數字供應鏈通過人工智能

表的內容

• 執行概述
• 人工智能是熱的
• 機器學習在SCM並不新鮮
• 全球貿易的人工智能
• 的下一個前沿:社會、新聞、事件和天氣數據
• 人工智能有一定的局限性
• 建議

執行概述

人工智能(AI)是熱的。AI已經投資了數十億美元的風險資本公司,他們中的一些人專注於解決數字供應鏈的問題。機器學習、人工智能的一個子集,特別熱。有趣的是,人工智能和機器學習是一個新技術在供應鏈管理(SCM)。然而,部分原因是這項技術是熱的,部分是由於有如此多的更多的數據成為可用於分析,我們看到一個新的關注使用這些技術來改善供應鏈應用程序。最終用戶受益。

主要結論包括:

• 機器學習一直被用來改善需求預測,但下遊數據時是最有用的是杠杆。使用下遊數據很少有公司即使這些數據集大大提高預測精度。
• 一個全球貿易管理供應商使用非常先進的人工智能技術,以改善其應用程序。人工智能人才是稀缺的,最先進的人工智能技術通常與金融和市場營銷,但是這個解決方案展示了什麼是可能的。
• 供應鏈規劃供應商幹部運籌學的博士為他們工作。他們應用這些技術的人才。但獲得數據,有效地按摩它,將它移動到供應鏈應用程序一直是個問題。供應計劃尤其如此。
• 幾個有趣的AI初創公司都專注於供應鏈管理。兩個供應商集中在改善供應鏈彈性有優秀的引用。別人還沒有這些參考客戶,但值得監測。
• 社會新聞,事件,和天氣數據feed有很大的潛力。但除了新聞源用於彈性的解決方案,這些數據還沒有被有效利用。

人工智能是熱的

人工智能是熱的。Crunchbase實際上報道,超過40億美元的風險資本已經投資了AI公司過去一年在美國。在供應鏈領域,人工智能的分支稱為機器學習的發展是一個特別關注。對機器學習的關注是供應鏈規劃領域最為明顯一個規劃解決方案總監說:“采用機器學習是關鍵驅動程序軟件廠商之間的“軍備競賽”實現差異化。”

也許去年最大的口頭禪是“物聯網”(物聯網)。物聯網是集中在認為有大量的傳感器數據,可以更有效地用於運行價值鏈。今年,口頭禪是“數字化。”“數字化”包括關注新興技術,將從根本上改變我們運行我們的企業的方式,包括我們的供應鏈操作。這些技術包括區塊鏈、加法製造無人機和機器人,人工智能和機器學習。並不是所有的這些新的和新興技術在相同級別的成熟。然而,人工智能是迅速向上移動供應鏈成熟度曲線。

人工智能在供應鏈領域的“科學項目”比許多其他領域。教計算機如何識別圖片,你暴露tb的數據和飼料這成千上萬的圖片。這些圖片已經被人類preclassified(即。,這是一幅“狗”),本身是非常昂貴的。監督學習發生在人類的循環幫助機器學習。相比之下,在供應鏈管理中,許多更結構化的問題,人類通常不需要分類輸出,和供應鏈軟件公司已經幹部運籌學的博士的工作。這些問題可以解決無監督學習,更負擔得起的解決問題的方法。

什麼是人工智能?

任何設備,感知環境和采取的行動,其成功的機會對一些目標是最大化使用人工智能。這包括一個廣泛的技術,與傳統邏輯與基於規則的係統,使計算機來解決問題,至少在表麵上像思維方式。先進的統計和優化技術,電力供應鏈規劃應用程序是一種人工智能的係統是美聯儲供應鏈現狀的狀態數據,然後使用數學,統計,和啟發式改進計劃和預測。

但大多數操作人員不會考慮啟發式和常用形式的統計數據是人工智能。ARC谘詢集團最近與供應鏈應用程序供應商談論他們的工作在這一領域。很多產品經理時溫和非常有利於他們的活動在這一領域。如果他們不能標簽解決方案是基於計算機技術與人工智能和機器學習相關的一般,他們傾向於說人工智能的解決方案“特征”,而不是真正的人工智能應用程序。

簡而言之,AI的範圍是有爭議的。隨著機器變得越來越有能力,許多任務,曾經被視為需要情報,現在被視為常規和這些任務(權力)的數學往往從人工智能領域中刪除。事實上,酒吧是如此之高,以至於一些博士的,AI似乎還沒有做的事。

在這份報告中,我們將參考基於ai的應用程序作為一組技術,利用先進的計算技術在相對較新的方法來提高供應鏈流程。這些包括自然語言處理、神經網絡、模式識別、和梯度增加。

機器學習容易定義

機器學習、人工智能的一個子集,更容易識別。機器學習發生在機器監控其輸出,觀察模型,生成輸出是如何工作,然後自動調整算法,或其關鍵參數或政策來提高輸出。

機器學習在SCM並不新鮮

機器學習來提高供應鏈流程並不新鮮。一些有趣的例子,這些技術是如何被用來改善供應鏈業務跟進。

需求計劃

機器學習驅動持續優化,動態地調整預測基於新的輸入數據。最純粹的機器學習應用於供應鏈規劃來自於E2open SCM平台。E2open一直在做機器學習來提高需求規劃了十多年。機器學習應用於需求管理後,企業開始利用額外的數據集,如零售客戶的銷售點,最近出貨的產品,從他們的倉庫商店、零售商的訂單,辛迪加數據,並存儲庫存。這些數據集訪問日報,甚至一天幾次,所以需求捕獲的動態特性程度遠高於傳統的預測技術。簡而言之,需求計劃通常是基於大數據。

應用程序如下。引擎同時使許多預測在不同規劃的視野。所以,可以有一個預估需求為100盎司容器中的液體洗滌劑的沃爾瑪商店明天在塔斯卡盧薩,一個星期,一個月了。也可以有一個預估有多少洗衣粉需要在配送中心Cullman明天阿拉巴馬州,一個星期,一個月。其他預測正在做其他大型零售客戶和渠道。

預測所需要的塔斯卡盧薩商店明天,也許銷售點是最高的數據源的影響因素,並相應權重的算法。的預測有多少洗衣粉Cullman倉庫中需要一個月,不同的算法權重統計預測的數據集,這樣是最重要的,最近出貨量第二最重要的是,客戶訂單第三,等等。

然後每一天,所有預測,地點,所有時間範圍,再完成。

為什麼所有的預測嗎?使用不同的預測不同的群體在不同的時間範圍的公司。所以,如果工廠有冷凍兩周生產計劃,和新計劃10月16日開始,工廠計劃將使用聚合的日常預測實際14天從10月16日到30日創建需求預測在這個特定的時間和預計庫存的基礎上,確定哪些產品需要生產在接下來的兩個星期。其他所有預測都被忽略,直到下一個生產運行需要開始,當他們再次使用最近的預測與他們的需求。

但是其他部門使用不同的預測在不同時間桶。因此,在同一天0(10月16日)交通主管部門可能會發現它非常有用的知道預計出貨的所有配送中心10月19日創建私人艦隊計劃19日。在這種情況下,部署前置時間是三天,所以每日預測10月16日和19日之間聚合,以確定有多少存貨將在10月19日在DCs,多少需要19日運往維護服務承諾。

E2open時提供了一個純粹的機器學習應用需求規劃,許多其他供應鏈規劃(SCP)公司也提供解決方案,允許持續改進他們的預測。在這種情況下,這些解決方案的銷售行為特定的sku。一個快速移動的產品沒有得到推廣,沒有使用一個算法預測季節性的影響。極其緩慢的產品與間歇性需求模式使用不同的算法。當SKU的分類發生變化時,不同的算法來預測。在這種情況下,需求規劃模型並沒有改變,但模式識別應用於輸入,以便更好地預測輸出。防衛廳和Logility最早於這種類型的解決方案接近二十年。

全球貿易的人工智能

公元3,另一個供應鏈管理軟件供應商,已經建立了一個人工智能解決方案,使用自然語言處理,信息檢索,深入學習,專業領域知識建立一個專家係統,自動化的過程協調係統(HS)商品分類和商品編碼驗證。這是一個非常困難的問題。

HS,商品描述和編碼係統,所有商品的基礎形式確認海關,海關當局使用。使用正確的海關編碼允許公司支付正確的關稅,這是必要的,以避免政府罰款。在某些情況下,這些罰款可以達到數百萬美元。海關編碼允許公司計算產品和確定承諾的真正上岸成本銷售和采購國外的機會。這個問題,是一個令人難以置信的差距如何描述商業產品以及他們如何表達在全國海關關稅時間表。這導致了錯誤率為30%,據幾位政府消息來源。更糟糕的是,每個國家或貿易集團都有自己的分類尚幼超越國際水平。

海關編碼是晦澀難懂的。普通的人會被形容為是“嬰兒食品;“在海關被稱為“均質組合準備食物;”和“頭發吹風機”是一種“電熱的理發器。人造絲“分類之前,你必須知道這是一個“人造”或“合成”纖維。,如果你是一個汽車部分分類,像汽車報警器,你可能會認為你會去海關編碼的部分集中在汽車、但沒有——這是一個電子信號裝置。

傳統上,商品分類一直是手動運動由訓練有素的專家。當失去某人大進口國貿易分類的員工,它已經失去了領域知識,難以取代。小公司往往依賴於自定義代理要做到這一點,但是如果報關行分類條目不正確,進口商的記錄仍然是法律責任。

許多全球貿易管理係統有一個搜索引擎。但這些並沒有為分類產品的特定的任務而設計的。一個人類型的關鍵字,例如“電動牙刷”,在響應他們得到壓倒性的許多潛在的答案。一個政府商品搜索工具了222潛在代碼匹配”電動牙刷”,其中沒有一個是正確的。這可能是有問題的,如果你需要一個快速的回答。

但是在許多情況下,一個關鍵字搜索返回任何結果。最糟糕的是,通常,一個關鍵字搜索返回一個項目,但它是錯誤的項目。

公元3已經建立了一個專家係統,利用人工智能閱讀和理解日常商品描述和原因通過分類過程。該工具可以分類任何產品可靠和業餘使用很簡單。盡管所有大船運公司有經驗豐富的專業貿易專家人員,他們不應該花費時間在常規分類,約占80%的所有分類工作。相反,他們應該集中在20%的更多的問題分類。係統允許托運人來描述產品用他們自己的話說,檢查是否有足夠的相關細節自動分配一個海關編碼,如果沒有,問相關問題直到到達一個代碼。

所以3 ce的AI是如何工作的呢?他們開始在自然語言處理方麵的通過創建一個模型域和神秘分類黑話變成了人們使用的語言。改善目標搜索,係統使用事務曆史做出假設。夜視鏡可以在幾個不同的分類方式。但由於“夜視鏡”更多的是比一個玩具商用設備,他們先帶你到商業設備分類。

但公司的自然語言和信息檢索專家不分類的專家。從一個通用的模型——例如,有八類肥料——他們繼續使用域分類專家。這些專家幫助係統理解諸如法律筆記如何連接到許多產品時應考慮分類產品。這些貿易專家直觀係統變成一個真正的“專家係統。“但這不是一個硬編碼的決策樹。HS編碼改變所有的時間,但每次都有一個3 ce不需要改變決策樹結構。這種人工智能的方法使係統更靈活和適應性。

多種形式的人工智能的另一個方麵是,隨著時間的推移係統更聰明。這個係統確實有這樣的功能。首先,解決方案自動標記未知的事務;從本質上講,當係統不能識別的一篇文章。這些交易評估和治療的本體和行業領域專家。本體在計算機科學處理問題關於如何分組和相關實體在一個層次結構,然後根據相似和不同細分。

其次,他們使用深度學習來進一步提高係統的結果。深度學習是機器學習的一個分支,可以應用於自然語言處理。深度學習發現表示在數據沒有假設任何他們之間的關係和形式到概念層次結構,可以應用於解決問題。當涉及到自然語言處理、深度學習發現多層的語言表示對應於不同層次的抽象;這些水平形成一個層次結構的概念。在他們的情況下,因為我們正在處理標記的事件,這是監督學習。

這是如何工作的呢?公元3係統足夠強大,它是唯一的機器在世界海關組織分類競爭。它沒有贏,但它確實達到93%的分數。但在這個行業,這是成功!政府專家平均隻有77%的準確率。來自私營部門的專家更慘——平均僅為68%。

如果托運人做審計,係統提供了一個審計跟蹤顯示貨物是如何分類的邏輯樹解釋了為什麼貨物分類。在許多地方,這個審計跟蹤演示了“誠信”,意味著即使一個聲明好的,因為該公司將獲得功勞行使盡職調查,並可能會避免最嚴重的處罰(如果他們收到任何)。許多船運公司,如果審計,沒有能力解釋為什麼他們分類商品一樣。

的下一個前沿:社會、新聞、事件和天氣數據

Resilinc和riskmethods是兩個與業界領先的客戶資金充裕的年輕的創業公司。他們有一個類似的方法檢測供應鏈風險。riskmethods軟件,例如,持續監控風險通過監測300000多在線社會媒體實時新聞事件,可能影響客戶的供應鏈。客戶的供應鏈映射,例如,材料流動的一個關鍵組成部分通過二級供應商的工廠,映射到出站端口,入站端口,它到達一個一級供應商的工廠。

如果一個供應商交付的能力可能會受到影響,該解決方案包括一個影響分析儀模塊,允許一個公司吹滅它的材料清單和找到其他合格供應商。

家風投投資Resilinc使用類似的技術,但增加了地理編碼功能。公司的供應商的工廠和物流中心在其多層供應鏈地理編碼。這允許一個公司周圍畫一個圓一個事件像地震和回答這樣的問題:“這我們的供應商位於震中100英裏的嗎?在200英裏?“公司還可以看看供應商位於河的泛濫平原,問這樣的問題:“我們所有的關鍵供應商的特定組件位於洪水區?如果他們都去一次?”

兩個解決方案,使用人工智能技術部分中的事件被檢測到像物流回歸防止假陽性壓倒性的人風險控製塔。檢測的主要供應商是否已經申請破產保護,例如,一係列不同的供應商的名稱可以映射到引擎。“極致”、“Acme公司”,“Acme公司”“極致”(sp),等等。類似地,“破產”這個詞可以有幾個同義詞。人工智能用於分數一個術語隻顯示一個潛在的風險和提升人的“風險”來驗證如果很可能真的是一個風險。隨著時間的推移,隨著假陽性高——或者如果沒有發現真正的風險事件——係統“訓練”做的更好。

的下一個前沿將使用社會,新聞,事件,和天氣(SNEW)提要主動確定賤民有足夠的交貨時間準時到達不受影響。幾家公司正在研究這個,但是TransVoyant,已完成分類為政府工作,似乎得到了最多的關注。

SNEW數據有一些激動人心的供應鏈計劃的可能性。防衛廳,最早於與TransVoyant合作,希望能夠改善planning-to-execution切換優化。例如,運輸管理係統(TMS)抓住訂單和創建優化的計劃應該如何路由在未來幾天發貨。最終,這些計劃執行。現在防衛廳可以最早於所有TransVoyant防衛廳TMS-planned最早於動作,送他們。TransVoyant應用程序可以查看起源、路線和目的地和預測特定的負載不會準時到達,因為道路建設,一個非常大的體育盛會,或天氣。大型托運人可能發送TransVoyant成千上萬的出貨量規劃周期,可能隻有1或2%被標記為處於危險之中。防衛廳TMS最早於解決方案可以動態再優化的負載。

雖然這是一個令人興奮的可能性,建議謹慎。不像riskmethods或Resilinc, TransVoyant尚未確定參考客戶。其次,重大建築問題可能與移動相關警報探測係統的規劃體係。

最後,它是不容易從事動態重新優化,並不完全破壞最初的計劃。數以百計的負載是否改變了由於重新計劃,數以百計的運營商必須取消行動計劃,和數百個新的招標發行。不是所有的經顱磁刺激方案能夠“螺紋”動態優化,重新計劃,葉子最最初的計劃。類似地,如果這種解決方案是用於更好的供應計劃,計劃必須能夠盯住特定客戶的產品。並不是所有的供應計劃解決方案可以做到這一點。

人工智能有一定的局限性

人工智能嵌入在供應鏈應用程序已經在某些應用程序中提供實實在在的利益。另一方麵,AI有潛力改善供應鏈流程,但進展緩慢。幾個因素與人工智能相關的影響,這些技術有最好的潛力來改善供應鏈管理。

機器學習不能解決“模糊”的問題

需求規劃是一個很好的應用機器學習,因為成功的衡量——預測精度是明確的。學習,應用程序需要一個明確的衡量成功的標準。

但它並不總是容易定義什麼是“成功”。考慮一個短缺的情況下,製造商學習的一個關鍵組件。客戶已經承諾的產品取決於關鍵生產輸入。供應鏈規劃引擎需要重新生成一個新的供應計劃。

但在這種情況下,目標變得更加主觀,很難可以定義:

• 哪些客戶全額按時完整的訂單嗎?
• 該公司應該受到幅度加快一批還是不滿意客戶的未來業務的風險?
• 多遠我們推動客戶的承諾日期嗎?
• 哪些客戶我們短多少?

事實證明很多問題很難精確定義足以允許機器學習。

一些SCP解決方案供應商正在尋找“解決”這個問題使用模式識別規劃者如何解決類似的問題在過去然後建議類似的決議下次出現的問題。我們的想法是,該解決方案將提出一項決議,但人們做出的選擇。

但這種類型的解決方案可能難以實現。“蝙蝠”係統越多,越快變得更聰明。如果你每天做日常需求計劃和新的數據對昨天的預測,該係統可以提高很快。

在上麵的描述重新規劃問題中,重要組件短缺可能隻發生一年幾次。和使用的分辨率比12月的6月可能是完全不同的。可能需要數百個,但更有可能的是,在蝙蝠成千上萬的機器可以開始解開一個規劃師為什麼一件事情在一個在接下來的情況和不同的事情。

措施的成功需要明確,而不是完美

正如前麵提到的,使用機器學習來改善預測。需求預測,機器學習引擎吸入如何準確預測數據,然後自動機器更好的數學應用於改善未來的預測。

但理想情況下,預測是基於需求,而不是銷售。在消費品供應鏈,這意味著預測需要了解銷售和銷售損失,如果庫存存貨,也能取得在商店貨架上。目標是股票真正的需求——或盡可能接近我們可以得到,所以零售商不會錯過銷售。

計算銷售損失的一些供應商有一個解決方案,但是這是基於一個存儲預報。商店預測告訴你銷售應該是什麼;如果銷售不發生,存儲係統檢查,確保完成銷售庫存可用。如果沒有庫存,這是一個失去了銷售。

但這是循環論證。需求預測,然後檢查的準確性,預測必須依賴,部分相同的預測。

讓問題更加複雜的是,周圍商店經常有庫存準確率差的庫存位置。

的定義什麼是失去銷售omni-channel環境的變化。例如,如果一個客戶去書架上和他或她想買的產品不存在,一個商店助理可能意味著它可以從他們的電子商務倉庫發貨。曼哈頓的同事正在做一些有趣的產品開發在計算銷售損失一個omni-channel環境。然而,這些計算仍然依賴於預測。

簡而言之,成功的客觀測量-改善預測的關鍵不是我們真實的測量規劃的需求可能會喜歡。但在這種情況下,即使是一個不那麼完美的客觀衡量仍然會導致改善預測。而需要一個明確的衡量成功的機器學習,這些措施不需要是完美的。真正重要的是,使用它們可以提高應用程序的預測能力。

人才是稀缺和昂貴的

另一個問題與計算,如何利用人工智能AI和開發人才的稀缺周圍利用人工智能平台的能力。新來的博士有機器學習背景命令幾十萬美元的年薪。有經驗的專業人士,在亞馬遜或Facebook這樣的公司去工作了幾百萬美元。這些專業人士的選擇;機器學習創業公司、金融行業或快速增長的科技公司可能會更有趣比供應鏈領域這些專家。

團隊開發新的AI-powered應用程序將包括係統數據工程師、分析師、和數學家創造的核心模型。

一些公司內部的功能在這一領域。跨國消費品公司數據科學家專注於使用這些技術的銷售;大過程製造商數據科學家和工程師使用這些技術來改善生產流程。但在這些公司,很難“借”這幫助,因為供應鏈功能不被視為戰略。

/拖拽模型設計、數據混合部署和分析有助於解決這個技能短缺。甲骨文,例如,設計其人工智能解決方案,這一點——你根本不會看到底層數學。

數據的主導地位

我們需要一個數據基礎設施,可以獲取和整合數據,幹淨,分類和路由到人工智能應用程序。事實上,這個問題是足夠大的,公司最好先總結內部的數據,確定這些數據可能被高效地使用新的機器學習應用程序,然後開始收集和清洗的過程數據。這個過程可能需要兩年,花費數百萬美元,沒有保證數據不會有助於改善功能。

一個弧分析師參加了機器學習會上,這是一家領先的娛樂公司尋求改善其預測能力有多少印象數碼廣告會。他們聘請頂尖人才,在基礎設施上花費數百萬美元,建立了一個複雜的模型,然後發現一個簡單的統計模型已經有85 - 90%的機器學習模型的預測能力。簡而言之,花了很多錢但導致隻有小的改進他們的預測。

機器學習很少用於提高供應計劃。這在很大程度上是因為它是更難訪問和使用PLC和機器傳感器數據比需求規劃解決方案使用數據清理和統一由一個安全域。在供應規劃方麵,有這樣的平台。OSIsoft,例如,有一些參考的客戶在這裏,所以我們知道更多是可能的。SNEW的組合數據和操作數據的下一個前沿AI /機器學習將用於改善供應鏈規劃。

建議

基於電弧的研究和分析,我們建議公司以下操作:

• 庫存數據的數據集可能有潛力改善供應鏈預測。牧師為未來的使用和存儲數據。這不是一個快速的或容易的過程。
• 因為人工智能人才是如此昂貴,除非供應鏈戰略差異化的來源,它可能是有意義的工作與現有的供應鏈公司或AI公司開發解決方案。對於大型物流服務提供商或合同製造商,AI可能是戰略。
• 認識到建立供應鏈軟件公司焦慮和願意工作創新新的人工智能和機器學習的應用程序,他們有強烈的運籌學人才。
• 認為密切有關數據基礎設施管理和移動數據的人工智能技術。

如果你想買這個報告或獲得關於如何成為一個客戶的信息,謝謝聯係我們