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

10.2 Задача управления операциями. Задача прогнозирования

Задача управления операциями

Среди успешных применений нейронных сетей – управление операциями, что привело к значительной экономии затрат на складские запасы. В цепочке поставок выявлено несколько особенностей, и для соответствующего решения можно использовать нейронные сети.

Задача прогнозирования

Одной из основных целей координации в цепочках поставок является повышение точности прогнозирования. Методами, обычно используемыми для прогнозирования спроса в цепочке поставок, являются – простой прогноз, усреднение, скользящее среднее, тренд, множественная линейная регрессия и нейронные сети.

Как один из наиболее естественных методов прогнозирования, простые оценки будут использовать последнее достигнутое значение в качестве наилучшего предположения для значения следующего. Прогноз скользящего среднего использует среднее значение определенного количества предыдущих периодов для прогнозирования будущего спроса. Прогнозирование на основе тенденций использует простую регрессионную модель, в которой время рассматривается как независимая переменная.

В последние годы компании осознали важность обмена информацией и интеграции всех заинтересованных сторон в цепочке поставок. Несмотря на эти меры по уменьшению ошибок прогнозирования, ни одна из них не является полной, а ошибки прогнозирования все еще существуют.

Интерактивное прогнозирование позволяет компании и ее поставщику координировать решения путем обмена моделями и стратегиями поддержки, что помогает интегрировать прогнозы и производственные графики. Однако при отсутствии интерактивного прогнозирования компании будут разрабатывать традиционные прогнозы и сроки производства.

Даже если конечный потребительский спрос имеет предсказуемый характер, прогнозирование спроса, когда рынок компании колеблется случайным образом, в этих обстоятельствах можно столкнуться с проблемой, известной как «эффект кнута», которая возникает из-за асимметричной информации. Следовательно, неточное прогнозирование имеет нежелательные последствия для компании и всей цепочки поставок. Поэтому для управления цепочками поставок необходимо точное прогнозирование.

Учитывая специфику нейронных сетей в прогнозировании, предполагается, что такой подход может дать достаточно хорошее решение. Более того, в одной из статей [10] исследователи написали об использовании нейронных сетей для прогнозирования продаж, чтобы сократить запасы и лучше ими управлять.

Модель множественной регрессии предсказывает изменения спроса, используя ряд прошлых наблюдений за спросом в качестве независимых переменных. Эта модель – традиционная. И использование скользящих средних для простого прогнозирования уменьшает эффект кнута. Однако можно ожидать, что передовые методы будут работать лучше, чем более традиционные, по двум причинам: во-первых, передовые методы включают нелинейные модели, которые обеспечивают более точные оценки, чем линейные модели. Во-вторых, из-за поведенческих сложностей ожидается, что в поведении спроса будет значительная доля нелинейного поведения.

Благодаря многочисленным успехам, достигнутым нейронными сетями в прогнозировании показателей финансовых рынков, прогнозирование считается наиболее полезной областью с точки зрения пользователей нейронных сетей. Ссылаясь на различные приложения, представленные в литературе, область применения нейронной сети в прогнозировании довольно широка.

С точки зрения развития, использование нейронных сетей действительно можно увидеть в проектировании сложных систем, которые не ясны и не понятны по правилам, регулирующим действия систем. Наряду с другими методами анализа временных рядов такие системы можно моделировать с помощью экспертных систем и статистических методов. Тем не менее, эти традиционные стратегии не являются преимущественно эффективными из-за «пробелов» в некоторых частях моделей. Это наталкивает на мысль о необходимости применения в прогнозировании нейронных сетей.

Предположим, что конкретная предыдущая информация применяется для оценки поведения конкретной системы, которая используется для обучения нейронной сети. Время отклика системы можно сравнить с другими параметрами. Следовательно, при этом учитывается конкретный шаблон в наборе входных данных, чтобы нейронная сеть могла понять, встречались ли подобные модели ранее. Затем, в зависимости от того, что может произойти, ожидаются фазы – одна или две. Хотя это довольно простое представление о применении нейронных сетей в прогнозировании, за последние годы этот метод оказался зрелой методологией, основанной на различных приложениях.

Шаблон не может быть эффективно разработан в определенных ситуациях, опыт показал, что стратегия нейронной сети может обеспечить более точный прогноз, чем экспертные модели или математические уравнения.

10.3 Задача моделирования. Задача кластеризации поставщиков

Задача моделирования

Для описания динамики цепочки поставок широко использовалась Теория Форрестера. Этот метод сформулирован в анализе цепей поставок с использованием теории системной динамики, предложенной Товиллом [10], обеспечивая значительное улучшение локального принятия решений центром, что влияет на общее представление о цепочке. Для тщательного изучения динамики цепочки поставок также применялось моделирование различных случаев.

Хотя было подтверждено, что оба подхода практичны при разработке и решении проблем с цепочками поставок, все еще существуют о неконтролируемые проблемы. Такие проблемы связаны с нелинейным поведением системы и большим количеством входных и выходных переменных процесса.

При анализе динамических систем оба подхода считаются более или менее классическими. Из эксперимента с нейронной сетью по моделированию, анализу и управлению динамическими системами было обнаружено, что несколько характеристик делают нейронную сеть более привлекательной, чем теория системной динамики. В частности, метод нейронной сети хорошо подходит для проблемных ситуаций. По этой причине нейронные сети широко используются для контроля и моделирования контекстов, в которых теории классовых систем не могут дать удовлетворительных решений.

Использование нейронных сетей в качестве инструмента метаанализа для моделирования изолированных событий – одна из вещей, дающих обнадеживающие результаты.

Задача кластеризации поставщиков

Источник: https://www.slideserve.com/toviel/4-olap-data-mining

Во многих случаях возникает необходимость каким-то образом классифицировать данные или найти в них закономерности. Этого можно добиться, используя как алгоритмы кластеризации и методы нейронных сетей, так и методы обработки нечетких сетей.

А. Н. Сидоревич пишет [13] :

«Кластеризация может быть использована для решения следующих задач: • Обработка изображений • Классификация • Тематический анализ коллекций документов • Построение репрезентативной выборки.

Преимущество нейросетевых методов анализа перед традиционными состоит в том, что методы, использующие нейронные сети, сочетают преимущества итерационности и огромный потенциал в параллелизме алгоритмов решения задач. Кроме того, искусственные нейронные сети изначально ориентированы на обработку многомерных данных.

Решение задачи классификации является одним из важнейших применений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств»

Категоризация поставщиков позволяет различать поставщиков для распределения заказов. Поставщики разбиваются на три группы – желательные, средние и нежелательные – с помощью модели нейронной сети. Выбор правильного поставщика, который может предоставить покупателю нужное качество, цену и своевременный объем, является одним из важнейших действий для построения надлежащей цепочки поставок.

Природа этих решений обычно сложна и неструктурирована. Поставщики являются одним из основных звеньев цепочки поставок, эффективность которых напрямую влияет на удовлетворенность клиентов. Поскольку требования клиентов различаются в зависимости от организации, организации должны учитывать разные критерии при выборе своих поставщиков. В данной области проведено множество исследований с использованием различных критериев и методов.

Концепция кластеризации в сети означает, что несколько серверов одновременно предоставляют одну и ту же услугу, и каждый сервер можно рассматривать как кластер. Конечно, применение и реализация этой концепции в сети имеют много преимуществ. Одним из преимуществ использования кластеризации является ускорение предоставления услуг. Это происходит потому, что когда запрос поступает в кластеризованный набор, если первый сервер не отвечает на запрос, запрос передается следующему серверу (отказоустойчивая кластеризация).

Если все серверы отвечают на запросы без проблем, время обработки запросов распределяется между серверами, что приводит к балансировке нагрузки, а это в конечном итоге приводит к более быстрому времени ответа.

10.4 Задача поддержки при принятии решения. Задача выполнения поиска в базе данных. Задача решения проблем

Задача поддержки при принятии решения

Процесс принятия решений с помощью информационных технологий классифицируют две характеристики. С одной стороны, есть много данных, по которым было принято решение, а с другой стороны, данные, как правило, несовершенны.

Выводы по управлению цепочкой поставок по мере ее развития допускают эти характеристики, если искусственные нейронные сети могут вырабатывать важные решения.

Большинство исследований систем поддержки принятия решений связаны с управлением и анализом данных для поддержки решения. Шаблон индексации данных для повторного владения данными недостаточно ясен в цепочке поставок, которая может распространять данные по всей сети.

Задача выполнения поиска в базе данных

Нейросети идеальны для выполнения поиска в базе данных. Уникальные возможности нейронных сетей в распознавании образов, категоризации данных и самоорганизации сделали их идеальными для выполнения поиска в базах данных. Например, рассмотрим управление цепочками поставок, которое можно было бы быстро сформулировать и проанализировать, используя подход нейронной сети в виде задачи классификации.

Извлечение отношений из данных без предварительного знания о надлежащих моделях для набора данных является еще одним важным аспектом системы поддержки принятия решений. Иногда эту проблему относят к категории неконсервативных.

Задача решения проблем

Дедуктивное обучение нейронных сетей обусловлено их особенностями самоорганизации и обобщения. Поэтому они воспринимаются как очень влиятельный инструмент в решении проблем.

Классические приложения в этой области можно продемонстрировать, применяя нейронные сети для имитации процессов экспертной оценки. При формулировании существуют определенные принципы принятия решения с использованием таких методик, как экспертные системы, когда возникают проблемы или ответы не точны.

10.5 Задача управления функциями цепочки поставок. Задача выбора лучшего поставщика

Задача управления функциями цепочки поставок

Управление функциями цепочки поставок является потенциальной областью применения нейронных сетей

Что касается цепочек поставок, управление функциями цепочки также является потенциальной областью применения нейронных сетей – из-за большого доступного объема данных, но сложного моделирования данных.

В связи с этим для выявления лояльных клиентов во всей цепочке поставок электроники и максимизации общей прибыли цепочки исследователи использовали самоорганизующуюся нейронную сеть для изучения данных о поведении потребителей и их кластеризации [10].

Затем путем выявления особенностей клиентов каждого кластера им предоставляются маркетинговые стратегии, тем самым поддерживая управленческие решения по маркетинговым стратегиям.

Задача выбора лучшего поставщика

Одним из наиболее важных вопросов в цепочках поставок является выбор лучшего поставщика. Существует множество приложений нейронных сетей в управлении процессом выбора поставщика, который может предоставить покупателю продукцию нужного качества по нужной цене, в нужное время и в нужном объеме, это является одним из важнейших действий при создании подходящей цепочки поставок.

Выбор поставщика играет важную роль в производстве и управлении корпоративной логистикой. Многие опытные компании считают, что выбор поставщиков является наиболее важной деятельностью организации. В результате неверные решения по выбору поставщиков будут иметь множество негативных последствий для компании.

Принятие решений и выбор поставщика, по сути, является многокритериальным вопросом. Для большинства организаций это имеет стратегическое значение. Характер таких решений обычно сложен и неструктурирован. Поэтому для прогнозирования значений показателей эффективности для выбора лучшего поставщика целесообразно использование искусственных нейронных сетей.

10.6 Задача использования нейронных сетей в некоторых областях управления цепочками поставок. Задача интегрирования нейронных сетей в промышленную сферу. Задача интеграции нейронных сетей с различными другими стратегиями для решения реальных проблем

Задача использования нейронных сетей в некоторых областях управления цепочками поставок

Хотя использование нейронных сетей в некоторых областях управления цепочками поставок желательно, стоит обсудить и задать вопрос о том, как работать с существующими методами, такими как экспертные системы и другие аналитические подходы. Чтобы ответить на этот вопрос, скажем – нейронные сети – это не альтернатива, а инструмент для дополнения существующих техник. С функциональной точки зрения нейронные сети лучше всего подходят для процедур вызова программного обеспечения, поскольку их можно использовать в любом месте программного обеспечения.

Задача интегрирования нейронных сетей в промышленную сферу

Ожидается, что нейронные сети будут интегрированы в промышленную сферу. В частности, нейронные сети часто объединяют с экспертными системами для создания решений, которые не может обеспечить одна только техника. Например, интеллектуальная система для управления реальным распределением в цепочках поставок может быть разделена на две фазы. Начальный этап заключается в объединении продуктов в группы в соответствии со свойствами, такими как запасы для хранения и природа продукта.

Механизм действия в этот момент относительно прост; таким образом, для этой цели следует использовать силу экспертных систем. В этот момент можно использовать нейронные сети для решения проблем маршрутизации автопарка, чтобы минимизировать расстояние, время, необходимое количество грузовиков для перевозки и т. д.

В обычных интеллектуальных механизмах возможности нейронных сетей не ограничиваются теми, на которые они способны в этих механизмах.

Задача интеграции нейронных сетей с различными другими стратегиями для решения реальных проблем

Способность нейронных сетей сочетаться с современными технологиями имеет решающее значение с промышленной точки зрения. Это позволяет использовать передовые инструменты; это кажется упрощенным подходом к внедрению любой новой технологии. Несколько исследований приложений нейронных сетей рекомендовали использовать решения нейронных сетей для решения интересных технических проблем.

Однако есть общее ощущение, что количество приложений нейронной сети может быть меньше. Поэтому ради их успешного развития в управлении цепочками поставок необходимо осознание известных недостатков нейронных сетей для принятия решения об их использовании.

Литература

1. Michael Brenner

Artificial Neural Networks: What Every Marketer Should Know

https://clck.ru/34NH5H

2. Yaroslava Boyarskaya. How neural networks can change marketing instruments? – https://clck.ru/34PUZJ

3. Neural Networks in Business, Marketing and Life – https://clck.ru/34PUbP

4. NumPy, часть 1: начало работы https://pythonworld.ru/numpy/1.html

5. About Keras – https://keras.io/about/

6. Rémi Devaux. Matt Andrew. How Neural Networks Will Transform the Customer Journey in Digital Marketing

https://martechfunnel.com/how-neural-networks-will-transform-the-customer-journey-in-digital-marketing/

7. How neural networks will transform e-commerce

https://www.cio.com/article/227955/how-neural-networks-will-transform-e-commerce.html

8. CX И UX: В ЧЕМ РАЗНИЦА

https://hsbi.hse.ru/articles/cx-i-ux-v-chem-raznitsa/

9. Siri – https://ru.wikipedia.org/wiki/Siri

10. Ieva Meidute-Kavaliauskiene. Kamil Taşkın. Shahryar Ghorbani. Renata Činčikaitė. Roberta Kačenauskaitė

Reviewing the Applications of Neural Networks in Supply Chain: Exploring Research Propositions for Future Directions

https://www.mdpi.com/2078-2489/13/5/261

11. Brian Hoey. WHY SHOULD PRODUCTION PLANNERS CARE ABOUT EXPLAINABLE AI?

https://blog.flexis.com/production-planners-explainable-ai

12. Jesse Kelber

ARE NEURAL NETWORKS AND DEEP LEARNING THE NEXT BIG SUPPLY CHAIN TRENDS?

https://blog.flexis.com/neural-networks-supply-chain-trends

13. А. Н. Сидоревич АЛГОРИТМЫ КЛАСТЕРИЗАЦИИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

https://clck.ru/34Ny4d

https://elib.bsu.by/bitstream/123456789/179057/1/178-181.pdf

https://www.cio.com/article/227955/how-neural-networks-will-transform-e-commerce.html

https://clck.ru/34L37q

https://clck.ru/34NGyr

https://clck.ru/34NH5H

https://digitaluncovered.com/future-marketing-neural-networks/

Искусственные нейронные сети (Artificial Neural Networks – ANNs

«Фрэнк Розенблатт (англ. Frank Rosenblatt, 11 июля 1928, Нью-Рошелл, Нью-Йорк – 11 июля 1971, Чесапикский залив, США) – известный американский учёный в области психологии, нейрофизиологии и искусственного интеллекта. Родился в Нью-Йорке и был младшим (третьим) ребёнком в семье евреев – выходцев из Российской империи (Лабунь, ныне Хмельницкая область Украины) – социолога и экономиста Фрэнка Фердинанда Розенблата (англ. Frank Ferdinand Rosenblatt, 1882—1927) и социального работника Кэтрин Розенблатт (урождённой Голдинг)». Источники: https://ru.wikipedia.org/wiki/Розенблатт,_Фрэнк и https://www.peoples.ru/science/psihology/frank_rosenblatt/photo.html

Книга М. В. Акулич. Источник: https://clck.ru/34HXmS

Книга М. В. Акулич. Источник: https://ridero.ru/books/raspoznavanie_lic_v_marketinge_i_riteile/

Книга М. В. Акулич. Источник: https://ridero.ru/books/marketing_uderzhaniya_klientov/

Приложение

В Беларуси наблюдается активный рост интереса к нейронным сетям

https://providers.by/2023/04/digest/za-god-populyarnost-nejrosetej-v-belarusi-vyrosla-v-10-raz/

«За последние 5 лет в Беларуси наблюдается активный рост интереса к нейросетям. Всего за год их востребованность в стране увеличилась в 10 раз. Технологии искусственного интеллекта уже применяются в медицине, экономике, логистике и других сферах. А еще Республика привлекает внимание онлайн-сервисов, которые начинают развиваться на её территории. В конце января этого года стало известно, что государственный комитет по имуществу РБ планирует применять в своей работе нейросети. С помощью искусственного интеллекта собираются отслеживать ряд процессов, например, самовольное строительство. Нейросеть сможет искать владельца такой земли и обрабатывать его данные. Логистика Беларуси тоже не стоит на месте – нейросети начали использовать для создания местных маршрутов. В 2019 году в Республике был запущен проект – онлайн-энциклопедия, аудиогид и путеводитель по Кобрину. С его помощью пользователи могут отправиться в 3D-тур и осмотреть главные улицы города, пройти через сквер у площади Ленина к Дворцу культуры и дома-усадьбе Суворова. Использование нейросетей в создании проекта позволило упростить работу с большим объемом данных, а также улучшить материалы для онлайн-туров и построить больше интересных маршрутов. Нейронные сети затронули и сферу здравоохранения. Так, белорусский сервис на основе нейросети позволяет выявлять бессимптомную пневмонию по цифровым снимкам. Эксперты утверждают, что точность предварительного диагноза составляет порядка 91%. Искусственный интеллект на основе 250 тыс. снимков определяет статус патологии и ее вероятность, а врач ставит окончательный диагноз. Также в скором времени на территории Республики планируют запустить оборудование для сортировки мусора. Решение основано на технологиях нейронных сетей, которые автоматически смогут разделять отходы на пластик, дерево, железо, бумагу и другие материалы. Кроме того, интерес к нейросетям в Беларуси растет не только у государственных структур и крупного бизнеса, но и у обычных пользователей. Так за прошлый год показатель увеличился в 10 раз, а за два года, если рассматривать среднее значение за 2021 г., – в 20 раз.

Особенно популярны у аудитории нейросети, c помощью которых можно рисовать. Самые высокие темпы роста по городам относительно плотности населения наблюдаются в Гомеле и Гродно, а в абсолютных значениях – в Минске. Так, по данным Яндекс. Вордстат по Минску в декабре 2022 по ключевому запросу «нейросети» было осуществлено 60 576 показов против 6 016 показов за декабрь 2021 года.

На втором месте по интересу – нейросети, работающие с текстами. За год наблюдается увеличение роста запросов в 10 раз. Стоит отметить, что в Беларуси активно развивается использование нейросетей в рамках онлайн-платформ. Так, нейросеть для работы с текстом ReText.AI, повышающая оригинальность исходного текста до 100%, недавно запустилась и на белорусском языке. Инструмент создан на основе нейросетевых технологий и облегчает работу копирайтеров, PR-менеджеров, журналистов и редакторов за счет грамматических и стилистических преобразований текстового контента. «Наша платформа способна помочь не только бизнесу, но и отдельным людям, например, школьникам и студентам ВУЗов при написании ими рефератов и других работ. А еще сервис отлично справится с сокращением больших текстов. Функция суммаризации позволит сделать краткий анонс, сохраняя главную мысль, изменить пост под социальные сети, а благодаря расширенным опциям – подготовить описание или шапку профиля, сообщение в директ и многое другое», – комментирует представитель сервиса ReText.AI. Нейросети в Беларуси заняли важное место развитии множества сфер: от медицинской до транспортной. Возможности, которые приносят нейронные сети, помогают стране активно развивать экономику, а обычным гражданам и бизнесу – упрощать и совершенствовать рядовые задачи, например, контент для социальных сетей или студенческие работы с помощью ReText.AI. Вероятно, в будущем эта тенденция будет только расти».