サプライチェーンの計画において機械が人間のように学習できるようにする

機械は、人間と同じように模倣や観察によって学習できます。言い換えれば、イベントの発生例を多数調べ、その発生を機械に公開された他のデータ パターンに関連付けます。たとえば、アイスクリームの売上が冬に低迷していることは、気温の低下、砂糖価格の上昇、牛乳の不足との相関関係から検出できます。十分なデータが与えられれば、ML アルゴリズムは毎年冬のアイスクリームの売上を予測できます。人間は同じデータを与えられれば同じ結論に達します。ただし、コンピューターには利用できない可能性のある既存の世界モデル (理解) に接続することで、より深いレベルで推論することができます。アイスクリームの売上が落ち込んだ場合、業界の収益が下がると結論付けることができます。次に、この結果を評価して、望ましいかどうかを確認します。次に、現在の経験 (他に学んだこと) に頼り、収益を向上させる方法を探します。経験と知識は、どのような解決策を考え出すかに違いをもたらす可能性があります。それが現実だと言う人もいるでしょう。もっと深く考えてみると、もし天候が原因なら、気候が温暖な地域で販売を促進しよう、あるいは砂糖価格が原因なら、代替甘味料を探そう、と言う人もいる。コンピューターも同じことができるだろうか？ データが利用可能であれば、できる。コンピューターは、冬に健康的な生活を送るためにアイスクリームを宣伝する広告キャンペーンを考案できるだろうか？ 広告が健康に良いことをコンピューターが知っているのでなければ、コンピューター自身ではできない。 財産 収益の増加。

上記の単純な例では、人間は 学んだ 原因だけでなく解決策についても理解する。これがLLMを使って機械に与えることができる真の知性であり、 プロパティまたは属性 物体の。サプライチェーン計画では、MLアルゴリズムは予測の高低、メンテナンスの発生、在庫レベルなどの問題について警告します。しかし、ほとんど、あるいはすべては、エンドユーザーに処方できる解決策を思いつくことができません。処方できるようにするには、コンピューターは物体の形状（構造またはデジタルツイン）と特性の観点から世界を完全に理解する必要があります。これを私たちは「 行動テーブルの形状は理解されていますが、重量を支える、地震から守る、感謝祭のディナーを催すなど、その特性は多岐にわたります。

納品予定数量に応じて、特定の時期にいつも遅れるサプライヤーや、他のベンダーと比べて定期的に価格が上昇するサプライヤーについて考えてみましょう。システムは組織の目的を理解する必要があります。そうすることで、このサプライヤーについて知ったときに、目的に従って行動できるようになります。真のデジタル ツインは、代わりに使用できる低コストの代替サプライヤーを提示する場合があります。ただし、代替サプライヤーはリード タイムが長くなったり、品質が低下したり、炭素排出基準がさらに厳しくなったりする可能性があります。人間は、どのような行動を取るかを決定する際に、自分の価値観と目的に頼ります。システムは、決定を下すために、そのような目的と価値観を理解する必要があります。これは、デジタル ツインで世界のデジタル表現を持つこと以上のものです。これには、物理​​的な世界の外観や構造だけでなく、その動作のデジタル ツインが必要です。

そのため、経営陣に迅速に回答や提案を提供するための真にインテリジェントなシステムには、構造と動作の両方が必要であると考えています。属性と 属性ベースの計画 は、経営と組織の目的を前提として、この行動をそれぞれ表現し、学習できる手段を提供します。目的には、もちろん利益、市場シェア、炭素排出量の削減、コスト削減など、さまざまなものがあります。私たちのアプローチは、各目的の許容範囲を考慮しながら、システムがすべての目的の重複領域を満たすように、複数の目的を述べる柔軟性を提供することです。したがって、好みの間で交渉する環境が生まれます。これは多数決のような状況ではなく、組織の行動と同様に常に変化する必要な目的をできるだけ多く満たすソリューションを見つけることです。

真の知能を実現するには、構造と動作の両方を表現し、学習する必要があります。現実世界では、人間は常に変化し、学習し、改善しています。システムが同じことを可能にするには、現実世界の変化に合わせて両方を変える能力が必要です。AIとMLの使用、および属性ベースプランニングを使用したサプライチェーンの動作表現の詳細については、ここをクリックしてください。 ここに.