החלת למידה עמוקה כדי אופטימיזציה של לוגיסטיקה ותהליכי הנדסת שרשרת אספקה

יסודות למידה עמוקה בשרשרת האספקה

למידה עמוקה התפתחה כטכנולוגיה טרנספורמטיבית בהנדסת שרשרת האספקה, מעבר לשיטות סטטיסטיות מסורתיות להתמודד עם נתונים מסיביים, גבוהים ממדים עם מערכות יחסים לא לינאריות מורכבות.בבסיסה, למידה עמוקה משתמשת ברשתות עצביות רב-שכבות - ארכיטקטורות כמו רשתות עצביות אבולוציה (CNN) עבור נתונים מרחביים, רשתות עצביות חוזרות ונשנות (RNs) והופכים לנתוני אטומים, ואוטומטיים עבור מודלים אלה לעתים קרובות יכול לחסל את התכונות של זיהוי ידני.

בהקשר של שרשרת אספקה, מקורות נתונים מגוונים בשפע: רשומות עסקאות היסטוריות, הזנות חיישן בזמן אמת ממכשירים IoT, תמונות לוויין עבור מזג אוויר ותנועה, אותות מדיה חברתית לביקוש רגיש, ומסמכים לא מבנים כמו חוזים ומשלוחים.מודלים למידה עמוקה מקיפים את הקלטים המגוונים הללו כדי לחשוף דפוסים שאינם נראים לעין האנושית או לאלגוריתמים פשוטים יותר.

אימוץ למידה עמוקה בלוגיסטיקה הוא מאיץ כמו מחשוב ענן וחומרה מבוזרת GPU הופכת לנגישה יותר.שחקנים מרכזיים כמו אמזון, DHL ו- UPS כבר שילבו למידה עמוקה לפעילות הליבה שלהם, החל מ- Robot-picking במחסנים ועד לחידוש דינמי של ציי אספקה. ובכל זאת חברות שיווק באמצע-השוק עדיין חוקרות את הכדאיות וחוזרות על מאמר זה בוחן את ההשפעה הכי גדולה, מכשולים, ומכשולים משותפים, ומכשולים מתקדמים, אך ורקמותיים, ומכשולים מתקדמים, אך הן קיימות, אך הן טכנולוגיות, הן קיימות, הן קיימות, והן למטרות טכנולוגיות, והן למטרות טכנולוגיות, והן למטרות טכנולוגיות, אך הן קיימות.

יישומים מהירים של Deep Learning ב- Logistics ושרשרת אספקה

טכניקות למידה עמוקות מוחלות על כל צומת של שרשרת האספקה - ממיקור חומרי גלם ועד אספקה של מייל אחרון. להלן הם המקרים הנפוצים ביותר וגבוהים ביותר, כל אחד מהם נתמך על ידי מחקרים מקרה וממצאים עמיתים.

דרישות ואופטימיזציה של ממציא

תחזית הביקוש החיזוי היא סלע של ניהול מלאי יעיל.מודלים מסורתיים של זמן כמו ARIMA או מאבק חלק עם הדפוסים הלא סדירים שנגרמו על ידי קידום, חגים, אירועים מזג אוויר, ופעולות תחרותיות.מודלים למידה עמוקה - במיוחד לטווח קצר ארוך (LSTM) רשתות ארכיטקטורות מבוסס-משנה - יכולים ללכוד תלות לטווח ארוך ורב-תחומי בו-זמנית.

במחקר שפורסם בשנת 2022 ב- FLT:0IEEE עסקאות על הנדסה ניהולית 1:1, מודל LSTM מופחת חיזוי על ידי 35% בהשוואה ל- ARIMA עונתי עבור קמעונאית רב-לאומית עם 2,000 SKUs. דוגמא נוספת: 2WalmartFLT 3, משתמשת במערכת למידה עמוקה שדוחפת נתונים, אירועים מקומיים, חברותיים, ו-15% מאבטחת מלאי, תוך הפחתה של 15% מהמכירות של 15%.

על ידי הטמעת תחזיות הביקוש ישירות לתוך מערכות של חידוש, חברות יכולות לרכוש הזמנות ומחסנים, שחרור מתכננים להתמקד יוצאים מן הכלל האסטרטגיים.עבור חברות עם אלפי SKUs ו echelons מרובים, תחזית מבוססת למידה עמוקה גם מאפשר תחזיות הסתברותיות (למשל, 80% ביקוש) כי טוב יותר ליידע החלטות מבוסס סיכון.

אופטימיזציה של כביש ודיסקפטצ'ן דינמי

אופטימיזציה של כביש התבססה היסטורית על שילוב אלגוריתמים כמו בעיית מכירות הנסיעות (TSP) או תכנות מגבילה.בעוד יעיל עבור תרחישים סטטיים, הם נאבקים עם שינויים בזמן אמת - תאונות דרכים, הזמנות הרגע האחרון, או הפסקות רכב. Deep חיזוק למידה (DRL) מציע שינוי פרדיגמה: סוכן לומד מדיניות כי כל הזמן להסתגל לסביבה על ידי ביצוע פעולות (למשל, הקצאה של רכב מבוזר).

UPS הפעילה מערכת מבוססת DRL בקרן ה-Oilion שלה (על-Road Integrated Optimization andניווט) פלטפורמה, שחוסכת על 10 מיליון גלונים של דלק בשנה וצמצום פליטות CO2 ב-100,000 טון מטרי.התהליכים ברשת העצבית חיים נתוני תנועה, נפח החבילה, ולוח הזמנים של תנועת הנהג כדי להתאים מחדש רצף אופטימלי כל חמש דקות.

מעבר לתחבורה המסורתית של הכביש, למידה עמוקה משמשת לייצור צי (האם אתה לפרוס ואן או מזל"ט) ולמיקרו-מטווח האחרון שבו כתובות אינן עקביות או חלונות משלוח הדוקים.הטכנולוגיה היא חזקה במיוחד כאשר בשילוב עם ראיית מחשב: מצלמות על כלי רכב משלוח יכולים לזהות מסלולי נסיעה חסומים או מקומות חניה זמינים, להאכיל נתונים בחזרה למנוע החסימה.

אוטומציה וחזון מחשב

מחסנים מודרניים הופכים להיות יותר ויותר אוטונומיים, ולמידה עמוקה היא המוח מאחורי הקלעים של דגמי ראיית מחשב - לעתים קרובות מבוסס על YOLO (אתה רק נראה פעם) או מסיכה R-CNN - מאפשר לרובוטים לזהות, לסווג ולתפוס פריטים של צורות שונות, גדלים ואריזות. לדוגמה, FLT:0OcadoFalve 1LT:1, הגדלים המקוונים בבריטניה, משתמשים ב-99 של רובוטים של למידה עמוקה יותר מפלט, כדי להשיג דיוקים, כדי להשיג דיוק של 99.5%.

בנוסף לבחירת הרובוטיקה, בקרת למידה עמוקה היא בקרת איכות: מצלמות על דגלי חגורת העברה או מוצרים פגומים, בעוד מודל זיהוי אנומלי מזהיר מפעילי כלי רכב פוטנציאליים.יש צורך נוסף אופטימיזציה - באמצעות כללי איסוף היסטוריים והתאמה למוצר כדי להמליץ על היכן שיש לאחסן מלאי כדי למזער את זמן הנסיעה.

למידה עמוקה גם משפרת את בטיחות העבודה.זרומי וידאו של מעקב נבדקים בזמן אמת כדי לזהות התנהגויות לא בטוחות (למשל, עובדים שאינם לובשים כובעים קשים, להגיע למכונות). אזהרות ניתן לשלוח למפקחים או לגרום לעצירת מכונה אוטומטית, צמצום פציעות במקום העבודה.שילוב זה של יעילות ובטיחות יוצר מקרה עסקי חזק עבור השקעות אוטומציה.

תחזוקה חיזויית לצי וציוד

לא מתוכנן בזמן תחבורה וציוד טיפול חומרי יכול לעלות עשרות אלפי דולרים לשעה.מודלים למידה עמוק החלים על נתוני חיישן - רטט, טמפרטורה, איכות שמן, מומנט - יכול לחזות ימים או שבועות מראש.בניגוד התראות המבוססות על הסף, רשתות עצביות ללמוד את המעטפה התפעולית הרגילה וזיהוי סטיות עדין כי לפני התמוטטות.

דוגמה בולטת היא השימוש של דיסלקציה:0DHL של למידה עמוקה (ראה: 1) על צי משאיות המשלוח שלה.על ידי הטמעת חיי IoT על מנועים, בלמים, וצמיגים, החברה הפחיתה את אירועי תחזוקה ללא עכבות על ידי 30% וחיי הצמיגים המורחבת ב -15%.המודל מאומנים על נתונים היסטוריים ומשתנים קונטקסטואליים כמו קרקע ועומסים דומים משמשים כלי רכב מודרך (AGk) בתוך מחסנים אוטומטיים בתוך 15%.

תחזוקה חיזויית אינה מוגבלת לכלי רכב. Conveyors, מטיפים ומכונת אריזה נהנים גם.במקרה אחד של ספק לוגיסטי גדול באסיה, רשת אמונה עמוקה (DBN) על תשעה משככי החיישן חזו כישלונות מוטוריים עם 97% דיוק, המאפשר להחליףים במהלך זמן פנוי במקום במהלך פעילות שיא.ה-ROI - נמדדת ללא מגע - הושג בתוך חודשים.

הערכת סיכונים והערכה

רשתות אספקה גלובליות פגיעות לשיבושים מאירועים גיאופוליטיים, אסונות טבע וחוסר יציבות פיננסית.מודלים של למידה עמוקה יכולים לגרד ולנתח נתונים לא ממובנים – מאמרים חדשות, מדיה חברתית, תמונות לוויין של מפעלים, אותות של ספינות – כדי ליצור ציוני סיכון לכל ספק.לדוגמה, מודל NLP מבוסס- NLP מבוסס-היתר עשוי לזהות רגשות שליליים על שיטות העבודה של הספק לפני שמשבר יחסי ציבור הופך להיות.

חברות כמו FLT:0 (FlexFLT:1) משתמשים במערכות כאלה כדי לפקח על הספקים Tier-1 ו- Tier-2 ברציפות.אם ציון סיכון עולה על סף, צוותי רכש מקבלים התראות ויכולים להפעיל תוכניות שקיפות - כגון מיקור כפול או מבולגן.

בצד רכש, למידה עמוקה משמשת לייעל משא ומתן על הצעות וחוזה.רשתות נילי יכולות לעצב את גמישות המחירים של ספקים ולהציע מחירים יעד הממקסמים את החיסכון בעלויות הכולל ללא להקריב איכות.זה יעיל במיוחד בקטגוריות עם עלויות חומרי גלם תנודתיות, כגון מתכות או כימיקלים.

יתרונות משמעותיים והשפעה עסקית

ההבטחה של למידה עמוקה בשרשרת האספקה אינה תיאורטית.על פני תעשיות, חברות מדווחות על שיפורים משמעותיים באינדיקטורים ביצועיים מרכזיים (KPIs) אנליזה של 50 מחקרים של תיק יישום (פורסם ב-FLT:0Journal of Business LogisticsFLT:1, 2023) מצא את השיפורים החציוניים הבאים:

• (FLT:0) ,Forecast דיוק: 1 +25% (הפחתת שגיאות ממוצעות ב- 40%)
• (ב) ,0) , 000 , 000 (המחירים נמוכים ב 15% עד 25%)
• שיעור המשלוח:0 (בשעה 1: 1FLT) 1 +12% (מ-85% עד 95% עבור מאמצים מוקדמים)
• (ב) ,0) , 000 פרודוקטיביות: 1 +30% (באמצעות חישוב שעה עבודה)
• (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מעבר למדדים התפעוליים, למידה עמוקה מאפשרת יתרונות אסטרטגיים.לדוגמה, אות ביקוש מהיר ומדויק יותר מאפשר לחברות לנהל משא ומתן על תנאים טובים יותר עם ספקים או להציע תמחור דינמי ללקוחות.הטכנולוגיה תומכת גם במטרות קיימות: אופטימיזציה למנוע מפחיתה את צריכת הדלק, תחזוקה חיזויית מרחיבה את חיי הנכסים, ומלאי המלאי מפחיתה את הפסולת ממוצרים פגומים או מיושנים.

ראוי לציין כי היתרונות נוטים להיות לא לינארי.מצים מוקדמים לעתים קרובות לראות שלב "פרי הולכים" שבו מודלים פשוטים מספקים ניצחונות מהירים, ואחריו רמה.השגת השלב הבא של שיפור דורש השקעה בתשתיות נתונים, כישרון, ומודל ממשל.עם זאת, עבור רוב הארגונים, העלות הכוללת של הבעלות (TCO) של מערכת למידה עמוקה בלוגיסטיקה יכולה להיות חיובית בתוך 12 חודשים, במיוחד כאשר שירותי הון מבוססי ענן.

אתגרים ו איך להגזים

למרות הפוטנציאל המובהק, חברות רבות נאבקות לעבור מטייס לייצור.הבנת המלכודות הנפוצות היא חיונית לפריסה מוצלחת.

איכות נתונים וזמינות

מודלים למידה עמוקה הם נתונים-hungry.הם דורשים כמויות גדולות של נתונים באיכות גבוהה, מתוייגים.בלוגיסטיקה, נתונים משולשים לעתים קרובות על פני מערכות ERP, מערכות ניהול מחסנים, פלטפורמות טלמטיות, וגליונות מבוזרים. פורמטים לא עקביים, ערכים חסרים, ופעמים לא סטנדרטיות נכשלות ביצועים מודל כיתה.

(FLT:0) Solution: FLT:1 Invest in aמאוחדת האגם נתונים או מרש נתונים כי ingests וניקוי נתונים מכל המקורות. השתמש בטכניקות של הגדלת נתונים (למשל, הדור הסינטטי של ספייקטים ביקוש) כדי לאזן נתונים.עבור תחזוקה חיזויית, שיתוף פעולה עם יצרנים כדי להשיג יומני תווית; כמה מהם מציעים כעת מודלים לפני שירות.

עלויות פיצויים ועלויות

רשתות עצביות עמוקות דורשות GPUs או TPUs, אשר יכול להיות יקר.זמן אמת הקרנה (למשל, עבור קידוד דינמי) דורש גם עצלות נמוכה, אשר עשוי לא להיות מסוגל עם מודלים עמוקים מאוד על מכשירים קצה.

(FLT:0) solution:FLT:1 השתמש בטכניקות דחיסה מודל כמו קוונטיזציה, ריצוף וידע דילול כדי להפחית את גודל המודל תוך שמירה על דיוק. Deploy בהקצאה על חומרה קצה (למשל, NVIDIA Jetson) עבור יישומים רגישים לזמן, ושמורת ענן GPUs עבור הכשרה וחיזוי אצווה.

הסבר ואמון

מנהלי שרשרת האספקה לעיתים קרובות שוללים מודלים "קופסא שחורה" של אספקת החשמל, במיוחד כאשר תחזית מובילה להחלטת מלאי יקרה.

(FLT:0) Solution:FLT:1 יישום טכניקות AI (XAI) עבור הביקוש חיזוי, להשתמש מנגנוני תשומת לב או ערכי SHAP כדי להראות אילו תכונות קלטו את החיזוי.עבור אופטימיזציה של נתיב, לספק "מה אם" השוואה לאלגוריתם הבסיס.מעורבות מומחים בתחום אימות מודל - הם יכולים לגרור התאמות מזעזעות (למשל, גלידה, חיזוי של תאונות) ותאונות נכונות.

כישרון והתנגדות תרבותית

מחסור במדענים ומהנדסי ML עם ידע שרשראות אספקה הוא מחסום גדול יותר, צוותי תפעול עשויים להיות ספקנים לגבי אלגוריתמים על פני השיפוט שלהם.

(FLT:0) Solution:FLT:1 לבנות צוותים בין-תפקודיים הכוללים מדענים, מהנדסי תוכנה ואנשי מקצוע לוגיסטיים. השתמש בגישה "אנושית-ב-the-loop" בתחילה, שם המודל ממליץ על פעולות אך בני אדם מאשרים אותם.עם הזמן, כאמון, הגדלת ההשקעה במיומנות צוות קיים באמצעות קורסים מקוונים (למשל, קורס, מהיר) ופריצה פנימית.

שילוב עם Legacy Systems

חברות לוגיסטיקה רבות פועלות על פלטפורמות ERP או TMS (Transportation Management System) שלא נועדו לקבל אותות בזמן אמת ממודלים למידה עמוקים.נקודות קצה API יכולות להיות מוגבלות, ומחזורי עיבוד אצווה (למשל, עדכונים ליליים) עם הצורך אופטימיזציה רציפה.

(FLT:0) Solution: FLT:1 השתמש אדריכלות של מיקרו-שירותים כדי לפענח את שכבת הלמידה של המכונה מן המערכות המבצעיות.זה מאפשר מודרניזציה הדרגתית ללא גישה קרועה ו-replace. לדוגמה, שרת הסימון מבוסס Python יכול לחשוף APIs כי המורשת TMS קורא בסוף כל מחזור תכנון.

אסטרטגיות לשיפור למידה מוצלח

מעבר מ- PoC ללמידה עמוקה בקנה מידה ארגוני בשרשראות אספקה דורש גישה מובנית המבוססת על חוויות של מנהיגי התעשייה, השלבים הבאים יכולים להגדיל את ההסתברות להצלחה:

1. (FLT:0) אלרגי עם סדרי עדיפויות עסקיות.FLT:1 החל עם בעיה גבוהה, ערך גבוה - למשל, צמצום מניות עבור קטגוריה מוצר הנמכר ביותר - במקום לרדוף אלגוריתמים חיתוך.
2. (FLT:0Build a data tube) 1.FLT1) משקיע 70% ממשאבים בפרויקט על הנדסה בנתונים: ניקוי, תוויות, בניית חנויות תכונה ללא נתונים אמינים, שום מודל לא יספק ערך עקבי.
3. (FLT:0) השתמש באסטרטגיה מודל מקבילה.FreaLT:1) לקבלת החלטות פשוטות, בינוניות גבוהה (למשל, התחדשות אוטומטית), השתמש במודלים קלים יותר כמו XGBoost. Reserve למידה עמוקה למשימות שבהן זיהוי דפוס מורכב הוא באמת נחוץ (למשל, זיהוי מבוסס תמונה).
4. (FLT:0) ,Implement MLOps.FLT:1 המשך ביצועים מודל מעקב, אימון נתונים טריים, וגלגל בחזרה אם דיוק מפלסמות.כלי כמו MLflow, Kubeflow, או Databricks יכולים להתאים את זרימת העבודה הזו.
5. (FLT:0)Measure ROI קפדני.FLT:1 Define ברור מדדי הצלחה לפני הפריסה (למשל, ירידה בעלויות של יותר מדי, עלייה במשלוח בזמן) בהשוואה לקבוצת בקרה (למשל, מחסן אחד או אזור) לבודד את ההשפעה של המודל.
6. (ב) ,0) ,Scale Iteratively.FLT:1 , Prove ערך בתחום יחיד (למשל, דרישה לחיזוי עבור קונסולות), ולאחר מכן להרחיב קטגוריות מוצרים אחרות, גיאוגרפיות ולהשתמש במקרים.

מקרה בנקודת זמן הוא (FLT:0) הפריסה של למידה עמוקה עבור הביקוש לחישה ב-50 מדינות. החל עם טייס בשמנת גלידה (קטגוריה עונתית מאוד, רגישה מזג אוויר), הצוות הראה ירידה של 30% במכירות שאבדו.הם לאחר מכן התגלגלו את המערכת לטיפול ביתי וחטיבות טיפול אישיות, עם פלטפורמת טיפול MLOS מרכזית בניהול מחדש ו ניטור.

כיוונים עתידיים: שרשרת אספקה אוטונומית ומעבר

מסלול הלמידה העמוקה בלוגיסטיקה מצביע על שרשרת אספקה אוטונומית מלאה – שבו מערכות יכולות לחוש, להחליט ולפעול ללא התערבות אנושית.

תאומים ומודלים יצירתיים

תאומים דיגיטליים - העתקים וירטואליים של רשתות אספקה פיזיות - מועשרים עם AI. Deep Learning יכולים לדמות מיליוני תרחישים "מה-אם" (למשל, סגירת נמל בשילוב עם עלייה פתאומית של ביקוש) כדי לזהות את העיצוב הרשת המחודש ביותר.

מודלים שפה גדולים לתקשורת שרשרת אספקה

LLMs כמו GPT-4 ויורשיו מוחלים למשא ומתן על רכש אוטומטי, ליצור תיעוד משלוח, לפרש חוזים ללא טקסט חינם נושא נושא נושא נושא, ולספק שאילתה בשפה טבעית של נתוני שרשרת האספקה (למשל, "מי סיפק בסוף החודש האחרון עבור כל SKUs ב- Class A?"), מאמצים מוקדמים מדווחים על ירידה של 50% בעיבוד זמן ידני.

Reinforcement Learning for Holistic Optimization

בעוד יישומים למידה עמוקה נוכחית נוטים להתמקד בתת-הבעיות הבודדות (לדוגמא, גילוח, מלאי), למידה חיזוק מאפשרת אופטימיזציה מקצה לקצה של שרשרת האספקה כולה. חוקרים ב-MIT הראו מערכת DRL רב-אgent, המתאמת רכש, ייצור והחלטות הפצה, השגת 15% עלויות הכוללות נמוכות יותר בהשוואה לתכנון משולי.

שרשרת אספקה בת קיימא ומרחבית

למידה עמוקה יכולה לתמוך במטרות קיימות על ידי אופטימיזציה הפוכה (מוצרים חוזרים) ושרשרת מחזורית של רשתות מחשב מזהה רכיבים הניתנים להחלפה בסוף אלקטרוניקה, בעוד מודלים חיזוי אופטימיזציה של איסוף דרכים עבור מיחזור. A 2023 דו"ח על ידי FLT:0GartnerFLT:1 צופה כי עד 2026, 30% מהחברות הגדולות ישתמשו ב- AI ליוזמות מעגליות.

מפת דרכים מעשית

עבור מנהלי שרשרת הלוגיסטיקה והאספקה המבקשים לאמץ למידה עמוקה, הנה תוכנית פעולה מגובשת:

• (FLT:0) לברר את מוכנות הנתונים שלך.FLT:1 מקורות נתונים מפה, להעריך שלמות, לזהות פערים.העד את הנתונים בעלי הערך הגבוה ביותר (לדוגמה, נתוני מכירות עסקאות, הזנות חיישן IoT).
• (ב) ,0) ,החזקו שני מקרים של שימוש מהיר ב-win.veFLT ( 1:1) בחרו בעיות שבהן מערכות מבוססות כללים נכשלות, והיכן ההשפעה היא מדידה בתוך רבעון.
• (FLT:0Build a Small, cross-functional Team.cioFLT:1) Include a Data Engineers, a Machine Learning, ומומחה לשרשרת האספקה להשתמש במחברות ענן (למשל, Databricks, Google Vertex AI) עבור כוונון מהיר.
• (FLT:0) ,Establish a משוב לולאה 1 ; ⁇ 1) , § מודל מינימלי קיימא לצד תהליכים קיימים.
• (ב) [העיקר] ב-MLOps מיום 1.03.1, אפילו מודל פשוט יצטרך גירסה, מעקב ושיקום.אל תחכו עד שיש לכם 20 דגמים כדי לנהל.

למידה עמוקה אינה כדור כסף - זה דורש הנדסה קפדנית, מומחיות דומיין, ושינוי ארגוני.אבל עבור חברות להשקיע בחוכמה, התגמולים הם משמעותיים: עלויות נמוכות יותר, רמות שירות גבוהות יותר, ושרשרת אספקה שיכולה להסתגל לעולם יותר ויותר תנודתי.

(ב) לעיין בסקירה מקיפה של FLT:0Min (2020) בכתב העת האירופי של מבצע מחקר מדעי (Operational ResearchFLT:1) ומדריך המתרגל שפורסם על ידי FLT:2DeloitteFLT 3: 3