生成式人工智能和供应链规划

在 Gartner 最近的一项调查中，超过三分之一的受访者表示，提高决策的稳健性、速度和质量是他们的三大目标。此外， 85% 的企业领导者经历过决策压力， 四分之三的人发现他们每天需要做出的决策量在过去三年中增加了十倍。就供应链而言，决策是降低成本、按时交付和增加市场份额的关键。在一家大公司中，通常有数十名规划人员试图规划、响应事件并尽可能地最大限度地利用资源。还有其他数十人正在尝试执行已传递给他们的计划。这些计划最初有多好仍然不得而知。这些计划最多是使用电子表格手动制定的，或者使用场景分析或优化系统，假设一切都是可预测的，计划中没有不确定性。它只是提供可见性，并将问题留给人类来解决。人类无法足够快、足够稳健和高质量地实时做出决策。结果是一个还可以的决定，但不知道这个决定有多好或最优。

鉴于供应链变得越来越复杂和不断增长，以及不仅要考虑成本和利润，还要考虑 ESG 因素的压力，许多领导者已向 AI 寻求帮助，并向 Gen AI 寻求答案。机器学习等某些人工智能技术已经存在多年，目前用于需求规划，而很少用于供应规划。与需求计划相反，大多数系统将供应计划视为确定性的。人工智能的最佳用途来自于预测不确定性并利用它来提高决策质量。为此，随机规划假设供应特征一直在变化的环境，具体取决于季节性、供应商绩效、地缘政治和社会经济因素等许多因素。利用这些信息，它可以制定出更好的计划。例如，考虑石油价格变化可以提高计划质量并产生更好的产品组合，从而增加利润。其他例子包括资源效率的变化和供应商交货时间的变化可以导致更好的准时交货和更低的库存。

如果有足够的例子可供学习，Gen AI 或大型语言模型 (LLM) 就非常好。他们学得很快，表现得就像专家一样。他们可以学习文本并能够解释消息、编写代码、诊断医疗问题或讲故事和编写电影剧本。然而，他们不擅长也无法进行数值分析和计算。这需要大量的例子让他们向算法或专家学习。但正如前面提到的，专家不一定知道每个事件的最佳答案是什么。即使他们这样做了，他们能否提供足够的例子供系统学习。从算法中学习也存在局限性。从法学硕士衍生的基础模型需要大量不同的数据，但由于隐私和版权问题，他们无法获得这些数据。

然而，Gen AI 可用于改进 计划员生产力 但它不适合 计划优化 和改进运营。它可以完成规划者的大部分日常工作，例如阅读和评估电子邮件和消息，它可以为他们可能遇到的一些问题提供答案，或者帮助他们找到正确的信息来源并确定日常任务的优先级。然而，它无法提高交付绩效、缩短周期时间、重新安排产品组合、使用替代产品、响应运输延迟和/或意外订单或提高采购百分比，同时优化运营和资源使用。此类任务是使用多个计划和执行系统来完成的。不只是 S&OP 但是 S&OP 结合 S&OE 消除数据和决策延迟， 针对不确定性执行随机规划。其结果是一个不断变得更好的反脆弱供应链。有关上述概念的更多信息，请点击 这里.