DaVinci генерируют прогнозы заказов, планы управления персоналом и др. Благодаря DaVinci компания Kenco смогла добиться точности прогнозирования заказов в 89%, что на 21 п. п. лучше прежнего, а также значительно повысить эффективность управления персоналом (пример Kenco описан в отчете MHI).
United States Cold Storage (USCS), одна из ведущих компаний США, занимающихся холодовыми цепями, разработала автоматизированный планировщик приемки рефрижераторов, позволяющий точно прогнозировать время прибытия перевозчиков и время, необходимое для их обслуживания в складских доках. USCS установила интеллектуальный планировщик на 26 складах. Эта система прогнозирования на основе ИИ уменьшила перегруженность складских доков, сократила время разгрузки--погрузки на 15% и улучшила обслуживание клиентов на 86%. В результате USCS сэкономила на операциях $1,2 млн за год.
Рынок и проекты
По оценкам компании Research and Markets, к 2028 году мировой рынок искусственного интеллекта в управлении цепями поставок составит $17,5 млрд. Наиболее быстрорастущие сегменты — AIIoT, то есть интеллектуальные периферийные вычисления на устройствах интернета вещей ($6,12 млрд к 2028 году) и облачный ИИ ($3,7 млрд к 2028 году). Рост идет с низкого старта. По оценкам Verified Market Research, рынок ИИ в 2022 году составлял всего $3,2 млрд.
Согласно отчету MHI, более 75% компаний в ближайшие пять лет планируют внедрять разные варианты ИИ в цепях поставок.
Однако реальных внедрений сейчас относительно немного. По данным GEP, в 2022 году аналитику данных в реальном времени применяли лишь 14% респондентов, предиктивную аналитику для предсказания разрывов цепей — 13%, а ИИ для поддержки принятия решений — 28%.
Консультанты объясняют низкую долю реализованных проектов тем, что они длительны и дороги. Они могут стоить и несколько миллионов долларов, и даже несколько десятков миллионов. Консультанты рекомендуют ориентироваться на расходы на внедрение ERP-систем, указывая, что внедрение ИИ в управление цепью поставок обойдется дороже, потому что задействует множество компаний — участников цепи и информационный обмен между многими системами. Согласно отчету ERP Report 2023 компании Panorama Consulting, медианная стоимость внедрения ERP-системы — $625 тыс., медианная продолжительность — 15,5 месяца.
К тому же менеджеры предприятий не знают, что делать с ИИ в повседневной деятельности. По данным Accenture, только в 38% компаний сотрудники умеют пользоваться современными цифровыми технологиями для бизнеса. Наконец, многие предприятия не решаются на комплексные проекты управления цепями поставок на основе ИИ из соображений кибербезопасности и боязни утечки конфиденциальных коммерческих данных.
Как устроены технологии
Итак, у ИИ много разносторонних способностей. Он распознает изображения (поэтому используется в системах машинного зрения), речь, выявляет проблемы, предсказывает спрос, трафик и загрузку, обрабатывает естественный язык (распознает документы и неструктурированные данные), выступает в роли виртуального помощника и управляет самоходным транспортом.
В основе всех этих умений лежат общие подходы и методы. Таксономия методов ИИ включает в себя классификацию, кластеризацию, прогнозирование, вероятностные методы, оптимизацию, логику, а также применение интеллектуальных агентов.
Классификация — это определение, к какой категории или группе категорий принадлежит новое наблюдение. В управлении цепями поставок классификация применялась к таким проблемам, как выявление рисков, категоризация спроса и поставщиков.
Кластеризация похожа на классификацию, однако в отличие от последней пытается сгруппировать набор наблюдений, чтобы выяснить, существует ли между ними какаялибо связь. Алгоритмы кластеризации на основе ассоциативных правил применяются, например, для комплектации заказов и зонирования склада.
Прогнозирование — анализ тенденций и исторических данных для оценки будущего. Самый популярный алгоритм прогнозирования — нейронные сети. В управлении цепями поставок прогнозирование преимущественно используется для предсказания спроса, производственных потерь, срока службы продукта и сроков поставки.
Вероятностные методы (например, байесовские сети и деревья решений) применяются в управлении цепями поставок для задач с неполной или неопределенной информацией. Наиболее популярной реализацией этих методов является выявление и оценка рисков, связанных с поставщиками.
Оптимизация — наиболее популярный метод ИИ в цепях поставок, он практикуется для широкого круга задач, начиная от выбора местоположения предприятия и заканчивая минимизацией запасов и конфигурацией цепи поставок.
Алгоритмы, основанные на оптимизации, начинаются с исходной гипотезы и потом уточняют решение, стремясь сделать его максимально близким к оптимальному.
Логика и рассуждения используются для создания баз знаний и экспертных систем (ищущих решения конкретных проблем) или для категоризации знаний в помощь лицам, принимающим решения. Методы автоматизированного рассуждения часто основаны на нечеткой логике.
Нечеткая логика часто используется, например, при выборе поставщика. Качественные критерии поставщиков, такие как «активное взаимодействие» или «репутация», преобразуются в лингвистические переменные, чтобы их можно было добавить в задачу оптимизации и рассматривать вместе с количественными переменными, такими как стоимость или производственные мощности.
Ключевые элементы ИИ — интеллектуальные агенты, это автономные программные объекты, которые описывают и реализуют диапазон человеческого интеллекта (его пытаются имитировать компьютерные программы). Агенты реагируют на изменения в окружающей среде, рассуждают и способны общаться с другими агентами или людьми--операторами.
Пример — моделирование возникновения восходящей цепи поставок, где интеллектуальным агентам, представляющим поставщиков, ставятся цели минимизации затрат и запасов и они взаимодействуют с другими агентами (как поставщики и покупатели) для достижения этих целей.
Интеллектуальный агент исследует окружающую среду (sensing), чтобы осознать явления (awareness), затем он оценивает дальнейшее развитие явления и решает, какие действия следует предпринять, чтобы привести ситуацию в желаемое им состояние (cognition), а затем автономно предпринимает действия для достижения поставленных целей (autonomy).
Под исследованием, или зондированием (sensing), понимается способность агента цепи поставок собирать данные из различных источников: систем ERP, CRM, датчиков интернета вещей, с меток RFID, GPS-трекеров и т. д.).
Развитие интернета вещей и технологий идентификации породило концепцию «интеллектуального продукта (товара, груза)» в цепи поставок, который способен сообщать о своем статусе заинтересованным сторонам в реальном времени. В цепях поставок умные продукты позволяют клиенту отслеживать ход выполнения заказа, динамически изменять маршруты и графики доставки в случае необходимости (например, при сбое в поставках). Кроме того, компании могут динамически обновлять цены, сроки годности и другие данные о состоянии продукта.
Вот пример управления запасами на базе ИИ в сочетании с другими технологиями: по складам летают дроны и фотографируют товары, хранящиеся на поддонах. ИИ считывает штрихкоды, текст и другую информацию на изображениях и автоматически сравнивает ее с тем, что находится в системе управления складом (WMS), предоставляя менеджерам складов данные о запасах в реальном времени через панель управления.
Благодаря развитию интернета вещей и различных сенсорных технологий все больше компаний внедряют интеллектуальные системы сбора данных и обмениваются данными с партнерами. Так появляются предпосылки для сквозного обмена данными со всеми участниками цепи.
Новые тенденции — использование неструктурированных внешних данных (из соцсетей или просто из общедоступного интернета) для улучшения работы цепи. Соцсети помогают обнаруживать события, которые создают риски для поставок, включая землетрясения, пожары, ураганы, эпидемии, забастовки рабочих, заводские пожары или автомобильные аварии, отмечают исследователи ИИ для цепей поставок.
Крупные организации, такие как Cisco, IBM и Dell, уже давно внедрили системы обнаружения событий с использованием интеллектуального анализа текста для мониторинга глобальных цепей поставок.
В то время как зондирование — это простой сбор данных в цепи поставок, осознание (awareness) — это уже составление общей картины текущего состояния цепи. Осознание включает консолидацию потоков данных и их визуализацию для человека--аналитика.
Самый современный пример таких алгоритмов — виртуальные диспетчерские центры цепей поставок (control towers). Развитием этой концепции являются цифровые двой-ники — компьютерные модели, которые обеспечивают сквозную видимость цепи, а также предоставляют аналитику (результаты моделирования реальных физических активов) (подробнее см. «В зоне полной видимости»).
Познание (cognition) — способность агента в цепи поставок разрабатывать стратегии для перевода цепи в более желательное состояние (в соответствии с ее целями), используя доступные переменные управления. Описательная и предиктивная аналитика представляют процесс осознания (awareness), а предписывающая аналитика — процесс познания.
Особенность процесса познания — извлечение уроков из прошлых решений и постоянная коррекция параметров; в цепях поставок она реализуется, в частности, в функции динамического ценообразования и маршрутизации.
Принятие решений без вмешательства человека (autonomy) — последний элемент в цикле от восприятия до действий. Компании таким образом могут автоматизировать либо повторяющиеся, рутинные решения (ввод данных, электронные закупки), либо решения, требующие анализа большого объема данных, что человек сделать не сможет.
Чаще всего цепи поставок реализуют процессы осознания и познания (а решения по-прежнему принимают сами люди). Немецкая фармацевтическая компания Merck занимается прогнозированием и последующей оптимизацией производства и дистрибуции. Ее первым шагом было развертывание виртуального диспетчерского центра, который отображает в режиме реального времени показатели цепи поставок вплоть до SKU. Данные поступают с датчиков заводских машин и из ERP-системы компании SAP и затем передаются алгоритмам машинного обучения, которые анализируют их и выдают прогнозы с учетом внешних данных, таких как погода, стихийные бедствия, тенденции в состоянии здоровья пациентов и планы расширения аптечных сетей, где продается продукция Merck Group. Эти прогнозы используются для оптимизации графиков производства и распределения. Ключевая цель автоматизации — предвидение необходимости переноса производства или материалов на разные объекты в зависимости от событий на местных рынках. Компания сообщила, что отклонения прогнозов от реальных значений сократились более чем на треть, а общие запасы снизились на 5–10% без ухудшения качества обслуживания.
Другой пример: компания Boeing оптимизировала сервисное обслуживание самолетов в клиентских авиакомпаниях за счет прогнозирования, какие детали выйдут из строя с наибольшей вероятностью. Склад запчастей пополняется узлами и деталями, которые выйдут из строя в первую очередь. А невостребованные запчасти со склада изымаются. Клиенты сообщают, что услуги Boeing по предиктивному техническому обслуживанию авиакомпаний приводят к сокращению проблем с ремонтами на 80%.
Одним из немногих секторов, где нужны автономные решения с поддержкой ИИ, является производство по индивидуальным заказам потребителей. Оно берет данные, генерируемые каждым отдельным потребителем, и предлагает индивидуальные продукты, используя распределенные цепи поставок с относительно небольшими потоками товаров. Такому производству нужен весь цикл процессов ИИ, включая автономию, чтобы потребительский спрос можно было быстро использовать для оптимизации конфигурации цепи поставок и потоков запасов.
Например, компания Graze.com предлагает услуги по подписке для доставки снеков потребителям, они поставляются в упаковке, разработанной для каждого конкретного клиента. Компания интегрировала базу данных CRM со сторонними сервисами, такими как сервис карт лояльности Sainsbury’s Nectar, что позволило Graze улучшить понимание потребительского спроса. Graze создала полностью интегрированную платформу, которая комплектует коробки с закусками на основе предпочтений клиентов, выбирая из миллионов возможных комбинаций.
Творческий подход
В 2022 году чат-бот ChatGPT, сочиняющий тексты докладов, программные коды, эссе, аналитические записки и т. п., популяризировал идею применения генеративного ИИ в бизнесе. Как показал запуск ChatGPT, генеративный ИИ способен изменить целые отрасли, включая отрасль цепей поставок. Рынок генеративного ИИ для цепей поставок к 2030 году по сравнению с 2023 годом вырастет почти в 14 раз, подсчитали эксперты из Precedence Research.
Консультанты утверждают, что генеративный ИИ совершит прорыв и в управлении поставками. Компания Accenture выделяет четыре области применения генеративного ИИ в снабжении.
- Закупки. Генерирующий ИИ может превратить каждый запрос на покупку в разговор, используя внутренние и внешние данные, чтобы направлять бизнес--пользователей к нужным каналам для их конкретных потребностей (то есть предпочтительные поставщики, цены, условия). Генеративный ИИ может обеспечить огромный прирост эффективности при выполнении сложных запросов на закупку, выполнение которых раньше могло занимать часы.
- Управление поставщиками. Чат-бот с генеративным искусственным интеллектом можно использовать для взаимодействия с поставщиками, для оценки доступности их ресурсов, связанных с ними рисках и т. п. Генеративный ИИ может выявлять проблемы поставщиков и разрабатывать решения для обсуждения на совещаниях с ними.
- Категорийный менеджмент и подбор стратегических поставщиков. Технология может ускорить наполнение информационных панелей категорийных менеджеров данными о рынках и продуктах — из множества внутренних систем и платформ закупок, а также из внешних источников. Он предоставит в реальном или близком к реальному времени информацию о трендах по ключевым категориям. ИИ поддержит и процесс выбора поставщика, анализируя широкий спектр данных о нем.
- Управление рисками. Генерирующий ИИ может отслеживать риски в режиме реального времени и предлагать планы их смягчения. Предположим, отдел закупок хотел приобрести товар у предпочтительного поставщика в определенном регионе. ИИ может обнаружить растущую напряженность в этом регионе и рекомендовать заказать сырье или комплектующие в другом месте, где у компании есть альтернативные поставщики. Большие языковые модели также можно использовать для оценки условий контрактов между несколькими поставщиками, повышения эффективности, пересмотра условий и рационализации.
Консультанты из EY утверждают, что генерирующий ИИ применим практически в любой функции управления предприятиями: прогнозировании спроса, планировании, производстве, управлении запасами, логистике и техобслуживании.
- С помощью генеративного ИИ можно создавать оптимальные уровни запасов, графики производства и планы распределения для эффективного удовлетворения потребительского спроса.
- Генеративный ИИ составит производственные планы, спланирует последовательность операций и рационально распределит ресурсы, чтобы минимизировать узкие места и оптимизировать производство.
- Генеративный ИИ по запросу произведет оценку рисков, моделирование сценариев и стратегии смягчения последствий, чтобы помочь планировщикам минимизировать эти риски.
- Он способен вести переговоры с поставщиками о ценах, скидках и сроках поставок (ритейлер Walmart уже успешно внедрил такую технологию). Помимо переговоров генеративный ИИ дает возможность улучшить отношения с поставщиками и управление ими, рекомендуя, что делать дальше (продлять контракт, менять условия или отказываться от сотрудничества).
- Производственные компании обучают модели на своих собственных наборах данных, а затем просят ИИ найти способы повышения производительности и эффективности.
- Прогнозное обслуживание — еще одна область, где генеративный ИИ может помочь определить конкретные машины или линии, которые с наибольшей вероятностью выйдут из строя в ближайшие несколько часов или дней.
- Генеративный ИИ способен оптимизировать глобальную торговлю. Он проанализирует множество переменных, включая тарифы, таможенные правила, торговые соглашения и стоимость доставки, чтобы предложить наиболее эффективные и экономически выгодные торговые маршруты и стратегии.
- Для логистических операций одной из основных задач является маршрутизация в режиме реального времени. Генеративный ИИ способен постоянно обновлять и оптимизировать маршруты доставки или получения товаров в зависимости от меняющихся факторов, таких как условия дорожного движения, погода и приоритет доставки.
Компании уже экспериментируют с новой технологией. В апреле 2023 года американский разработчик ПО для обеспечения видимости цепей поставок project44 представил умный чат-бот Movement GPT, который отвечает на вопросы грузоотправителей. «Покажите мне все мои грузы, на доставку которых повлияла погода в Северной Европе». «Какова стоимость хранения этих партий?» «Есть ли у меня более надежные варианты маршрутизации для отправки следующей партии грузов?»
Джетт МакКэндлесс, основатель и генеральный директор project44, сообщил, что языковая модель была обучена на накопленных project44 больших данных, собранных в результате отслеживания 1 млрд клиентских грузов, доставлявшихся через 181 страну. По словам МакКэндлесса, этот проект стал первым в мире ассистентом для менеджеров цепей поставок на основе генеративного ИИ — и первым значимым шагом к цепям поставок, функционирующим автономно, без вмешательства человека.
Полные версии вы можете приобрести в Издательском доме НИУ ВШЭ