Gépi tanulással lehet optimális az ellátási lánc

Gépi tanulással lehet optimális az ellátási lánc
Hogyan alkalmazzák a mesterséges intelligenciát az ellátási láncra, milyen módszerekkel optimalizálható? A logisztikától a raktározásig, a gépi tanulás a terület egészét átírja.

A gépi tanulás számos kritikus alkalmazásban játszik kulcsszerepet. Az ezen a technológián alapuló algoritmusok vállalatokat is segítenek, hogy a big data korában folyamatosan növekvő mennyiségű passzív adatból hasznos üzleti információkat nyerjenek ki, amelyekkel jelentősen hozzájárulhatnak többek között ellátási láncok optimalizálásához, a lánc nyerő és kockázati pontjainak precíz előrejelzéséhez (ezek az algoritmusok különösen anomáliák kimutatásában, mintázatok felismerésében és előrejelzésekben teljesítenek jól).

A kockázatbecslés és -kezelés egyik leghatékonyabb mai módszere, a gépi tanulással támogatott prediktív analitika komoly előrelépés a hagyományos módszerekhez képest. Míg az utóbbiakban az előrejelzés input a stratégiák kidolgozásához – optimalizáláshoz –, azaz kétlépéses folyamatról van szó, addig a prediktív analitika segítségével a kettő összekombinálható, és az információk közötti kapcsolatokból automatikusan generálhatók döntések. Cégek különféle külső és belső forrásokból származó adatok alapján a fogyasztók napi cselekedeteinek jobb megértéséhez, évszaki trendek, termékekkel kapcsolatos visszajelzések, új termékek iránti érdeklődés prognosztizálására, mindezek alapján pedig célzott termékek és szolgáltatások eladására használják a technológiát. Készleteik törékeny egyensúlyát a gépi tanulás tartja fenn. Lássunk néhány példát!

A ToolsGroup optimalizáló szoftverének a termékbevezetés az egyik alkalmazása. A program alap-előrejelzések generálásával kezdi, majd a korai eladásokból és a kereslet alakulásából egyre többet tanulva, az outputok rétegbe szervezésével határoz meg pontosabb keresleti trendeket. Ezeket felhasználva optimalizálja a készletszinteket és a feltöltéssel kapcsolatos terveket.

Felfoghatatlan adatmennyiség
A TransVoyant technológiája napi egytrillió – szenzoros, műholdas, radaros, videokamerás, okostelefonos – adatot gyűjt és elemez. Logisztikai alkalmazásokban az algoritmus valósidőben követi a szállítmány útját, időjárási és más természeti tényezőket, közlekedési dugókat stb. figyelembe véve számolja ki várható megérkezésének időpontját.

A Sentient technológiája képfelismerés alapján ad eladási tanácsokat e-kereskedőknek. Szöveges keresés, jellegzetességek, például színek és márkák azonosítása helyett a program képi mintaegyeztetéssel kutatja a vásárló által folyamatosan böngészett cikkek közötti vizuális kapcsolatokat. Az Amazon Robotics pontosságán, gyorsaságán és más adottságain gépi tanulás javít, a cég előrejelző hálózatkezelő rendszere pedig belső adatok 58 paraméterét elemezve azonosítja a szállítást leginkább befolyásoló tényezőket. Ezek a megoldások jól szemléltetik, hogy az algoritmusok és a prediktív analitika már nemcsak előrejelzésben, hanem a stratégiaalkotásban, tervezésben is komoly segítséget nyújtanak, a következőgenerációs ellátási láncmenedzselést pedig a gépi tanulás határozza meg.

A Gartner szerint 2020-ra az ellátási lánc tervezésével foglalkozó értékesítők 95 százaléka a döntéshozásnál intenzíven fogja használni a felügyelet mellett és felügyelet nélkül tanuló algoritmusok eredményeit. Egy másik Gartner-előrejelzés alapján 2023-ra az ellátási lánchoz kapcsolódó technológiák kb. 25 százalékát intelligens algoritmusok és egyéb mesterségesintelligencia-megoldások jelenthetik.

Kövesd az oldalunkat a Facebook-on és a Twitteren is!


Kömlődi Ferenc

Kömlődi Ferenc, jövőkutató, író. Szakterülete: jövőkutatás, mesterséges intelligencia, ember-gép viszony, transzhumanizmus. Az NJSZT havi Hírmagazinjának, blogjának (Jelenből a jövőbe), az első magyar …