生成式人工智慧與供應鏈規劃

在 Gartner 最近的一項調查中，超過三分之一的受訪者表示，提高決策的穩健性、速度和品質是他們的三大目標。此外， 85% 的企業領導者曾經歷過決策壓力， 四分之三的人發現他們每天需要做出的決策量在過去三年中增加了十倍。就供應鏈而言，決策是降低成本、按時交付和增加市場份額的關鍵。在一家大公司中，通常有數十名規劃人員試圖規劃、回應事件並盡可能地最大限度地利用資源。還有其他數十人正在嘗試執行已傳遞給他們的計劃。這些計劃最初有多好仍然不得而知。這些計劃最多是使用電子表格手動制定的，或使用場景分析或最佳化系統，假設一切都是可預測的，計劃中沒有不確定性。它只是提供可見性，並將問題留給人類來解決。人類無法夠快、夠穩健且高品質地即時做出決策。結果是一個還可以的決定，但不知道這個決定有多好或最優。

鑑於供應鏈變得越來越複雜和不斷增長，以及不僅要考慮成本和利潤還要考慮 ESG 因素的壓力，許多領導者已向 AI 尋求幫助，並向 Gen AI 尋求答案。機器學習等某些人工智慧技術已經存在多年，目前用於需求規劃，而很少用於供應規劃。與需求計劃相反，大多數系統將供應計劃視為確定性的。人工智慧的最佳用途來自於預測不確定性並利用它來提高決策品質。為此，隨機規劃假設供應特徵一直在變化的環境，取決於季節性、供應商績效、地緣政治和社會經濟因素等許多因素。利用這些訊息，它可以製定出更好的計劃。例如，考慮石油價格變化可以提高計劃品質並產生更好的產品組合，從而增加利潤。其他例子包括資源效率的變化和供應商交貨時間的變化可以導致更好的準時交貨和更低的庫存。

如果有足夠的例子可供學習，Gen AI 或大型語言模型 (LLM) 就非常好。他們學得很快，表現得就像專家一樣。他們可以學習文字並能夠解釋訊息、編寫程式碼、診斷醫療問題或講故事和編寫電影劇本。然而，他們不擅長也無法進行數值分析和計算。這需要大量的例子讓他們向演算法或專家學習。但正如前面提到的，專家不一定知道每個事件的最佳答案是什麼。即使他們這樣做了，他們能否提供足夠的例子供系統學習。從演算法中學習也存在著限制。從法學碩士衍生的基礎模型需要大量不同的數據，但由於隱私和版權問題，他們無法獲得這些數據。

然而，Gen AI 可用於改進 計劃員生產力 但它不適合 計劃最佳化 和改進營運。它可以完成規劃者的大部分日常工作，例如閱讀和評估電子郵件和訊息，它可以為他們可能遇到的一些問題提供答案，或者幫助他們找到正確的資訊來源並確定日常任務的優先順序。然而，它無法提高交付績效、縮短週期時間、重新安排產品組合、使用替代產品、響應運輸延遲和/或意外訂單或提高採購百分比，同時優化營運和資源使用。此類任務是使用多個計劃和執行系統來完成的。不只是 S&OP 但 S&OP 結合 S&OE 消除數據和決策延遲， 針對不確定性執行隨機規劃。其結果是一個不斷變得更好的反脆弱供應鏈。有關上述概念的更多信息，請點擊 這裡.