Tedarik Zincirinde Derin Öğrenmenin Temelleri

Derin öğrenme, lojistik ve tedarik zinciri mühendisliğinde dönüştürücü bir teknoloji olarak ortaya çıktı, uzaysal verilerin ötesinde hareket eder, sayısal olmayan verilerle yüksek boyutlu veri kümeleri karmaşık olmayan ilişkilerle hareket eder.Temelde, derin öğrenme çoklu katmanlı sinir ağları kullanır - konvolual ağlar gibi mimariler (CNNs) genellikle geleneksel limitler için bilgisayar öğrenme ihtiyacı ortadan kaldırır.

Bir tedarik zinciri bağlamında, veri kaynakları çeşitli ve boldur: tarihsel işlem kayıtları, gerçek zamanlı sensör IoT cihazlardan beslenir, hava ve trafik için uydu görüntüsü, talep algılama için sosyal medya sinyalleri ve makroekonomik göstergeler gibi önceden tahmin edilebilir.Bu tür kopyalanan modeller insan gözlerine görünmez veya daha basit algoritmaların ortaya çıkmasını sağlamak için. Örneğin, tema dışı veriler, tanıtım takvimleri ve makroekonomik göstergeler, promosyonlar gibi önceden tahmin edebilir.

Lojistikte derin öğrenmenin benimsenmesi bulut bilişim ve GPU-aksel donanım daha erişilebilir hale geliyor. Amazon, DHL ve UPS, temel operasyonlarına, robot destekli teslimat filolarına dinamik olarak geri yüklemeye yönelik temel engellere ve stratejik yollara entegre etti.

Lojistik ve Tedarik Zincirinde Derin Öğrenmenin Temel Uygulamaları

Derin öğrenme teknikleri tedarik zincirinin her yerinde uygulanır - son mil teslimatına ham madde kaynaklarından. Aşağıda, vaka çalışmaları ve hakem bulguları tarafından desteklenen her bir vaka vardır.

Talep Tahmini ve Teşvik Optimizasyonu

Doğru talep tahminleri verimli envanter yönetimi yataklarıdır. ARIMA veya üst düzeye çıkarma mücadeleleri gibi geleneksel zaman serisi modelleri promosyonlar, tatiller, hava olayları ve rekabetçi eylemler. Deep learning models - özellikle uzun kısa süreli bellek (LSTM) ağları ve dönüştürücü tabanlı mimariler - aynı anda birçok ortak değişkenle mücadele edebilir.

2022 yılında yayınlanan bir çalışma:0)IEEE Transactions on Engineering Management[Dönetici: 1 ), LSTM modeli, her mağazada güvenlik stok seviyelerini ayarlamak için% 35 azalttı, 2.000'lik bir başka örnek: [[DFLT:2).Walmart)En büyük hava verileri, yerel takvimler ve sosyal medya duygularını% 35 oranında azalttı.

Talep tahminlerine doğrudan yenileme sistemlerine yer vererek, şirketler risk bazlı envanter kararlarına odaklanmayı daha iyi bilgilendirebilir.For Companies with binlerce SKUs and multiple echelons, deep learning-based tahminler de olasılıksal tahminlere olanak sağlar (örneğin, yüzde 80'lik talep) daha iyi bilgilendirici envanter kararlarına odaklanmayı sağlar.

Rota optimizasyonu ve Dinamik Dispatch

Rota optimizasyonu tarihsel olarak seyahat eden satışçı problem (TSP) çözücüler veya kısıt programlama için etkili olsa da, trafik kazaları, son dakika siparişleri veya araç arızaları ile mücadele ediyorlar. Deep Support learning (DRL) sürekli olarak eylemleri yaparak çevreye uyum sağlayan bir politika öğrenir (örneğin, bir araç için teslimiyet tayin eder (örneğin, trafik kazaları, son dakikalar, son dakikalar, yüksek çözünürlükte).

UPS, ORION'da DRL tabanlı bir sistem uyguladı (On-Road Integrated Optimization and Navigation) platformu, yılda 10 milyon galon yakıt tasarrufu ve CO2 emisyonlarını 100.000 metrik tonlarla eşleştirmek için derin öğrenme yöntemi kullandı.

Geleneksel yol taşımalarının ötesinde, filo kompozisyonu için derin öğrenme kullanılır ( van veya bir drone dağıtmanız gerekir?) ve son mil mikro-routing için adreslerin tutarsız veya teslimat pencereleri sıkı olduğu. Teknoloji, özellikle de bilgisayar vizyonu ile birlikte güçlü: teslimat araçlarıyla ilgili kameralar sürücü yollarını veya mevcut park noktaları tespit edebilir, mayınlama motoruna geri beslemeyi sağlar.

Depo Otomasyon ve Bilgisayar Vizyon

Modern depolar giderek daha bağımsız hale geliyor ve derin öğrenme, brawn. Bilgisayar vizyonu modellerinin arkasındaki beyindir - genellikle YOLO'ya dayanmaktadır (Sadece Bir kez bak) veya Maske R-CNN - robotların çeşitli şekilleri, boyutları ve paketleme öğelerini tespit etmesini sağlar, örneğin,FLT:0Ocado, İngiltere merkezli online bir markete dayanan, bir bin arsa kullanarak, engellerin ve öğe tanımasını sağlar.

Robotik koleksiyona ek olarak, derin öğrenme güçleri kalite denetimi: konveyör kemerleri bayrak hasarlı veya yanlış etiketli ürünler üzerinde kameralar, biromali tespit modelleri uyarı operatörleri potansiyel ekipman başarısızlıklarına karşı uyarı yapar. Başka bir uygulama da slotlama optimizasyonudur - tarihi seçim verileri ve ürün eşleme kuralları kullanarak, envanterin seyahat süresini en aza indirmek için depolanmalıdır. Amazon'un “RoboStow” sistemi CNN'leri uzay kullanımlarını ve dinamik olarak yeniden atamak için kullanır.

Derin öğrenme ayrıca işgücü güvenliğini geliştirir. Şaşırtıcı video akışları, güvenli olmayan davranışları tespit etmek için gerçek zamanlı olarak analiz edilir (örneğin, makinelere ulaşmak için sert şapka giymez). Uyarılar denetçilere veya otomatik bir makine durdurmasına neden olabilir, iş yaralarını azaltır. Bu verimlilik ve güvenlik kombinasyonu depo otomasyon yatırımları için güçlü bir iş davası oluşturur.

Filo ve Ekipman için Öngörücü Bakım

Ulaşım ve malzeme işleme ekipmanlarında planlanmamış kesinti süresi saatte on binlerce dolara mal olabilir. Sensör verileri için uygulanan Deep learning modelleri - vibrasyon, sıcaklık, petrol kalitesi, tork - başarısızlık günleri veya haftaları önceden tahmin edebilir.

Önemli bir örnek şu:0)DHL'nin derin öğrenme kullanımı[[DFLT:1], nakliye kamyonlarının filosunda bulunan IoT sensörleri, frenler ve lastikler, şirket depolarda% 30 ve genişletilmiş lastik hayatını azaltır.

Predictive bakım araçlarla sınırlı değildir. taşıyıcılar, sorters ve paketleme makineleri de fayda sağlar. büyük bir Asya lojistik sağlayıcısından bir durumda, dokuz sensör beslemesinde 9 motorda motor hataları tahmin etti, sabit operasyonlar yerine planlanan kesintiler sırasında planlanan kesintiler yapılmasını sağladı. ROI - aylarca elde edildi.

Tedarikçi Risk Değerlendirme ve Satın Alma

Küresel tedarik zincirleri jeopolitik olaylardan kesintiye uğrayacak, doğal afetler ve finansal istikrarsızlık. Derin öğrenme modelleri yapılandırılabilir ve yapılandırılmamış verileri analiz edebilir - haber makaleleri, sosyal medya, fabrikaların uydu görüntüleri, gemilerin AIS sinyalleri - her tedarikçi için risk puanları oluşturmak için. Örneğin, bir pazarlama krizinden önce bir tedarikçinin iş uygulamaları hakkında olumsuz duygular tespit edebilir.

FRAZE:0)Flex[DÜT:0) (eski Flextronics) bu tür sistemleri Katman-1 ve Tier-2 tedarikçilerini sürekli olarak izlemek için kullanır.Eğer bir risk puanı bir eşiği aşıyorsa, tedarik ekipleri uyarı alır ve aynı zamanda dual-sourcing veya envanter tamponlama gibi etkinleştirebilir.

Satın alma tarafında, derin öğrenme, faturaları ve sözleşme müzakerelerini optimize etmek için kullanılır. Neural ağlar tedarikçilerin fiyat elastikliğini modelleyebilir ve kaliteli ödün vermeden toplam maliyet tasarruflarını en üst düzeye düşüren hedef fiyatları önerebilir. Bu özellikle metal veya kimyasallar gibi kategorilerde etkilidir.

Sayılar ve İş Etkisi

Tedarik zincirlerinde derin öğrenme vaadi teorik değildir. Across endüstriler, şirketler anahtar performans göstergelerinde önemli gelişmeler rapor eder (KPIs). 50 uygulama vaka çalışmaları hakkında bir meta-analiz (başlangıçta yayınlanır:0)Gazete'nin ) aşağıdaki medya gelişmeler bulundu: 2023)

  • [0]Forecast doğruluk:[[Dönemli:% 25)
  • [FONT:0)Inventory dönüşleri: [Dönder:% [DDDDDDD:% 15-25)
  • [0]On-time teslimat oranı: [Dönetici:% 65 ila% 95 arasında erken evlat alımı için% 95'e kadar)
  • [FONT:0)Warehouse üretkenliği: [Dönetici:% 30 (iş saat başına gelen)
  • [0]Equipment uptime:[Dönetici:% 8 (önleyici bakım)
  • [0]Transportasyon birim başına maliyet:) -% 10 (geçmiş ve konsolidasyona dayalı)

Operasyonel ölçümlerin ötesinde, derin öğrenme stratejik avantajları sağlar. Örneğin, daha hızlı, daha doğru talep sinyali şirketlerin tedarikçilerle daha iyi pazarlık etmelerine veya müşterilere dinamik fiyatlandırma sunmalarına izin verir. Teknoloji ayrıca sürdürülebilirlik hedeflerini destekler: gecikme optimizasyonu, yakıt tüketimini azaltır, tahmin edilebilir bakım varlık ömrünü azaltır ve envanter optimizasyonu, süresiz veya eski mallardan atıkları azaltır.

Bu faydaların doğrusal olmayan olması eğilimine değer vermeye değer. Erken kabulcüler genellikle lojistikte derin bir öğrenme sistemi olan “düşük meyve” aşamasını görürler, özellikle de bir sonraki iyileştirme aşamasının veri altyapısı, yetenek ve model yönetimi gerektirdiğinde.

Uygulama Challenges ve How to Overcome Them

Açık potansiyele rağmen, birçok şirket pilottan üretime taşınmaya mücadele ediyor. Ortak tuzakları anlamak başarılı bir dağıtım için gereklidir.

Data Quality and Sayı

Derin öğrenme modelleri veriye uygun. Yüksek kaliteli, etiketli verilerin büyük hacimlerini gerektirir. Lojistikte, veriler genellikle ERP sistemleri, depolama yönetim sistemleri, telematik platformlar ve yayılabilir formatlar, eksik değerler ve standart olmayan zamanlar gibi - büyük bir liman grevi gibi - eğitim verilerinde sıklıkla silinir - siyah domuz kesintileri sırasında başarısız olmak için modeller.

[[Dönetici: [Dönetici: [Dönetici:0) Tüm kaynaklardan gelen ve temizlenen verileri içeren birleşik bir veri gölü veya veri ağlarında yatırım yapmak.Data augmentasyon teknikleri (e.g., sentetik talep artışları) dengelemek için, tahmin edici bakım için, ekipman üreticileriyle işbirliği yapmak için bir hizmet olarak önceden eğitim verilen modeller sunar.

C ⁇ Maliyet ve Latency

Derin bir sinir ağları GPU veya BTC'leri gerektirir, bu pahalı olabilir. Gerçek zamanlı inference (e.g., dinamik routing) ayrıca düşük geçncy talep eder, bu da kenar cihazlarda çok derin modellerle anlaşılabilir olabilir.

[FONT:0)Solution:[[Dönetici: [Dönetici: 0 3) Boyutlu Hesaplama, modelleme ve bilgi, doğruyu korumak için modellemeyi gerektirir.Demokrattama (Cumartesi Jetson) her iki kez hassas uygulamalar için test etmek ve rezerv bulutları kullanın. Ayrıca, eğitim ve toplu tahmin için transfer öğrenme: iyi bir ön eğitim gibi (res veya BERT) bir ön lisanslama modeli (örneğin, uygulamadan eğitim almak yerine, kesme ve maliyet.

Açıklanabilirlik ve Güven

Tedarik zinciri yöneticileri genellikle “kara kutu” modellerini ayırmıyor, özellikle de tahmin pahalı bir envanter kararına yol açıyor. Bazı endüstrilerde düzenlemeler de otomatik kararlar için açıklamalar gerektirir.

[[Dönetici: [Dönetici: [Dönetici: 0] Uygun olmayan AI (XAI) teknikleri veya SHAP değerlerinin hangi giriş özelliklerini gösteren tahminleri doğruladığını göstermek için kullanılır.For Rota optimizasyonu için, “if” karşılaştırmaları modellemede bulunan alan uzmanlarına kıyasla - dikkat çekici korelasyonlar (örneğin, kazalar hakkında bilgi sahibi olabilirler.

Yetenek ve Kültür Direnişi

Tedarik zinciri bilgisi ile veri bilim adamları ve ML mühendislerinin eksikliği büyük bir engeldir. Dahası, operasyonlar takımları yargılarını aşırılama algoritmalarının şüpheciliği olabilir.

[FONT:0) Solution:[Dönetici: [Dönetici:0)) Modelin eylemleri tavsiye ettiği ama insanlar, online dersler aracılığıyla mevcut personele yatırım yaparak (örneğin, Dersra, Hızlı.ai) ve iç hackathons.

Legacy Systems ile entegrasyon

Birçok lojistik şirketi, ERP veya TMS (Transportasyon Yönetimi Sistemi) platformlarında, derin öğrenme modellerinden gerçek zamanlı sinyalleri almak için tasarlanmamış ve API uç noktaları sınırlı olabilir ve toplu işleme döngüleri (örneğin, gece güncellemeler) sürekli optimizasyona ihtiyaç duyan çatışma.

[FONT:0) Solution:[Dönetici:[Dönetici:0))[[Dönetici:0)) Solution:[[Dönetici:[Dönetici))) Bir Python tabanlı inferans sunucusu, her planlama döngüsünden makine öğrenme katmanını bölmek için orta sınıf yazılım veya mikro hizmetler mimarisini kullanabilir.

Başarılı Derin Öğrenme için Stratejiler

Bir PoC'den tedarik zincirinde kurumsal olarak derin bir öğrenme, yapısal bir yaklaşım gerektirir. Endüstri liderlerinin deneyimlerine dayanarak, aşağıdaki adımlar başarı olasılığını artırabilir:

  1. [FONT:0]İş öncelikleri ile birlikte hareket eder.[[Dönetici: 1 ) Yüksek değerli bir problemle başlayın - e.g., stokları en çok satan bir ürün kategorisi için azaltın - kesme algoritmaları kovalamaktan ziyade.
  2. [[Dönetici:0) İlk önce sağlam bir veri hattı inşa edin.[Dönetici: temiz, etiketlendirme ve bina özelliği mağazaları inşa etmek. güvenilir veriler olmadan, hiçbir model tutarlı değer verecektir.
  3. [FONT=0] Basit, yüksek hacimli algılama kararları için (örneğin, otomatik-replenishment), XGBoost gibi daha hafif modeller kullanın.
  4. [FONT=0]Implement MLOps.[[Dönetici: 0 ) Sürekli olarak model performansı, taze veriler üzerinde yeniden eğitim ve MLD'ler gibi araçlar, MLflow, Kubeflow veya Databricks gibi araçlar bu iş akışlarını otomatikleştirebilir.
  5. [FONT=0) ROI'yi titiz bir şekilde kabul etmek; Dağıtımdan önceki net başarı ölçümleri (örneğin, aşırı fiyatta azalma, kesinti süresine karşı) bir kontrol grubuna karşı karşılaştırma (örneğin, depoya veya bölgeye) modeli izole etmek.
  6. [FONT:0]Scale iteratif olarak.[[Dönetici: 1 ) Tek bir alanda (örneğin, sınırlılar için tahmin), sonra diğer ürün kategorilerine genişletin ve vakaları kullanın.

Bir durumda, soğuk bir kategoriye giriş yapmak için sistemin bakım ve kişisel bakım bölümlerine yönelik %30 azaltımı gösterdi. 50 ülkedeki bir pilotla başlayın (çok mevsimsel, hava duyarlı bir kategori), takım kayıp satışlarda% 30 azaltımı gösterdi.

Future: Özerk Tedarik Zinciri ve Öteki

Lojistik noktalarında tamamen bağımsız tedarik zincirlerine yönelik derin öğrenme yörüngesi - sistemlerin insan müdahalesi olmadan mantıklı ve karar verebilir ve hareket eder. Birkaç ortaya çıkan trend bu geleceği şekillendirir:

Dijital Twins ve Generative Model

Dijital ikizler - fiziksel tedarik zincirlerinin sanal kopyaları - jeneratif AI ile zenginleştirilmiştir. Derin öğrenme, milyonlarca “if” senaryoyu (örneğin, aniden bir artışla birlikte bir liman) en dayanıklı ağ tasarımını tanımlamak için kullanılabilir. Generative adversarial ağları (GANs) diğer modellere bağımlılık oluşturmak için kullanılır, az gerçek dünya örneklerine bağımlılığı azaltır.

Tedarik Zinciri İletişimi için Büyük Dil Modelleri

GPT-4 gibi LLM'ler ve onların ardılları, tedarik müzakereleri için uygulanır, ücretsiz metin taşıyıcı sözleşmelerini yorumlayın ve tedarik zinciri verilerini doğal olarak sorgulayın (örneğin, “ Kategori A’daki tüm SKU'lar için geçen ay teslim edilen tedarikçi, ilk kabul edilenler manuel belge işleme zamanında %50 indirim rapor eder.

Holistic Optimizasyonu için Dondurma Öğrenme

Mevcut derin öğrenme uygulamaları, satın alma, üretim ve dağıtım kararları ile karşılaştırıldığında çok sayıdaki DRL sistemine odaklanma eğilimindeyken, takviyeli planlamaya kıyasla% 15 daha düşük maliyete ulaşır.

Sürdürülebilir ve Geometrik Tedarik Zinciri

Derin öğrenme, geri dönüşümlü lojistik (dönüşümlü ürünler) ve geri dönüşüm zincirlerini optimize ederek sürdürülebilirliği hedeflerini destekleyebilir. Bilgisayar vizyonu, son derece elektroniklerde yeniden kullanılabilir bileşenleri tanımlarken, tahmin edilebilir modeller koleksiyon rotalarını yeniden optimize eder.A 2023 raporu tarafından [[Dönemli Ürünler:0)Gartner).

Başlayın: Pratik Bir Yol Haritası

Lojistik ve tedarik zinciri liderleri derin öğrenmeyi arıyorlar, burada bir koncise eylem planı:

  • [FONT:0) Veri hazırlığınızı Etkiliyor.[[Dönetici: 0 3) Harita veri kaynakları, tamlığı değerlendirin ve boşlukları tanımlayın. en yüksek değerli verileri (örneğin, işlemsel satış verileri, IoT sensör beslemeleri).
  • [FONT:0] İki hızlı kullanım vakalarını düzeltmeyin.) Kural tabanlı sistemlerin başarısız olduğu ve hangi etkinin çeyrekte ölçülebilir olduğu sorunları seçin.
  • [FONT:0] Küçük, çapraz işlevli bir takım inşa edin.[DÜT:1] Bir veri mühendisi, bir makine öğrenme uzmanı ve bir tedarik zinciri domain uzmanı. Bulut defterlerini kullanın (örneğin, Databricks, Google Vertex AI AI) hızlı prototipleme için.
  • [[Dönetici:0)Bir geri bildirim döngüsüne tabi olarak yorumlanır.[DDD:0) Mevcut süreçlerle birlikte en az uygulanabilir bir model çalıştırın.Kullanıcı geri bildirimlerini toplayın ve gerçek sonuçlara karşı tahminleri karşılaştırın.
  • [FONT:0]PKKOps'ta bir gün içinde var.[Dönetici:0) Basit bir model bile sürüme, izlemeye ve yeniden eğitimlere ihtiyaç duyacak. 20 modele kadar beklemeyin.

Derin öğrenme bir gümüş mermi değildir - titiz bir mühendislik, alan uzmanlığı ve organizasyon değişikliği gerektirir. Ancak, akıllıca yatırım yapan şirketler için ödüller önemlidir: daha düşük maliyetler, daha yüksek hizmet seviyeleri ve giderek daha değişken bir dünyaya adapte olabilecek bir tedarik zinciri. Teknoloji olgunlaşır ve daha erişilebilir hale gelir, yenilikçiler ve laggardlar arasındaki boşluklar artık genişleyecektir.

Daha fazla okuma için, Avrupa Operasyon Araştırmaları Dergisi'nde ([Dönetici Araştırma Dergisi) ve Deloitte) tarafından yayınlanan uygulayıcı kılavuzunu ifade edin.