讓機器像人類一樣學習規劃供應鏈

機器可以像人類一樣透過模仿或觀察來學習。換句話說，查看事件發生的許多實例，然後將該事件與暴露給機器的其他一些資​​料模式相關聯。例如，冬季冰淇淋銷量較低，可以透過其與氣溫較低、糖價上漲或牛奶短缺的相關性來判斷。如果給出足夠的數據，那麼機器學習演算法就可以預測每年冬天冰淇淋的銷售量。根據相同的數據，人類得出相同的結論。然而，他們能夠透過連接到電腦可能無法使用的現有世界模型（理解）來進行更深層的推理。在冰淇淋銷量下降的情況下，他們可以得出結論，該行業的收入將會下降。然後他們評估這個結果，看看它是否令人滿意。接下來，他們依靠當前的經驗（他們學到的其他東西），並尋找提高收入的方法。他們的經驗和知識可以對他們提出的解決方案產生影響。有些人可能會說，就是這樣。有人深究起來，說如果是天氣的原因，那就在天氣暖和的地區推銷吧。或者，如果是由於糖價上漲，那麼尋找替代甜味劑。電腦也能做同樣的事嗎？是的，如果他們有可用的數據。電腦能否想出一個宣傳冰淇淋以促進冬季健康生活的廣告活動？除非它知道廣告具有 財產 增加收入。

在上面的簡單例子中，人類 知道 關於解決方案而不僅僅是原因。這是真正的智能，透過理解 LLM 也可以賦予使用 LLM 的機器。 屬性或屬性 的物體。在供應鏈規劃中，機器學習演算法會警告高預測或低預測、維護事件甚至庫存水準等問題。然而，大多數（如果不是全部）都無法提出可以向最終用戶指定的解決方案。為了能夠開藥，電腦需要從物體的形狀（結構或數位孿生）和屬性（我們所說的）方面全面了解世界 行為。桌子的形狀是眾所周知的，但它的特性有很多，包括承重、防震、感恩節晚餐等。

考慮一個供應商總是在一年中的某些時間遲到，這取決於他們應該交付的數量；或者與其他供應商相比，他們的價格可能會定期上漲。系統需要了解組織的目標，以便當他們了​​解該供應商時，他們可以根據目標採取行動。真正的數位孿生可能會提供成本更低的替代供應商。然而，替代方案可能具有更長的交貨時間和/或更低的品質甚至更高的碳排放標準。人類依靠自己的價值觀和目標來決定要採取什麼行動。系統需要了解這些目標和價值觀才能做出決定。這超出了在數位孿生中對世界進行數字表示的範圍。這需要物理世界行為的數位孿生，而不僅僅是其外觀或結構。

為此，我們認為需要結構和行為來擁有一個真正的智慧系統，以便快速向管理層提供答案和建議。屬性的使用和 基於屬性的規劃 給定管理和組織的目標，提供了一種可以分別表示和學習這種行為的方法。目標當然是利潤、市場佔有率、減少碳排放、降低成本等等。我們的方法是提供靈活性，以系統滿足所有目標的重疊區域的方式陳述多個目標，同時考慮每個目標的容忍度。因此，創造一個偏好之間進行談判的環境。這不是多數獲勝的情況，而是找到解決方案，盡可能滿足所需的目標，因為這些目標不斷變化，組織的行為也是如此。

對於真正的智慧來說，結構和行為都需要被表達和學習，在現實世界中，人類不斷變化、學習和改進。為了使系統能夠做同樣的事情，它們需要有能力隨著現實世界的變化而改變。有關使用人工智能和機器學習以及使用基於屬性的規劃的供應鏈行為表示的更多信息，請單擊 這裡.