基于解释的供应链规划

几乎所有供应链规划解决方案都部署某些类型的启发式和/或优化算法，以提出满足材料和容量限制以及管理目标的计划。 有些人使用场景规划等原始技术来检查数千个场景中的少数场景，看看他们更喜欢哪一个。 一些系统采用数学算法来得出最佳结果，需要用户进行调整才能使其发挥作用，因为数学技术无法处理供应链中的许多复杂约束。 有些系统通过结合人工智能和 OR 技术来产生结果。 一个例子是 多级库存优化（MEIO).

在所有这些情况下，系统都会根据用户的输入和可用数据在“黑匣子”中做出决策。 然而，一旦产生结果，用户将不得不花费过多的时间来理解为什么做出某些决定。 例如，用户可能想要弄清楚为什么某些客户的订单被延迟，而其他一些客户的订单却没有延迟，或者为什么使用了更昂贵的部件，或者为什么某个部件号的库存增加了。 在所有这些情况下，用户需要探索和调查许多屏幕，并尝试找出为什么做出某个决定、它是否是正确的决定以及系统可能做出的其他选择。

如果解决方案具有完整的挂钩功能，人工智能可以帮助向用户解释如何以及为何做出某些决策。 当应用程序求解解决方案时，会根据用户的目标考虑许多决策点和分支。 系统考虑管理目标，以确保在每个决策点做出正确的决策。 在某些情况下，它可能必须回溯并选择另一个分支。 这些决策点本质上是解决方案的路径及其产生的原因。 使用生成式人工智能，我们现在能够根据需要尽可能详细地向用户解释为什么做出某个决定。 就像用户询问“订单 P123 计划延迟交货一样简单，请告诉我原因以及我们可以采取哪些措施才能按时交货？” 考虑到系统的完整挂钩功能和可追溯性，我们知道原因是什么以及我们可能有哪些其他选择。 在这种情况下，我们可能会使用更昂贵的替代零件号来避免延迟。

此外，这种与系统的交互可以通过以下方式进一步使系统更加智能： 基于解释的学习，其中每次用户交互都是系统向用户学习的一个学习点。 因此，系统将来会做出“更好”的决策。 要了解有关 Gen AI 在供应链规划中的使用的更多信息，请访问 Adexa.