基於解釋的供應鏈規劃

幾乎所有供應鏈規劃解決方案都部署某些類型的啟發式和/或最佳化演算法，以提出滿足材料和容量限制以及管理目標的計劃。 有些人使用場景規劃等原始技術來檢查數千個場景中的少數場景，看看他們更喜歡哪一個。 有些系統採用數學演算法來得出最佳結果，需要使用者進行調整才能使其發揮作用，因為數學技術無法處理供應鏈中的許多複雜限制。 有些系統透過結合人工智慧和 OR 技術來產生結果。 一個例子是 多級庫存優化（MEIO).

在所有這些情況下，系統都會根據使用者的輸入和可用資料在「黑盒子」中做出決策。 然而，一旦產生結果，用戶將不得不花費過多的時間來理解為什麼做出某些決定。 例如，用戶可能想要弄清楚為什麼某些客戶的訂單被延遲，而其他一些客戶的訂單卻沒有延遲，或者為什麼使用了更昂貴的部件，或者為什麼某個部件號的庫存增加了。 在所有這些情況下，用戶需要探索和調查許多螢幕，並嘗試找出為什麼做出某個決定、它是否是正確的決定以及系統可能做出的其他選擇。

如果解決方案具有完整的掛鉤功能，人工智慧可以幫助向使用者解釋如何以及為何做出某些決策。 當應用程式求解解決方案時，會根據使用者的目標考慮許多決策點和分支。 系統考慮管理目標，以確保在每個決策點做出正確的決策。 在某些情況下，它可能必須回溯並選擇另一個分支。 這些決策點本質上是解決方案的路徑及其產生的原因。 使用生成式人工智慧，我們現在能夠根據需要盡可能詳細地向用戶解釋為什麼做出某個決定。 就像用戶詢問“訂單 P123 計劃延遲交貨一樣簡單，請告訴我原因以及我們可以採取哪些措施才能按時交貨？” 考慮到系統的完整掛鉤功能和可追溯性，我們知道原因是什麼以及我們可能有哪些其他選擇。 在這種情況下，我們可能會使用更昂貴的替代零件號碼來避免延遲。

此外，這種與系統的互動可以透過以下方式進一步使系統更加智慧： 基於解釋的學習，其中每次使用者互動都是系統向使用者學習的一個學習點。 因此，系統將來會做出「更好」的決策。 要了解有關 Gen AI 在供應鏈規劃中的使用的更多信息，請訪問 Adexa.