Ką generatyvinė AI gali padaryti siekiant visiškai pakeisti tiekimo grandinės valdymą?
Ką generatyvinė AI gali padaryti siekiant visiškai pakeisti tiekimo grandinės valdymą?
Įmonės susiduria su įvairiais sudėtingais iššūkiais kuriant ir optimizuodami savo tiekimo grandines, tarp kurių pritaikomumas, išlaidų mažinimas ir planavimo kokybės gerinimas yra tik keli aspektai. Per pastaruosius kelis dešimtmečius informacinių technologijų pažanga pakeitė verslo sprendimų priėmimą nuo intuicijos ir patirties pasikliavimo labiau automatizuotais ir duomenų grindžiamais metodais, taip pagerindamas efektyvumą, žymiai sumažinant išlaidas ir gerinant klientų aptarnavimą.
Deja, verslo lyderiams vis dar reikia skirti daug laiko ir pastangų suprasti sistemos pasiūlymus, analizuoti įvairias situacijas ir atlikti hipotezės analizę. Taip pat daug laiko reikalauja tiekimo grandinės valdymo įrankių matematiniai modelių atnaujinimas, kad atspindėtų verslo aplinkos pokyčius. Norėdami išspręsti šias problemas, planuotojai ir vadovai turi samdyti duomenų mokslo komandas ar technologijų tiekėjus, kad paaiškintų rezultatus arba pakeistų sistemą.
Didelio kalbos modelis (LLM) yra generatyvinė PG, leidžianti užbaigti šią veiklą net be aukščiau minėtos paramos ir sumažina sprendimų priėmimo laiką nuo dienų ar savaitės iki minučių ar valandų, žymiai pagerinant planavimo ir valdymo personalo efektyvumą ir poveikį. Šiame straipsnyje mes išnagrinėsime, kaip naudoti didelius kalbų modelius, kad gautumėte įžvalgų iš duomenų, įgalindami vadovus geriau suprasti tiekimo grandinės situaciją, atsakyti į hipotetinius klausimus ir atnaujinti tiekimo grandinės valdymo įrankius, kad būtų galima atsižvelgti į dabartinę verslo aplinką. Mes taip pat pabrėžėme iššūkius, kuriuos įmonės turi įveikti priimdamos didelius kalbos modelius, taip pat galimybes ateityje išplėsti savo taikymo sritį.
Didžioji dalis patirties, kuria norime pasidalyti, yra tai, kad „Microsoft“ naudoja LLM pagrįstą sistemą, kad būtų galima valdyti serverių ir kitos aparatinės įrangos tiekimą, kuris tiekiamas daugiau nei 300 duomenų centrų visame pasaulyje, kad palaikytų jų debesies paslaugas. „Microsoft“ išbandė LLM pagrįstą sistemą nuo 2023 m. Kovo iki spalio mėn. Ir tų metų lapkritį visiškai įdiegė sistemą. Nuo to laiko sistema padarė didelę įtaką efektyvumui ir produktyvumui, pasireiškiančiai reagavimo į įvykius laiką ir sprendimų priėmimo greitį, tuo tarpu tikimasi, kad šios naudos laikui bėgant padidės ir toliau tobulinant sistemą. Tačiau mūsų aptariamos funkcijos nesikreipia į „Microsoft“ produktų naudojimą, o šioms funkcijoms įgyvendinti gali būti naudojamos įvairios aukštos kokybės LLMS.
Dabar ištirkime naudą, kurią LLM gali suteikti.
Duomenų gavyba ir įžvalgos
Įsivaizduokite tipinę tiekimo grandinę su tam tikru skaičiumi žaliavų tiekėjų, gamybos gamyklų ir mažmenininkų. Naudodamiesi LLM, planuotojai gali paklausti paprastos kalbos, pavyzdžiui, „kiek T tipo žaliavų šiuo metu turi tiekėjų?“ Arba "Koks yra pigiausias būdas gabenti prekes iš F gamyklos į mažmenininką R?" LLM gali paversti šiuos klausimus į duomenų mokslo užklausas, tada įvesti užklausos rezultatus į įmonės duomenų saugyklą (pvz., SQL duomenų bazę) ir pateikti atsakymus išsamiuose sakiniuose. Žvelgiant iš privatumo perspektyvos, LLM gali būti naudojamas kaip debesies paslauga, tai reiškia, kad nereikia perduoti patentuotų duomenų į trečiųjų šalių LLM.
LLM gali būti naudojamas ne tik kaip dabartinės įmonės tiekimo grandinės būklės supratimo priemonė, bet ir paaiškinti tiekimo grandinės sistemos sprendimus ir pateikti papildomų įžvalgų, tokių kaip informacija apie tendencijas. Pavyzdžiui, planuotojai gali užduoti klausimus apie naujausias tendencijas, tokias kaip „Kuri gamykla praėjusią savaitę turėjo didžiausią gamybos efektyvumą?“ arba "kiek ar kiek procentų visų transportavimo išlaidų praėjusį mėnesį viršijo 50000 USD?" Tolesniame tekste pateiksime konkrečius ankstyvojo LLM naudojimo duomenų gavybai ir įžvalgoms pavyzdžius.
Nuolat keičiate reikalavimus. „Cloud Computing“ yra kelių milijardų dolerių vertės verslas, kuriam reikalingi paslaugų teikėjai, tokie kaip „Amazon“, „Microsoft“ ir „Google“, kad galėtų daug investuoti į duomenų centrų kūrimą, aprūpinti juos aparatine įranga ir valdyti juos bet kuriuo metu. Jie turi nuolat patenkinti didėjančią šių paslaugų paklausą, tuo pačiu sumažindami aparatinės įrangos ir veiklos išlaidas. Šiuo tikslu debesų paslaugų teikėjai reguliariai priims sprendimus dėl aparatūros diegimo, atsižvelgiant į daugelį išlaidų veiksnių, tokių kaip aparatinės įrangos pervežimas ir nusidėvėjimas, taip pat veiklos veiksniai, tokie kaip aparatinės įrangos suderinamumas, atsargos ir personalas vykdomam serverio diegimui.
„Microsoft“ serverių paklausa kyla iš vidaus verslo padalinių, turinčių skirtingus debesų produktus, tokius kaip „Azure Storage“, „Azure“ virtualios mašinos ir „Microsoft 365“. Reikalavimai nurodomi per užklausas, įskaitant reikalingų serverių tipą ir kiekį, regioną, kuriame serveriai yra diegti, ir ideali diegimo data. Tiekimo grandinės komanda pateikia šiuos reikalavimus ir reguliariai kuria vieną paklausos planą. „Microsoft“ inžinieriai reguliariai naudoja kompiuterio optimizavimo įrankį, kad sugeneruotų vykdymo planą, paskirtų faktinę aparatinę įrangą iš tiekimo sandėlio ir nurodytų, kada jie bus išsiųsti į duomenų centrą. „Microsoft“ planuotojai yra atsakingi už plano įgyvendinimo priežiūrą, įskaitant patvirtinimą, kad planas patenkina įvairių verslo departamentų poreikius ir kad serveriai buvo naudojami pagal planą. Dislokuoti serveriai paprastai dirba verslo skyriuje daugelį metų, kol jie bus išėjusi į pensiją ir nutraukiami.
Planuotojams taip pat reikia stebėti paklausos pokyčius kas mėnesį (vadinamą paklausos kompensacija), kad būtų užtikrinta, jog pataisytas planas atitinka visus klientų reikalavimus ir atitinka biudžeto gaires. Planuotojų, kurie paprastai įtraukia duomenų mokslininkus ir inžinierius iš skirtingų verslo departamentų, užduotis tradiciškai įvertinti paklausos kompensaciją. Kai šie pakeitimai bus suprantami, planuotojai parengs santrauką, kad paaiškintų kiekvieno regiono pokyčius.
Dabar LLM pagrįsta technologija gali atlikti visas šias užduotis. Tai automatiškai sugeneruos elektroninio ataskaitos el. Laišką, kuriame išsamiai aprašoma, kas padarė kiekvieną pakeitimą ir tai yra priežastys. Tai taip pat parodys galimas klaidas planuotojams peržiūrėti. Pvz., Jei paklausa (bendras serverių skaičius) naujajame plane yra mažesnis nei senajame plane, el. Paštas gali parodyti tikslią paklausos sumažėjimo priežastį, pavyzdžiui, naujos kartos įvedimą efektyvesnę aparatinę įrangą, o tai sumažina serverių naudojimą. Šis LLM įrankis leidžia planuotojams per kelias minutes savarankiškai atlikti reikalavimų dreifo analizę, tuo tarpu praeityje tai užtruktų maždaug savaitę.
Vykdyti sutartį. Automobilių pramonėje originalios įrangos gamintojai (OEM), tokie kaip „Ford“, „Toyota“ ir „General Motors“, turi tūkstančius tiekėjų ir pasirašė kelias sutartis su kiekvienu tiekėju. Šiose sutartyse išsamiai nurodomos originalios įrangos gamintojo sumokėtos kainos, kokybės reikalavimai, pristatymo laikas ir lankstumo priemonės, kurių tiekėjai turi imtis tiekimo užtikrinimui. Pateikę tūkstančius sutarčių duomenų LLM, originalios įrangos gamintojas išsiaiškino, kad jei būtų viršijama tam tikra kiekio riba, jie galėjo džiaugtis kainų sumažinimu, tačiau dėl sutarčių kiekio ir sudėtingumo pirkimų komanda nepastebėjo šios galimybės. Galutinis rezultatas buvo tas, kad šis gamintojas sutaupė milijonus dolerių pirkimų išlaidų.
Atsakykite į hipotetinius klausimus
Planuotojai gali užduoti LLM išsamius klausimus, čia yra keli pavyzdžiai:
Kokia papildoma transportavimo kaina, jei bendra produkto paklausa padidėja 15%
Jei mažmenininkas R naudoja tik gamyklinius produktus, kiek padidės viešųjų pirkimų išlaidos
Jei uždarysime F gamyklą, ar galime patenkinti visus reikalavimus
Jei M tipo žaliavų vieneto kaina sumažės 1 USD, kiek bus sumažintos visos P produktų gamybos išlaidos
Pažvelkime į tai, kaip LLM gali tiksliai ir efektyviai atsakyti į tokius klausimus. Daugybė optimizavimo užduočių yra parašytos matematinėmis programomis, kuriose atsižvelgiama į tiekimo grandinės struktūrą ir visus verslo reikalavimus, ir generuoja efektyvias tiekimo grandinės rekomendacijas. LLM nepakeičia matematinių modelių, o juos papildo. Tiksliau, jis konvertuos rankines užklausas į matematinį kodą ir atliks nedidelius modifikacijas į originalų matematinį modelį, naudojamą planams generuoti. Pavyzdžiui, norint priversti mažmenininkus naudoti produktus iš konkrečios gamyklos, galima pridėti matematinį reikalavimą (ty „suvaržymą“), draudžiantį kitoms gamykloms tiekti šį mažmenininką. Tada šis subtilus matematinio modelio pakeitimas bus įvestas į tiekimo grandinės įrankį, kad būtų sukurtas modifikuotas planas, kuris naudojamas tik palyginimui su esamu planu. Kaip ir anksčiau, naujojo matematinio modelio išvestis sukels atsakymus į žmonių kalbą per LLM (norėdami sužinoti apie šį LLM naudojimo metodą, kad gautumėte dabartinę tiekimo grandinės informaciją ir pateiktumėte hipotetinius klausimus, galite rasti „Microsoft“ atvirojo kodo kodą ir susijusius etaloninius duomenis apie „GitHub“/„Microsoft“/„OpTIGUIDE“).
Čia galime remtis, kaip „Microsoft“ debesų paslaugų operacijų planuotojai naudoja šią galimybę kurti serverių diegimo iš sandėlių diegimo planus į duomenų centrus. Kiekvienai užklausai pagrindiniai sprendimai: (1) serverio tipas ir sandėlis, naudojamas patenkinti paklausą, (2) pristatymo datą ir (3) serverio doko tašką (konkretus duomenų centras ir jo konkreti vieta). Tikslas yra sumažinti bendrą kelių komponentų sąnaudas, tokias kaip transportavimo išlaidos ir numatomos galimybės išlaidos, susijusios su serverių diegimo vėlavimu, kuris vėluoja už idealią datą.
Gaudami optimizavimo įrankio išvesties rezultatus, planuotojai gali patvirtinti, ar rezultatai atitinka verslo reikalavimus, ir užtikrinti, kad planas vykdomas pagal šį rezultatą. Tačiau potencialios optimizavimo problemos yra labai sudėtingos ir nėra visiškai neįmanomos, tačiau taip pat sunku iš karto suprasti kiekvieno sprendimo priežastis. Todėl planuotojai paprastai susisiekia su inžinieriais ir duomenų mokslininkais, kurie kuria optimizavimo įrankius, kad gautų daugiau informacijos. Planuotojams ir inžinieriams dažnai reikia kelių sąveikos raundų, kad būtų galima išsamiai ištirti problemas ar hipotetinius scenarijus, o tai gali sukelti kelių dienų vėlavimą. Dabar LLM pagrįstos sistemos per kelias minutes gali pateikti planuotojams atsakymus į šiuos klausimus: „Kokį procentą išlaidų padidintume, jei padarytume konkrečią užsakymą iki nustatytos datos, palyginti su kita data?“ ir „Kokį procentinę išlaidų padidėjimą mes patirtume, jei savaitę uždarysime sandėlį
Interaktyvus planavimas
Planuotojai gali naudoti LLM technologiją, kad atnaujintų tiekimo grandinės struktūros ir verslo reikalavimų matematinius modelius, kad atspindėtų dabartinę verslo aplinką. Be to, LLM gali pateikti naujausią informaciją planuotojams, atsižvelgiant į verslo sąlygų pokyčius.
Pavyzdžiui, planuotojų gauta informacija realiuoju laiku rodo, kad tam tikras gamintojas bus uždarytas septynias dienas dėl žiemos pūgos. Be LLM pagalbos, planuotojai, norintys atnaujinti pardavimo ir operacijų planus, kaip susidoroti su prastovomis, turi apimti IT ir duomenų mokslo komandas, kad būtų galima atlikti reikiamus plano pakeitimus, o tai gali būti daug laiko reikalaujantis procesas. Tačiau, naudodamiesi LLM, planuotojai gali tiesiogiai paprašyti sistemos sugeneruoti naują planą, išvengdamas uždarymo gamyklų naudojimo. Jei naujasis planas negali patenkinti visų numatytų reikalavimų, LLM pagalbinio planavimo įrankis ne tik sugeneruos atnaujintus pardavimo ir eksploatavimo planus bei atitinkamas išlaidas (tokias kaip pirkimo ir transporto išlaidos), bet ir nustatys paklausą, kurios negalima patenkinti, ir jo poveikį pelningumui.
Pakeitimo tiekimo planų paklausą taip pat gali lemti LLM pagrįsta technologija. Pavyzdžiui, išanalizavus konkretaus tiekėjo pristatymo duomenis, jis gali paskelbti perspėjimą, nurodantį, kad tiekėjo pristatymo laikas per pastaruosius kelis mėnesius žymiai padidėjo. Be to, LLM pagrįsta technologija numatys galimą kito siuntos laiką ir nusiųs ją planuotojams. Dėl pripažinimo, kad ilgalaikis pristatymo pristatymo laikas turės neigiamą poveikį paslaugų lygiui konkrečiuose regionuose, jei nebus imtasi taisomųjų priemonių, planuotojai gali reikalauti, kad LLM pagrįstos sistemos galėtų pakelti planavimo įrankius su nauja informacija ir sukurti naujus planus. Planą planuotojams perteikia LLM natūralia kalba ir gali reikalauti, kad tiekėjai paspartintų siuntas arba perkeltų atsargas iš sandėlių skirtinguose įmonės regionuose į paveiktas teritorijas.
LLM naudojimo būdas šiame straipsnyje aptartas būdas vis dar yra palyginti naujas. Mes tikimės, kad LLM pagrįsta technologija ateinančiais metais palaikys sprendimų priėmimo scenarijus nuo galo iki galo. Pvz., Vartotojai gali apibūdinti sprendimo problemą, kurią jie nori išspręsti lengvai suprantama kalba. Tai gali būti konkreti gamybos problema (atsižvelgiant į sudėtingą gamybos įrenginių tinklą, kada ir kur gaminti tam tikrą produktą) arba atsargų paskirstymo problema (atsižvelgiant į ribotą atsargų sandėlį, kaip paskirstyti jį įvairioms parduotuvėms, kad būtų padidinta paklausa). Šiandienos technologijos gali generuoti tokius matematinius modelius ir rekomendacijas, tačiau patikrinti, ar modelis teisingai parodo verslo aplinką, išlieka iššūkis.
Įveikti kliūtis
Kai įmonės pradeda priimti LLM tiekimo grandinės valdymo srityje, jos turi įveikti įvairias kliūtis, kad būtų galima efektyviai ją diegti.
Naudojimas ir mokymas. Naudojant LLM tiekimo grandinės optimizavimui, reikia labai tikslios kalbos. Pvz., Jei vartotojas klausia: „Ar galime geriau panaudoti gamyklą F?“ Terminas „geresnis“ gali turėti daugybę interpretacijų: išlaidų mažinimas, pralaidumo didinimas, pralaidumo optimizavimas tam tikrą laiką ir tt Kiekvienas aiškinimas priims skirtingus sprendimus. Todėl labai svarbu mokyti sistemą naudojantis personalas. Planuotojams gali tekti gauti mokymus, kad užduotų tikslesnius klausimus, o vadovybės ir administracinio personalo gali tekti suprasti LLM pagrįstų technologijų galimybes ir apribojimus.
Dėl šių priežasčių „Microsoft“ palaipsniui naudoja šią naują technologiją, o anksčiau pateiktos priemonės, kuriose buvo įvestos hipotetiniai klausimai, palaiko tik bendrų klausimų rinkinį. Bendrovė stebės vartotojų sąveiką, tikslumą ir atsarginius mechanizmus ir palaipsniui plės savo aprėptį. Planuotojai gavo svarbų mokymą ir yra susipažinę su problemos rinkiniais, kuriuos šiuo metu palaiko įrankis.
Patikrinimas. LLM technologija retkarčiais išveda klaidingą turinį, todėl bendras iššūkis yra tai, kaip priversti technologiją veikti „kelyje“, tai yra, nustatyti klaidas ir grįžti į kelią. Dabar įmonės sprendžia šį iššūkį pateikdamos turtingus domeno konkrečius LLM pavyzdžius, kad pagerintų jo išvesties tikslumą ir pridėtų mechanizmus, kad iš anksto nustatytų nepalaikomų užklausų. Pvz., Jei kas nors iškelia nepalaikomą klausimą, LLM pagrįsta sistema pateiks numatytąjį atsakymą, pavyzdžiui, "Deja, aš negaliu padėti jums išspręsti šią problemą. Galite patikrinti šiuos klausimus". Žinoma, sunkumas patikrinti tikslumą padidėja atsižvelgiant į išvesties sudėtingumą. Pvz., Jei paprašysime LLM sugeneruoti visą matematinę programą, kad būtų sukurtas optimizuotas diegimo planas nuo nulio, kaip sistema patikrina jos teisingumą? Kaip mes galime užtikrinti, kad programa per pagrįstą laiką gali sugeneruoti optimalų planą? Šiems neterminuotoms problemoms vis dar reikia atlikti papildomus tyrimus.
Nauja darbo jėga. Labai automatiškai įgyvendinant LLM technologiją, taip pat pasikeis vadovų ir planuotojų vaidmenys. Planuotojai nebebus įtraukti į žmogiškąsias klaidas, linkęs ir reikalaujantis daug laiko reikalaujančio sprendimų priėmimo proceso, tačiau galės pritaikyti LLM technologiją, kad suteiktų daugiau įžvalgų apie tiekimo grandinės planavimo metodus ir paaiškintų jų rekomendacijas. Tai padidins vartotojo pasitikėjimą ir žymiai padidins įrankių pasiūlymų priėmimą. Pirkimų skyriuje darbuotojams laikas sudaryti naujas sutartis taip pat bus labai sumažintas. LLM galės sudaryti konkrečių produktų kategorijų sutartis ir pateikti ankstesnę įvairių tiekėjų veiklos informaciją, kad padėtų vadovams pasirinkti tinkamus tiekėjus.
Kitaip tariant, naudojant LLM įrankį pagrįstą darbo jėgą, galite nukreipti dėmesį nuo kasdienių kartojamų užduočių prie pridėtinės vertės užduočių, tokių kaip strategiškai mąstyti apie įvairią tiekimo grandinės veiklą arba bendradarbiauti viduje įvairiose funkcinėse srityse ir su išoriniais tiekėjais bei klientais. Pavyzdžiui, paklausos planuotojai gali bendradarbiauti su prekybos planuotojais, atsakingais už rinkodarą, kainodarą ir nuolaidas, kad suprastų prekybos įtaką paklausos prognozavimui. Remiantis mūsų patirtimi, šis bendradarbiavimas šiuo metu neegzistuoja daugumoje organizacijų. Žinoma, iššūkis yra užtikrinti, kad vadovybė nutrauktų funkcinių departamentų kliūtis ir pakoreguotų verslo procesus, kad būtų lengviau bendradarbiauti.
Nepaisant minėtų iššūkių, mes vis dar tikime, kad artimiausiu metu LLM pagrįsta technologija pakeis tiekimo grandinės valdymą, pagerindama jos efektyvumą, atsparumą, produktyvumą ir tikslumą. Tai papildys šiandienos tiekimo grandinės technologiją, leisdama planuotojams tiesiogiai sąveikauti su tiekimo grandinės įrankiais, nereikia duomenų mokslininkų ar inžinierių. Įmonės galės automatizuoti daugybę tiekimo grandinės procesų ir net sukurti naujų, pavyzdžiui, integruodami prekybos ir prognozavimo procesus. Tiesą sakant, ši integracija sudarys uždaros ciklo tiekimo grandinės valdymo sistemą, kurioje prekybos, tiekimo grandinės ir finansų funkciniai skyriai bendradarbiaus kuriant tiekimo planą, atitinkantį visus verslo ir finansinius tikslus ir reikalavimus. Per kelerius metus LLM pagrįstos technologijos tikrai pakeis tiekimo grandinės valdymą.
Ishai Menache, Jeevan Pathuri, David Simchilevi, Tom Linton|Tekstas
Isay Menash yra „Microsoft Research“ mašinų mokymosi ir optimizavimo grupės bendradarbiavimo vadovas. Jiwan Patturi yra „Microsoft“ debesų tiekimo grandinės skyriaus generalinis direktorius ir programinės įrangos inžinerijos bendradarbiavimo direktorius ir direktorius. Davidas Senge Levy yra Williamo Bartono Rogerso profesorius MIT, MIT duomenų mokslo laboratorijos vadovas ir išskirtinė „Accenture“ figūra. Tomas Lintonas yra „McKinsey“ vyresnysis konsultantas ir anksčiau ėjo „Flex“ vyriausiojo pirkimo ir tiekimo grandinės pareigūno pareigas.
