让机器在规划供应链时像人类一样学习

机器可以像人类一样通过模仿或观察来学习。换句话说，观察某个事件发生的许多实例，然后将该事件与机器接触的其他数据模式联系起来。例如，冬天冰淇淋销量低可以通过与气温下降、糖价上涨或牛奶短缺的相关性来检测。如果提供足够的数据，那么 ML 算法可以预测每个冬天冰淇淋的销量。人类在给定相同数据的情况下得出相同的结论。然而，他们能够通过连接到计算机可能无法获得的现有世界模型（理解）进行更深层次的推理。如果冰淇淋销量下降，他们可以得出结论，该行业的收入将会下降。然后他们评估这个结果，看看是否可取。接下来，他们会依靠他们目前的经验（他们学到了什么其他东西），寻找提高收入的方法。他们的经验和知识可以对他们能想出的解决方案产生影响。有些人可能会说这就是事实。有些人会深入研究，说如果是天气原因，那么就去气候温暖的地区推销。或者如果是糖价原因，那么就寻找替代甜味剂。计算机能做同样的事情吗？可以，只要他们有可用的数据。计算机能想出一个广告活动，在冬天推广冰淇淋的健康生活吗？除非它知道广告具有 财产 增加收入。

在上面的简单例子中，人类有 知道 解决方案而不仅仅是原因。这才是真正的智能，也可以通过理解 属性或特性 物体。在供应链规划中，机器学习算法会警告诸如预测过高或过低、维护发生甚至库存水平等问题。然而，大多数（如果不是全部）算法都无法提出可以向最终用户开出处方的解决方案。为了能够开处方，计算机需要全面了解世界，包括物体的形状（结构或数字孪生）和属性，我们称之为 行为桌子的形状我们都知道，但是它的特性却有很多，包括承重、防震、以及用来举行感恩节晚餐等。

想象一下，某个供应商总是在一年中的某些时候迟到，具体取决于他们应该交付的数量；或者与其他供应商相比，他们的价格定期上涨。系统需要了解组织的目标，以便当他们了解这个供应商时，他们可以根据目标采取行动。真正的数字孪生可以提供一个成本更低的替代供应商。然而，替代方案的交货时间可能会更长，质量更低，甚至碳排放标准更高。人类会依靠他们的价值观和目标来决定采取什么行动。系统需要了解这些目标和价值观来决定。这超越了在数字孪生中对世界的数字化表示。这需要物理世界行为的数字孪生，而不仅仅是它的外观或结构。

为此，我们认为，要拥有一个真正智能的系统，以便快速为管理层提供答案和建议，结构和行为都是必需的。使用属性和 基于属性的规划 提供了一种方法，通过该方法，可以根据管理层和组织的目标分别表示和学习这种行为。目标当然是利润、市场份额、减少碳排放、降低成本等等。我们的方法是提供陈述多个目标的灵活性，使系统满足所有目标的重叠区域，同时考虑每个目标的容忍度。因此，创造了一个在偏好之间进行谈判的环境。这不是多数人获胜的情况，而是找到一种解决方案，尽可能满足所需的目标，因为它们在不断变化，组织的行为也在不断变化。

对于真正的智能，结构和行为都需要被表示和学习，在现实世界中，人类在不断变化、学习和改进。为了使系统能够做到这一点，它们需要具有随着现实世界的变化而改变结构和行为的能力。有关使用 AI 和 ML 以及使用基于属性的规划对供应链进行行为表示的更多信息，请单击 服务.