生成 AI とサプライ チェーン プランニング

Gartner による最近の調査では、回答者の 3 分の 1 以上が、意思決定の堅牢性、スピード、品質の向上が上位 3 つの目標であると回答しました。さらに、 ビジネス リーダーの 85% が意思決定のストレスを経験しています。 また、4 分の 3 は、毎日行う必要がある意思決定の量が過去 3 年間で 10 倍に増加しました。サプライチェーンに関して言えば、コストを削減し、納期を守って市場シェアを拡大​​するには、意思決定が鍵となります。大企業では通常、数十人のプランナーが計画を立て、イベントに対応し、リソースを最大限に活用しようとしています。他にも、渡された計画を実行しようとしている人たちが数十人います。そもそもの計画がどれほど優れていたのかは不明のままだ。これらの計画は、せいぜいスプレッドシートを使用して手動で作成されるか、シナリオ分析の使用、またはすべてが不確実性なく予測可能であると仮定する最適化システムが計画に組み込まれているかのいずれかで行われます。可視性を提供するだけであり、問​​題の解決は人間に委ねられます。人間はリアルタイムで十分な速度、堅牢性、高品質の意思決定を行うことができません。その結果、この決定がどれほど適切であるか最適であるかはわかりませんが、問題ないという決定が下されます。

サプライチェーンがより複雑化および成長しているという事実と、コストと利益だけでなく ESG 要素も考慮する必要があるというプレッシャーを考慮して、多くのリーダーは AI に助けを求め、Gen AI に答えを求めています。機械学習などの特定の AI 技術は長年にわたって存在しており、現在は需要計画に使用されており、供給計画にはあまり使用されていません。需要計画とは対照的に、供給計画はほとんどのシステムで決定的として扱われます。 AI を最大限に活用するには、不確実性を予測し、それを使用して意思決定の質を高めることが必要です。この目的を達成するために、確率的計画では、季節性、サプライヤーのパフォーマンス、地政学的要因、社会経済的要因などの多くの要因に応じて、供給特性が常に変化する環境を前提としています。この情報を使用して、より優れた計画を作成します。たとえば、原油価格の変動を考慮すると、計画の品質が向上し、製品のより良い組み合わせが生み出され、利益が増加します。他の例としては、リソースの効率の変化やサプライヤーのリードタイムの​​変動により、納期厳守の向上と在庫の削減につながる可能性があります。

Gen AI または Large Language Model (LLM) は、学習するための十分な例がある場合に非常に優れています。彼らは非常に早く学習し、あたかも専門家であるかのように行動できます。彼らはテキストを学習し、メッセージを解釈したり、コードを書いたり、医学的問題を診断したり、物語を語ったり、映画の脚本を書いたりすることができます。しかし、数値解析や計算は苦手であり、実行できません。これには、アルゴリズムまたは専門家から学ぶために膨大な数の例が必要です。しかし、前述したように、専門家はすべての出来事に対する最善の答えが何かを必ずしも知っているわけではありません。たとえそうしたとしても、システムが学習するのに十分な例を提供できるでしょうか。アルゴリズムからの学習にも限界があります。 LLM から派生した基盤モデルには、プライバシーと著作権の問題により利用できない、非常に大量の多様なデータが必要です。

ただし、Gen AI は改善に使用できます。 プランナーの生産性 しかし、それは適していません 計画の最適化 そして業務の改善。電子メールやメッセージを読んで評価するなど、プランナーの日常的な作業の多くを行うことができ、プランナーが抱くかもしれないいくつかの質問に対する答えを提供したり、適切な情報源を見つけて日々のタスクに優先順位を付けるのに役立ちます。ただし、運用とリソースの使用を最適化しながら、配送パフォーマンスを改善したり、サイクルタイムを短縮したり、製品の組み合わせを再調整したり、代替製品を使用したり、出荷の遅延や突然の注文に対応したり、調達率を向上したりすることはできません。このようなタスクは、いくつかの計画および実行システムを使用して実行されます。だけでなく S&OP 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。 S&OP と組み合わせること S&OE データと意思決定の待ち時間を排除し、 不確実性に対して確率的計画を実行する。その結果、脆弱でないサプライチェーンが改善され続けます。上記の概念の詳細については、ここをクリックしてください。 ここに.