تجزیه و تحلیل پیش بینی کننده تدارکات را تغییر می دهد ، اما تغییرات کلیدی فن آوری این تکامل چیست؟ در این مصاحبه ، دیمترو ورنر، یک مهندس ارشد نرم افزار ، بینش هایی در مورد چگونگی تغییر AI ، Cloud Computing و پخش داده های زمان واقعی در حال تغییر شکل مجدد مدیریت زنجیره تأمین است. از غلبه بر چالش های تکه تکه شدن داده ها گرفته تا نقش تصمیم گیری های خودمختار ، Dmytro در مورد آینده هوش مصنوعی در تدارکات بحث می کند و مشاوره شغلی را برای کسانی که به دنبال تخصص در تجزیه و تحلیل پیش بینی کننده هستند ، ارائه می دهد.
مقاله های مرتبط بیشتر را در اینجا کاوش کنید: چگونه AI و Cloud Computing در راه حل های تجاری متحول می شوند
چگونه تجزیه و تحلیل پیش بینی در تدارکات تکامل یافته است ، و چه پیشرفت های کلیدی فن آوری در قابلیت های فعلی آن نقش داشته است؟
تجزیه و تحلیل پیش بینی کننده در تدارکات به طور قابل توجهی تکامل یافته است ، که ناشی از پیشرفت در جمع آوری داده ها ، قدرت محاسبات و یادگیری ماشین است. به طور سنتی ، شرکت ها به داده های تاریخی و پیش بینی دستی برای تصمیمات زنجیره تأمین اعتماد داشتند. امروز ، تجزیه و تحلیل زمان واقعی توسط Big Data ، AI و IoT فعال می شود. پیشرفت های کلیدی شامل محاسبات ابری ، پیش بینی تقاضای هوش مصنوعی و استفاده از دریاچه های داده و ابزارهای پخش مانند Kafka و Spark است. علاوه بر این ، یادگیری عمیق و یادگیری تقویت شده بهینه سازی مسیر ، اتوماسیون انبار و مدیریت موجودی را افزایش داده و باعث می شود تدارکات کارآمدتر و مقاومت در برابر اختلال باشد.
نمونه بارز آمازون است که برای بهینه سازی تدارکات ، تجزیه و تحلیل پیش بینی کننده AI را به وجود می آورد. این شرکت داده های زمان واقعی را از شبکه زنجیره تأمین گسترده خود برای بهبود بهینه سازی مسیر و پیش بینی تقاضا ادغام می کند. مدل های هوش مصنوعی عواملی مانند شرایط آب و هوایی ، الگوهای ترافیک و نوسانات فصلی را برای پیش بینی تاخیر بالقوه و افزایش دقت تحویل تجزیه و تحلیل می کنند. علاوه بر این ، آمازون سرمایه گذاری زیادی در مدیریت ناوگان IoT ، ردیابی عملکرد وسیله نقلیه و بهینه سازی مسیرها برای افزایش راندمان سوخت داشته است. رباتیک های دارای هوش مصنوعی در مراکز تحقق ، مدیریت موجودی و پردازش سفارش را ساده تر می کنند ، به طور جمعی رانندگی لجستیک ، کاهش هزینه و مقیاس پذیری جهانی.
بزرگترین چالش در اجرای هوش مصنوعی برای بهینه سازی زنجیره تأمین چیست و چگونه شرکت ها می توانند بر آنها غلبه کنند؟
یک چالش مهم در پذیرش هوش مصنوعی برای زنجیره های تأمین ، داده های تکه تکه شده در چندین سیستم است و یک دیدگاه جامع عملیاتی را محدود می کند. زیرساخت های منسوخ ، کیفیت ضعیف داده های منبع و مقاومت در برابر تغییر بیشتر اجرای پیچیده.
بسیاری از سازمان ها فاقد تخصص هوش مصنوعی داخلی هستند و اجرای آن را دشوار می کنند. سرمایه گذاری در آموزش AI برای کارمندان و استخدام متخصصان ماهر می تواند به ایجاد این شکاف کمک کند.
برای پرداختن به این چالش ها ، شرکت ها باید حاکمیت داده های قوی را ایجاد کنند ، دریاچه های داده مبتنی بر ابر را اتخاذ کنند و فرهنگ نوآوری را پرورش دهند. همکاری با سیستم عامل های تدارکات AI محور و محاسبات Edge Edge برای بینش در زمان واقعی می تواند ادغام هوش مصنوعی را تسریع کند. علاوه بر این ، یک رویکرد افزایشی-شروع با پروژه های خلبانی AI قبل از استقرار در مقیاس کامل-می تواند ROI را نشان دهد و خرید ذینفعان را بدست آورد.
چگونه Data Lake و فن آوری های پخش مانند Kafka ، Spark و AWS Glue تجزیه و تحلیل در زمان واقعی را در تدارکات فعال می کنند؟
دریاچه های داده و فن آوری های جریان برای تجزیه و تحلیل در زمان واقعی اساسی هستند و امکان پردازش و تجزیه و تحلیل داده های در مقیاس بزرگ را فراهم می کنند. Apache Kafka از جریان رویداد در زمان واقعی پشتیبانی می کند ، ایده آل برای ردیابی محموله ها و موجودی. Spark محاسبات توزیع شده در زمان واقعی را تسهیل می کند ، به مجموعه داده های بزرگ کارآمد می پردازد ، در حالی که AWS چسب در ادغام و تبدیل داده های زنجیره تأمین خام به بینش های عملی کمک می کند. من از آنها در مجموع استفاده کردم تا برنامه های لجستیک را برای نظارت بر عملیات در زمان واقعی ، کاهش تأخیرها و افزایش کارایی.
فراتر از ردیابی ، این فناوری ها از مدل سازی پیش بینی پشتیبانی می کنند. داده های جریان به تشخیص ناکارآمدی ، مانند تنگناهای انبار یا تأخیر در بندر کمک می کند و به مداخلات پیشگیرانه امکان می دهد. خطوط لوله تحلیلی مبتنی بر ابر ، ادغام مدل AI ، بهینه سازی تحویل مایل آخر ، قیمت گذاری پویا و مدیریت ناوگان ، اطمینان از چابکی و مقرون به صرفه بودن را تسهیل می کند.
تصمیم گیری خودمختار AI محور را که در پنج سال آینده تغییر می کند ، چگونه می بینید؟
اتوماسیون AI محور با کاهش مداخله انسان و افزایش کارآیی ، در تدارکات متحول شده است. وسایل نقلیه و هواپیماهای بدون سرنشین خودمختار باعث بهبود تحویل مایل می شوند ، در حالی که سیستم های تصمیم گیری AI محور مدیریت موجودی ، پیش بینی تقاضا و مسیریابی را تصحیح می کنند. یادگیری تقویت کننده استراتژی های قیمت گذاری و اتوماسیون انبار را بهینه می کند. شرکت هایی که یادگیری تقویت را در لجستیک اولیه اتخاذ می کنند ، تمایل دارند با گذشت زمان به عملیات بهینه و کارآمدتری برسند. طی پنج سال آینده ، هوش مصنوعی برنامه ریزی تدارکات ، کاهش هزینه ها و بهبود سازگاری با نوسانات بازار را ساده تر می کند.
یک تغییر قابل توجه نقش هوش مصنوعی در تنظیمات زنجیره تأمین فعال خواهد بود. برج های کنترل شده با هوش مصنوعی ، دید در زمان واقعی در عملیات لجستیک را فراهم می کنند و تنظیمات پویا را بر اساس سنبله های تقاضا ، خطرات ژئوپلیتیکی و تغییرات اقتصادی انجام می دهند. هوش مصنوعی همچنین مدیریت پیش بینی تأمین کننده ، کاهش خطرات مربوط به خرابی یا کمبود تأمین کننده را افزایش می دهد.
زیرساخت های ابری ، به ویژه AWS ، در مقیاس بندی راه حل های پیش بینی تحلیلی برای تدارکات و مدیریت زنجیره تأمین چه نقشی دارد؟
سیستم عامل های ابری مانند AWS در مقیاس بندی تجزیه و تحلیل پیش بینی کننده برای تدارکات محوری هستند. خدماتی مانند Amazon S3 ، Redshift ، Sagemaker ، AWS Glue ، AWS Lambda و AWS IoT هسته را قادر به ذخیره سازی کارآمد ، پردازش و اجرای مدل یادگیری ماشین می کنند. AWS Lambda از محاسبات بدون سرور پشتیبانی می کند و زیرساخت ها را کاهش می دهد. AWS IoT Core ردیابی و نظارت در زمان واقعی ، بهبود قابلیت های پیش بینی و تصمیم گیری را افزایش می دهد.
AWS همچنین مقیاس پذیری جهانی را تسهیل می کند و به شرکتهای لجستیک اجازه می دهد تا یکپارچه در مناطق کار کنند. خدمات محور AI ، از جمله پیش بینی AWS و AWS به دنبال معیارها ، افزایش پیش بینی تقاضا و تشخیص ناهنجاری. راه حل های ابر ترکیبی و محاسبات لبه می تواند انعطاف پذیری و راندمان هزینه را بیشتر کند.
چگونه مشاغل می توانند در هنگام ساختن راه حل های مقیاس پذیر بزرگ برای تدارکات ، کارآیی و عملکرد را متعادل کنند؟
اعتصاب تعادل مناسب نیاز به تخصیص منابع استراتژیک دارد. یک رویکرد ابر ترکیبی ، ترکیب راه حل های پیش فرض و ابر ، هزینه ها را بهینه می کند. ویژگی های خودکار ارائه شده از طریق مقیاس گذاری خودکار AWS برای مقیاس بندی زیرساخت ها یا Kubernetes برای بارهای کاری کانتینر شده ، بهره وری منابع را تضمین می کند. در تجربه من ، قالب های داده مقرون به صرفه مانند پارکت و ORC ضمن حفظ عملکرد ، هزینه های ذخیره سازی را به حداقل می رسانند. فن آوری های منبع باز مانند Spark و Kubernetes به کاهش هزینه های مجوز کمک می کند. بررسی دوره ای خطوط لوله ETL و بهینه سازی گردش کار باعث افزایش بیشتر راندمان هزینه می شود. در تجربه من ، این می تواند با شناسایی ناکارآمدی ها در طول زمان و امکان انجام عملیات ساده تر ، صرفه جویی در هزینه قابل توجهی باشد.
من با استراتژی های ذخیره سازی چند لایه تجربه داشتم-در حالی که داده های قدیمی تر را در یک راه حل مقرون به صرفه: یخچال آمازون. استفاده از سهم قابل توجهی از نمونه های نقطه ای برای محاسبات ابری نیز هزینه های زیادی را کاهش می دهد ، به خصوص هنگامی که گروه نمونه نقطه بر اساس بار پویا مقیاس می شود.
برخی از تصورات غلط متداول شرکت هنگام اتخاذ راه حل های تدارکات پیش بینی AI محور چیست؟
یک تصور غلط عمده این است که هوش مصنوعی بدون آماده سازی داده های گسترده ، نتایج فوری را ارائه می دهد. از تجربه من ، این می تواند یکی از چالش برانگیزترین و ناامید کننده ترین تلاش ها باشد. داده های با کیفیت بالا و ساختار یافته برای موفقیت هوش مصنوعی ضروری است. اسطوره دیگر این است که هوش مصنوعی به طور کامل جایگزین تصمیم گیری انسان خواهد شد. در واقعیت ، تخصص انسان برای تصمیمات استراتژیک بسیار مهم است. شرکت ها همچنین برای حفظ دقت ، نیاز به نظارت و بازآموزی مدل مداوم را دست کم می گیرند. شناخت این عوامل برای اجرای موفقیت آمیز هوش مصنوعی ضروری است.
تصور غلط دیگر این است که هوش مصنوعی یک سرمایه گذاری یک بار است. مدل های هوش مصنوعی به بهینه سازی مداوم ، به ویژه در تدارکات ، که در آن شرایط زنجیره تأمین به طور مکرر تغییر می کند ، نیاز دارند. علاوه بر این ، در حالی که هوش مصنوعی خطرات را کاهش می دهد ، اختلالات خارجی مانند محدودیت های تجاری یا همه گیر هنوز هم نیاز به نظارت انسان دارد.
چه روندهای کلیدی را در پیشرفت های هوش مصنوعی پیش بینی می کنید که باعث تحول بیشتر لجستیک و مدیریت زنجیره تأمین می شود؟
روند کلیدی شکل گیری آینده تدارکات شامل موارد زیر است:
- AI قابل توضیح (XAI): افزایش شفافیت در تصمیمات محور AI برای اعتماد و انطباق. این امر به طور فزاینده ای اهمیت پیدا می کند زیرا شرکت ها باید درک کنند که چگونه سیستم های هوش مصنوعی به تصمیمات خود می رسند ، به ویژه برای انطباق نظارتی و ایجاد اعتماد به ذینفعان.
- یادگیری فدرال: یادگیری فدراسیون آموزش مدل AI را در سراسر سازمان ها بدون اشتراک مستقیم داده ها امکان پذیر می کند. این رویکرد به مشاغل اجازه می دهد تا ضمن حفظ حریم خصوصی داده ها ، در مورد توسعه مدل AI همکاری کنند ، که به ویژه در زنجیره های عرضه که تعداد زیادی از ذینفعان باید از اطلاعات اختصاصی محافظت کنند ، بسیار ارزشمند است. با استفاده از چارچوبهای یادگیری غیرمتمرکز ، سازمان ها می توانند دقت پیش بینی را بدون در معرض نمایش داده های حساس بهبود بخشند.
- زنجیره های عرضه خودمختار: هماهنگی AI محور تهیه ، موجودی و حمل و نقل. این یک روند قابل توجه به سمت سیستم های خود محرک است که می تواند با حداقل مداخله انسانی تصمیم گیری در سراسر زنجیره تأمین کند.
- Edge AI: استفاده از مدل های AI در دستگاه های IoT برای تصمیم گیری در زمان واقعی در انبارها و مراکز تدارکات.
- دوقلوهای دیجیتال پیشرفته: شبیه سازی های دارای هوش مصنوعی برای بهینه سازی زنجیره های تأمین و کاهش خطرات. این پیشرفته تر می شود و به شرکت ها این امکان را می دهد تا ماکت های مجازی از زنجیره های عرضه خود را برای شبیه سازی و بهینه سازی ایجاد کنند.
- محاسبات کوانتومی: تسریع در محاسبات لجستیکی پیچیده ، مانند بهینه سازی مسیر و ارزیابی ریسک اگرچه شایان ذکر است که این امر هنوز در مراحل اولیه توسعه در مقایسه با برخی از روندهای دیگر ذکر شده است.
چه توصیه های شغلی را به مهندسین نرم افزار و متخصصان داده به دنبال تخصص در داده های بزرگ و تجزیه و تحلیل پیش بینی می کنید؟
برای رقابتی ماندن ، مهندسین و متخصصان داده باید متعهد به یادگیری مداوم باشند. تخصص در سیستم عامل های ابری و محاسبات توزیع شده بسیار مهم است. شرکت در پروژه های منبع باز و پیگیری فن آوری های نوظهور می تواند فرصت های شغلی را در این زمینه سریع در حال تحول تقویت کند. علاوه بر این ، به دست آوردن تجربه دستی با چالش های داده های دنیای واقعی و کمک به تحقیقات صنعت می تواند یک مزیت رقابتی را فراهم کند.