Текст книги "Нейронные сети в маркетинге, электронной коммерции, планировании производства и логистике"

VIII Являются ли нейронные сети и глубокое обучение следующей большой тенденцией цепочки поставок?

8.1 Технологии – это путь вперед для устойчивой цепочки поставок будущего. Глубокое обучение и искусственные нейронные сети: обзор

Технологии – это путь вперед для устойчивой цепочки поставок будущего

Технологии – это путь вперед для устойчивой цепочки поставок будущего. К настоящему времени ваша цепочка поставок должна быть знакома с технологиями – независимо от того, начинаете ли вы цифровую трансформацию своей организации или уже успешно внедряете несколько технологий Индустрии 4.0.

Технологии – это путь вперед для устойчивой цепочки поставок будущего. Но что вы на самом деле знаете о новых технологиях, призванных привести вашу цепочку поставок в это технологическое будущее? Например, о чем вы думаете, когда слышите слова «нейронные сети» или «глубокое обучение»? Если вы недоверчиво покачали головой или вашим первым желанием было сказать что-то о человеческом мозге, следующее изложение – для вас.

Глубокое обучение и искусственные нейронные сети: обзор

Говорить об одной из этих технологий – значит говорить о них обеих. Глубокое обучение (Deep learning – Dl) – это часть машинного обучения, связанная с созданием алгоритмов, которые, как вы уже догадались, питают нейронные сети.

Искусственные нейронные сети (Artificial Neural Networks – ANNs) представляют собой адаптируемые системы нейронов, состоящие из алгоритмов, которые сложным образом взаимодействуют друг с другом. Эти взаимодействия сравнивают с взаимодействиями между нейронами в головном мозге, отсюда и использование термина «нейрон».

Они учатся, собирая данные и пропуская их через алгоритмы глубокого обучения в своей конфигурации. Это те же алгоритмы, которые используются в системах обработки естественного языка и схеме распознавания голоса в вашем смартфоне. Это также те же алгоритмы, которые контролируют фильтрацию, используемую на платформах социальных сетей, чтобы контролировать то, какой контент вы видите.

8.2 Как нейронные сети произведут фурор в глобальной цепочке поставок. Решающее значение на современном быстро меняющемся рынке имеет адаптивность

Как нейронные сети произведут фурор в глобальной цепочке поставок

Теперь вернемся к вашей основной задаче – управлению цепочками поставок. Как DL и ANNs повлияют на ваш повседневный рабочий процесс? Какие этапы вашей цепочки создания стоимости могли бы получить наибольшую пользу от некоторой оптимизации? Несоответствие спроса и предложения из-за неточности прогноза, вероятно, окажется в верхней части этого списка, и это одна из областей, которая должна быть нарушена. Когда клиенты не получают то, что они хотят, когда они этого хотят, они склонны перебегать к конкуренту.

Когда вы задействуете многоуровневый анализ и вычислительную мощность искусственных нейронных сетей, в результате резко сокращается несоответствие между тем, что вы производите, и тем, что требуют ваши клиенты. Нейронные сети могут предоставлять более точную информацию на основе всех доступных данных в рекордно короткие сроки.

Это связано с несколькими уровнями взаимодействия между алгоритмами, которые одновременно принимают и обрабатывают различные потоки данных. Это отличается от более распространенного поколения алгоритмов машинного обучения, в которых один вход ведет к одному выходу.

У планировщиков достаточно работы, чтобы не иметь дело с результатами неточного ручного прогноза спроса. Когда вы позволяете алгоритму анализировать прошлые покупательские привычки клиентов, текущие рыночные тенденции и даже погодные условия, вы получаете максимально точный прогноз. А благодаря множеству входных данных вы можете запускать алгоритмы для постоянно свежей информации, позволяющей вам адаптироваться и разворачиваться в любой момент, чтобы идти в ногу со своими потребителями и опережать своих конкурентов.

Решающее значение на современном быстро меняющемся рынке имеет адаптивность

Потребительские рынки нестабильны даже в лучшие времена. Модели покупок сильно меняются от сезона к сезону, казалось бы, по прихоти. И сегодняшний рынок совсем не типичен, поскольку последствия глобальной пандемии еще не полностью осознаны. Настроить себя на устойчивость при движении вперед будет обязательно, чтобы выжить в грядущей неизвестности, не говоря уже о процветании.

Искусственные нейросети способны самостоятельно «поворачиваться», основываясь на том, что они узнают, поглощая ваши потоки данных.

Основное внимание алгоритмов глубокого обучения уделяется созданию систем, способных учиться как на повседневной деятельности, так и на ошибках и решениях.

В качестве примера использования предположим, что вы вводите в свою нейронную сеть данные о продажах за прошлый год, прогноз спроса на текущий квартал и прогнозы потребительских закупок по всему миру. Затем вы можете воспользоваться полученной информацией и скорректировать уровень запасов на другом складе или перенаправить контейнеровозы в другой порт захода, чтобы найти продукт более стратегически.

Вуаля! Вы только что сократили время доставки, потому что теперь склад будет расположен ближе к вашим покупателям, а это значит, что клиенты будут довольны. Выполнение этого в рамках сокращенного цикла, скажем, в 30 дней означает, что вы сможете идти в ногу с меняющимися условиями в режиме реального времени, и вам больше никогда не придется наверстывать упущенное.

8.3 Распознавание образов – это больше, чем просто поиск Уолдо. Объяснимый искусственный интеллект – это будущее, и оно почти наступило

Распознавание образов – это больше, чем просто поиск Уолдо

Вы, вероятно, знаете идею распознавания образов из детских книг «Где Уолдо?». (или «Где Уолли?» в зависимости от вашего местоположения). В этих книгах есть серия изображений, изображающих Уолдо в его фирменном свитере и шляпе, где-то среди хаоса уличных сцен. Как долго вам потребуется их распознавать?

Представьте, насколько быстрее работает нейронная сеть, работающая на алгоритмах, которые могут выполнять вычисления в тысячи раз быстрее, чем ваш мозг может выполнить ту же задачу. Способность поглощать горы, а мы имеем в виду терабайт за терабайтом, данных и получать полезные идеи в режиме реального времени – это распознавание образов в совершенно новом масштабе. В процессе изучения того, что вы хотите распознать, – скажем, потребительские тенденций в Океании, – алгоритмы, лежащие в основе вашей искусственной нейронной сети, извлекают лакомые кусочки, которые ускользнули бы от человеческого глаза, и используют их для составления прогнозов, с которыми никто никогда не сможет сравниться.

Объяснимый искусственный интеллект – это будущее, и оно почти наступило

Объяснимый искусственный интеллект – это термин, используемый для описания ситуации, когда человек может указать не только то, какие данные вошли в алгоритм, но и то, как этот алгоритм пришел к результатам, которые он сделал. Данные больше не будут загружаться в черный ящик кода только для того, чтобы на другом конце получить кажущиеся необъяснимыми результаты. Хотя эти результаты могут быть именно тем, что вам нужно, вы не имеете ни малейшего представления о том, каким образом они были достигнуты.

Поскольку искусственные нейронные сети (Artificial Neural Networks – ANNs) работают по той же модели, что и человеческий мозг, который изучался в течение нескольких поколений, мы можем поднять процессы и внутреннюю работу на уровень, на котором любая аудитория сможет понять, что именно послужило причиной создания идей, которые они сейчас используют для оптимизации цепочки поставок.

Будь то управление запасами, маршрутизация логистической сети или планирование спроса, будущее за глубоким обучением и нейронными сетями.

IX Использование нейросетей в сфере логистики

9.1 Бурной расцвет компьютерных технологий автоматического интеллектуального анализа данных. Цепочки поставок и нейронные сети

Бурной расцвет компьютерных технологий автоматического интеллектуального анализа данных

Компьютерные технологии автоматического интеллектуального анализа данных находятся на  этапе бурного расцвета. Это связано, главным образом, с потоком отличающихся новизной идей, исходящих из области компьютерных наук, образовавшейся на пересечении таких вещей как теория баз данных, статистика и искусственный интеллект.

Элементы автоматической обработки и анализа данных фактически превратились в неотъемлемую часть концепции электронных хранилищ данных и зачастую именуются в данном контексте data mining (добыча знаний из данных).

Цепочки поставок и нейронные сети

Цепочкам поставок в последние годы уделяется значительное внимание. Искусственные нейронные сети (NN) – это метод, доступный в искусственном интеллекте (AI), который имеет много сторонников из-за наличия разнообразных приложений, поскольку их можно использовать для движения к полной гармонии.

NN, новый метод искусственного интеллекта, имеет сильную привлекательность для широкого спектра приложений для решения многих проблем, связанных с цепочками поставок.

В одном из исследований [10] вводятся NN и объясняется использование этого метода в пяти функциях, определенных областями цепочки поставок, включая оптимизацию, прогнозирование, моделирование и симуляцию, кластеризацию, поддержку принятия решений, и возможность использования NN в управлении цепочками поставок. Результаты исследования показали, что приложения NN в SCM (Supply Chain Management – управление цепочкой поставок) все еще находятся на стадии разработки, поскольку не хватает авторов, чтобы сформировать сильную групповую силу в исследовании приложений NN в SCM.

Компания может иметь запасы, такие как сырье, комплектующие, полуфабрикаты или конечные продукты. Они могут удерживаться по таким причинам, как создание буферов для борьбы с неопределенностью спроса и предложения, использование преимуществ меньшего количества покупок с большими объемами и снижение транспортных расходов. В последнее время многие исследователи сосредоточились на разработке моделей, которые призваны устранять запасы и отражать затраты на управление запасами в цепочке поставок.

9.2 Люди используют нейронные сети в ответ на наличие областей, так или иначе требуюЩИХ привлечения машинного интеллекта. Нейронные сети широко используются в различных сферах

Люди используют нейронные сети в ответ на наличие областей, которые так или иначе требуют привлечения машинного интеллекта

Люди используют нейронные сети в ответ на наличие областей, которые так или иначе требуют машинного интеллекта. Их приемлемая производительность с точки зрения скорости и точности прогнозирования тенденций на финансовых рынках, идентификации по почерку или пластических взрывчатых веществ в багаже пассажиров самолетов сделала их известными как уникальную AI– технику. Неудивительно, что возможности нейронных сетей неизбежно преувеличивались.

Однако этот инструмент способен устранить неопределенность в управлении запасами. В одном из исследований была введена обобщенная нейронная сеть, а затем были исследованы некоторые из ее применений в управлении цепочками поставок [10]. Было обнаружено, что нейронные сети являются лучшими инструментами для применения других методов, таких как экспертные системы, математическое планирование, моделирование и т. д. Наконец, были обсуждены проблемы, приведшие к недостаточной производительности нейронных сетей.

За последнее десятилетие в мире бизнеса произошло много изменений в управлении поставщиками, и корпоративная зависимость от поставщиков стала более значительной, чем когда-либо. В то же время компании сталкиваются со многими товарами, которые необходимо закупить, и с потенциальными поставщиками. Кроме того, учитывая различные требования, одна и та же политика выбора разных поставщиков не кажется разумной. Необходимость в дополнительных политиках гласит, что нужны различные товары для покупок и (соответственно) поставщики.

Нейронные сети широко используются в различных сферах

Нейронные сети широко используются в различных сферах, особенно в менеджменте

Цепочка поставок состоит из разных частей. Целью управления цепочками поставок является управление каждым из этих компонентов. В этом отношении нейронные сети помогли решить проблемы цепочки поставок. На основе исследований было рассмотрено количество статей, в которых говорилось об использовании искусственных нейронных сетей для решения проблем цепочки поставок. Результаты показали, что [10]:

наибольшее количество статей в этой области в 2009, 2017 и 2018 годах составило 13, 24 и 27 соответственно. В середине 2022 года было опубликовано 26 статей, и благодаря использованию нейронных сетей прогнозируется, что количество научных продуктов в области цепочек поставок значительно возрастет.

Основным элементом нейронной сети является математически смоделированный искусственный нейрон, созданный Маккаллохом и Питтсом. Ими было показано, как работает искусственный нейрон. Каждый нейрон имеет несколько входов и один выход. Каждый вход умножается на предопределенный весовой коэффициент

Затем выход определяется математической функцией f (x), представляющей собой сумму произведения входных данных и весовых коэффициентов. Следовательно, то, как имитируется конкретная клетка мозга, определяется вычислением.

Предположим, что искусственный нейрон с небольшой разницей в сочетании весовых коэффициентов и n (f) создан для одного и того же набора входных данных. В данном случае вывод может быть несколько иным. Это может показаться относительно простым, но когда эти преобразования соединяют неподходящие топологии с подходящими факторами выбора, они создают основу для надежной вычислительной парадигмы. Большинство исследований нейронных сетей и их приложений сосредоточено на изучении сетевых топологий и определении весовых коэффициентов.

9.3 Нейронные сети используются для решения задач в разных областях. Слабые места нейронной сети

Нейронные сети используются для решения задач в разных областях

Доказано, что при решении задач классификации и регрессии с учетом нелинейности связи между входными и выходными переменными можно эффективно оценить любую функцию при определенных условиях. Благодаря этим возможностям нейронные сети используются для решения задач в разных областях, таких, например, как прогнозирование временных рядов. В частности, было показано, что эти сети имеют выдающиеся результаты при использовании их для прогнозирования.

Слабые места нейронной сети

Слабые места нейронной сети бывают двух типов. Первый недостаток заключается в том, что нейронные сети могут предоставлять решения, которые не способствуют пониманию пользователя; это существенный недостаток при сравнении нейронных сетей с экспертными системами. Постепенно исследователи пытаются преодолеть эту проблему.

Второй недостаток заключается в том, что часто сложно получить ценные качественные данные для правильного обучения нейронных сетей. Иногда необходимые данные труднодоступны; во многих случаях информация доступна, но то, как она управляется, полностью нарушает процесс. К сожалению, этот процесс иногда приводит руководство к мысли, что данная уникальная особенность описана или рассчитана неправильно.

9.4 Технология RFID

Технология RFID

В последние годы была разработана новая технология, называемая радиочастотной идентификацией (RFID), которая содержит необходимую информацию, такую как код продукта и указание производителя. Технология будет генерировать бесчисленные данные о бизнесе, которые можно считать богатой основой для использования в нейронных сетях. Это исследование предложило структуру, включающую восемь новых областей исследований для SCM и интеграции NN-методов. Структура исследования описывает преимущества интеграции NN для достижения эффективности в SCM.

Последние мысли

Нейронные сети по-прежнему очень ориентированы на практическое использование и значительные улучшения в инженерии, хотя они продолжают оставаться мощной технологией. С точки зрения управления цепочками поставок в одном из исследований [10] предложено несколько аспектов, которые могут внести значительный вклад в развитие нейронных сетей.

Одним из наиболее важных аспектов управления цепочками поставок является усиление координации участвующих в цепочке компаний – для снижения затрат и повышения удовлетворенности клиентов за счет своевременной доставки. Также одном из исследований [10] было показано, что нейронные сети могут давать более точные результаты, такие как простой прогноз, среднее значение, скользящее среднее и даже превосходный метод линейной регрессии, чем традиционные методы. В этом исследовании, основанном на классификации проблем цепочки поставок, было акцентировано внимание на применении искусственных нейронных сетей в каждой из проблем и способах их решения с помощью искусственных нейронных сетей.

Согласно результатам, наибольшее количество опубликованных статей по теме решения задач цепочки поставок с использованием искусственной нейронной сети приходится на прогнозирование спроса, выбор поставщиков и проектирование логистических сетей. Наименьшее количество опубликованных статей приходится на управление рисками и запасами.

Таким образом, можно сделать вывод, что решению проблемы управления рисками и управления запасами в цепочке поставок с помощью искусственных нейронных сетей уделяется меньше внимания, и это можно считать темой для будущих исследований. Также было объяснено, что из-за различных ограничений и возможностей разных инструментов интеграция искусственных нейронных сетей с другими существующими методами может привести к улучшению результатов.

Считается, что отрасль может воспользоваться этим вдохновляющим инструментом, чтобы стратегии, предлагаемые технологией, можно было использовать для улучшения управления. Следует оценить методы и приложения методов нейронных сетей в управлении цепочками поставок. Для оценки эффективности и полезности следует использовать многокритериальные методы принятия решений.

Поскольку искусственные нейронные сети работают по той же модели, что и человеческий мозг, которая изучалась на протяжении поколений, мы можем поднять процессы и внутреннюю работу на уровень, который сможет понять любая аудитория, и перейти к созданию идей для оптимизации своей цепочки поставок.

Глубокое обучение и нейронные сети – будущее управления запасами, маршрутизации логистической сети и планирования спроса. Цифровая цепочка поставок будущего будет в основе своей стратегической платформой.

Благодаря предоставлению больших данных и сквозному электронному соединению глобальных цепочек поставок, нейронные сети и искусственный интеллект будут использоваться для любого желаемого приложения цепочки поставок. Это даст глубокое понимание SCM за счет интеграции с NN и вдохновит менеджеров на изучение будущих предложений.

Будущие исследования могут расшириться, объединив другие направления SCM.

X Задачи в цепочке поставок, для решения которых можно использовать нейронные сети

10.1 Задача оптимизации. Задача управления транспортом «точно в срок»

Задача оптимизации

Это похоже на установку ограничений. Предположим, что существует набор условий, целью которого является получение набора, удовлетворяющего всем ограничениям и минимизирующего функцию стоимости. Наиболее ярким примером является задача коммивояжера (TSP).

Сценарий заключается в том, что есть несколько городов; цель состоит в том, чтобы найти кратчайший маршрут, который проходит через все города. Здесь интуитивный подход включает подсчет всех решений, оценку расстояний и определение кратчайшего маршрута. Ясно, что по мере увеличения числа городов возможные комбинации увеличиваются быстрее. Таким образом, основное внимание в исследовании уделяется поиску хорошо оцененного правильного решения.

Опыт показал, что в большинстве случаев наиболее часто используемые ключи являются приемлемыми и почти оптимальными. Поэтому, использование нейронной сети является одним из наиболее распространенных методов поиска оптимальных или близких к оптимальным решений.

Более ранние исследования подтвердили специфическое использование нейронных сетей в TSP: организация мастерских, программирование серийного производства, а также задачи маршрутизации транспортных средств и складов.

Эта концепция связана с управлением цепочками поставок в контексте некоторых основных видов деятельности интегрированной системы логистической аналитики.

Иногда бывает трудно сопоставить производительность разных алгоритмов в отношении задач оптимизации. Тем не менее, способность нейронных сетей к адаптации в настоящее время является увлекательной темой, поскольку первоначальные ограничения могут быть рассчитаны в очень динамичной среде после их возникновения. Это особенно важно в отношении управления цепочками поставок.

Задача управления транспортом «точно в срок»

Управление транспортом «точно в срок» в цепочке поставок демонстрирует, что система должна преодолевать ограничения, возникающие в связи с текущей ситуацией в других центрах в цепочке. В компаниях требуется несколько действий по планированию, чтобы реагировать на такие проблемы, как несогласованность высокого спроса или непредвиденные нарушения. Для соответствующих решений можно использовать нейронные сети.