説明に基づくサプライチェーン計画

ほとんどすべてのサプライ チェーン計画ソリューションは、材料と容量の制約、および管理目標を満たす計画を立てるために、ある種のヒューリスティック アルゴリズムや最適化アルゴリズムを導入しています。 シナリオプランニングなどの原始的な手法を使用して、数千ものシナリオの中から少数のシナリオを検討し、どれがより良いかを判断する人もいます。 一部のシステムでは、最適な結果を導き出すために数学的アルゴリズムを採用していますが、数学的手法ではサプライ チェーン内の多くの複雑な制約を処理できないため、機能させるにはユーザーによる微調整が必​​要です。 また、AI と OR 技術を組み合わせて結果を生み出すシステムもあります。 この例としては、 マルチエシェロン在庫最適化（MEIO).

これらすべてのケースにおいて、システムはユーザーからの入力と利用可能なデータに基づいて「ブラックボックス」で意思決定を行います。 ただし、結果が生成されると、ユーザーは特定の決定が行われた理由を理解するために膨大な時間を費やす必要があります。 たとえば、ユーザーは、特定の顧客の注文が遅れて他の顧客の注文が遅れなかった理由、またはより高価な部品が使用された理由、または部品番号の在庫が増加した理由を知りたい場合があります。 これらすべての場合において、ユーザーは多くの画面を探索および調査し、特定の決定が行われた理由、それが正しい決定であったのか、システムが行うことができた可能性のある他の選択肢は何かを見つけ出そうとする必要があります。

ソリューションに完全なペギング機能がある場合、AI は、特定の決定がどのように行われたのか、なぜ行われたのかをユーザーに説明するのに役立ちます。 アプリケーションがソリューションを解決する際には、ユーザーの目的に基づいて考慮される多くの意思決定ポイントと分岐があります。 システムは管理目標を考慮して、あらゆる意思決定ポイントで正しい意思決定が行われるようにします。 場合によっては、後戻りして別のブランチを選択する必要があるかもしれません。 これらの決定ポイントは、本質的に、ソリューションへの道筋と、そのソリューションが作成された理由です。 Generative AI を使用することで、特定の決定が行われた理由を必要な限り詳細にユーザーに説明できるようになりました。 これは、ユーザーが「注文 P123 の配達が遅れる予定です。その理由と、予定通りに配達するために何ができるかを教えてください。?」と尋ねるのと同じくらい簡単です。 システムの完全なペギング機能とトレーサビリティを考慮すると、原因が何であり、他にどのような選択肢があるかがわかります。 この場合、遅延を避けるために、より高価な代替部品番号を使用する可能性があります。

さらに、このようなシステムとの対話により、システムをさらにインテリジェントにすることができます。 説明ベースの学習ここで、各ユーザー インタラクションは、ユーザーからのシステムの学習点となります。 したがって、システムは将来的に「より良い」決定を下すでしょう。 サプライチェーン計画における Gen AI の使用について詳しくは、こちらをご覧ください。 Adexa.