کاربرد هوش مصنوعی در زنجیره تامین (بهبود و طرح‌ریزی مجدد آن)

حسین نوریان، مشار مدیریت استراتژیک

برگرفته از مجموعه مقالات گروه مشاوران بوستون درباره هوش مصنوعی

امروز صحبت از هوش مصنوعی همه جا هست و اگر اهل گشت و گذار در فضای مجازی باشید حتما ویدیوهای زیادی درباره قدرت بی سابقه هوش مصنوعی در دستکاری محتوای تصویر و ویدیو (به اصطلاح جعل عمیق) را دیده اید. اگر هوش مصنوعی می‌تواند با صدا و چهره افراد مشهور محتواهای بدخواهانه تولید کند پس حتما می‌توان از این فناوری در راستای دستیابی به اهداف پسندیده و مناسب هم می‌توان استفاده کرد! به عبارت دیگر هوش مصنوعی می‌تواند به شرکت‌ها برای خلق ارزش ممتاز کمک کند اما چگونه؟
بسیاری از شرکت‌ها در سال‌های اخیر جواب این سوال را یافته‌اند، شرکت‌های تولید کننده مواد شیمیایی مانند Lanxess از هوش مصنوعی برای ارائه فرمول‌های سفارشی به مشتریان خود در زمان‌های پاسخ کوتاه استفاده کرده‌اند، سرعت ارایه محصولی که قبلاً هرگز در بازار دیده نشده بوده است. بازیگران اکوسیستم خودرو مانند فولکس واگن هم از یادگیری ماشین استفاده می‌کنند تا اطمینان بیابند که هر زمان که تعمیرگاه اتوموبیل شما به قطعات یدکی نیاز دارد، در دسترسش خواهد بود و برخی دیگر از شرکت‌ها مانند GE Aviation از هوش مصنوعی برای بهبود محصول خود استفاده کرده‌اندمثلا آن شرکت توانسته است زمان کارکرد موتور خودرو را با بهره‌گیری از هوش مصنوعی و داده‌های حجم زیاد بهینه‌سازی کند.
اما یکی از مهم‌ترین چالش‌های مدیران صنایع مختلف، در مقوله مدیریت موثر زنجیره تامین است، چالشی که حل آن می‌تواند اهرم بسیار کارامدی برای بهبود بازدهی اقتصادی بنگاه‌ها باشد به همین دلیل است که امسال پژوهشگران و فعالان هوش مصنوعی تمرکز زیادی بر بهره‌گیری از این فناوری برای بهبود زنجیره‌های تامین در صنایع مختلف گذاشته‌اند و به دنبال خلق راه حل‌ها و محصولات مختلف در این حوزه هستند.

حوزه‌هایی از زنجیره تامین که می‌توان از هوش مصنوعی برای بهبود آن استفاده کرد:

• پیش بینی تقاضا: به شرکت‌ها کمک می‌کند بهره‌وری زیادی را در فرایندهای تامین، مدیریت سبد محصولات و فروش ایجاد کنند و ضمن کاهش هزینه‌ها، حاشیه سود سبد را بهینه سازند
• فرایندها و مدل‌های کسب و کار جدید: با هوش مصنوعی می‌توان شکل فرایندها و مدل کسب و کار را تغییر و بهبود داد مثلا استفاده از نگهداری پیش بینانه در نگهداری و تعمیرات به جای نگهداری پیشگیرانه
• بهبود عملیات در زنجیره تامین: با این تکنولوژی می‌توان کیفیت اجرای بسیاری از فرایندها را بالا برد. مثلا می‌توان در کنترل کیفی محصولات از هوش مصنوعی استفاده کرد یا قدرت و سهولت انتخاب محصول را برای مشتری بهبود بخشید

انواع راه حل‌های هوش مصنوعی برای بهینه سازی زنجیره تامین

راه حل‌های هوش مصنوعی انواع و دسته بندی‌های مختلف و متعددی دارند که هر کدام از آنها به فراخور چالشی که سازمان‌ها با آن مواجه هستند، بلوغ سازمانیشان برای بهره گیری از هوش مصنوعی و میزان منابع مالی، دانشی و تکنولوژیکی که در اختیار دارند، انتخاب می‌شوند اما یکی از دسته بندی‌های کلاسیک در ابزارهای هوش مصنوعی که می‌تواند برای فهم بهتر شیوه استفاده از این تکنولوژی در زنجیره تامین به کار آید در نمودار زیر مشخص شده و در ادامه شرح داده می‌شود:

بهینه‌سازی سنتی زنجیره تامین باهوش مصنوعی “بارگذاری مجدد”

این نوع از کاربرد هوش مصنوعی، شاید سنتی‌ترین و همچنین پرکاربردترین نمونه باشد. بر اساس تحقیقات انجام شده توسط گروه مشاوران بوستون بیش از هفتاد درصد از کاربری‌های فعلی در حوزه هوش مصنوعی در این دسته قرار می‌گیرند. این تکنولوژی بر اساس داده‌های ورودی به زنجیره تامین و الگوهایی که از پیش برای آن تعریف شده‌اند، پیشنهادات سودمندی را برای بهینه‌سازی مولفه‌های مختلف در زنجیره تامین ارایه می‌کند.
در این روش هوش مصنوعی تحلیل‌گران الگوهای مشخص و از پیش تعیین شده را بر روی حجم زیادی از داده‌ها اعمال می‌کنند و نتایج بهینه‌سازی را باز می‌گردانند. به عنوان مثال می‌توان از این فناوری برای تصمیم گیری‌های استراتژیک در طرح‌ریزی بهینه شبکه توزیع در زنجیره تامین استفاده کرد.
هم اکنون تعاد قابل توجهی ابزار کاربردی از این نوع وجود دارد که شرکت‌ها می‌توانند از آنها برای بهینه‌سازی منابع مختلف بهره ببرند. با وجود اینکه این تکنولوژی مدت‌ها است که وجود دارد و از جمله روش‌های سنتی به شمار می‌رود اما هنوز هم بسیاری از شرکت‌ها از فرصت‌های آن استفاده می‌کنند زیرا پیشرفت‌های اخیر در مدیریت داده‌ها و ابزارهای بهینه‌سازی، فضا را برای فراهم کردن بینش‌های بهینه‌سازی بسیار ارزش‌مند‌تر فراهم کرده است.
پژوهش گروه مشاوران بوستون نشان می‌دهد که شرکت‌ها می‌توانند با استفاده از روش‌های بهینه‌سازی مبتنی بر داده در هزینه‌های زنجیره تامین به میزان بیش از بیست درصد صرفه جویی کنند. اما مدیرانی که می‌خواهند از قابلیت‌های این ابزار استفاده کنند باید بر براورد چه الزاماتی تمرکز کنند؟

ایجاد الگوها و قواعد دقیق بهینه‌سازی (الگوریتم‌ها): برای بهره‌گیری موثر از این فناوری، تعیین قوانین تصمیم گیری صحیح و اهداف مشخص در مدل‌های مبتنی بر هوش مصنوعی کلیدی است. برای مثال امروزه بسیاری از شرکت‌ها‌اندازه گیری معیارهای پایداری زنجیره را هم علاوه بر معیارهای سنتی مانند میزان هزینه‌ها، سطوح خدمات و توازن کمی و کیفی مورد توجه قرار داده‌اند. به عبارت دیگر برای استفاده موثر از این مدل‌های بهینه‌سازی در ابتدا باید آن سوالات کلیدی که الگوریتم می‌بایست به آنها پاسخ دهد را مشخص کرد و روش‌های محاسباتی و تحلیلی را فراهم نمود

بهبود مستمر الگوریتم‌ها: شرکت‌های که می‌خواهند برنامه‌ریزی زنجیره را مجددا طرح‌ریزی کنند یا کارایی و دقت آن را بالا ببرند باید بر بهبود الگوریتم‌های مورد استفاده هم تمرکز کنند. هم اکنون در بازار کار کارشناسان بسیار زبده ای هستند که می‌توانند الگوریتم‌های بهینه‌سازی را مداوما بهبود دهند و راه حل‌های بسیار خوب نرم افزاری هم برای این منظور وجود دارد. پس یکی از معیارهای مهم موفقیت در این رویکرد بهبود مستمر و دایمی الگوریتم‌های مورد استفاده است.

بهره‌گیری از ظرفیت‌های تکنولوژی: ظرفیت محاسباتی فضای ابری (به عنوان مثال خدمات وب آمازون، Google Could Platform، یا Microsoft Azure) هم می‌توانند به شرکت‌ها کمک کند تا راه حل‌های کاربردی زنجیره تامین را در محدوده وسیع تری به مقیاس برسانند. بحث فقط استفاده بیشتر از این راه حل‌های فکری و نرم افزاری نیست بلکه گسترش تعداد سوالاتی است که این مدل‌ها باید به آن پاسخ دهند یا چالش‌هایی است که باید برای حلشان راه حل ارایه کنند. مثلا اگر شرکت‌ها در حال حاضر از این تکنولوژی‌ها برای حل مسایل کلان خود استفاده می‌کنند باید به تدریج آن را به حل چالش‌های واحدهای سازمانی زیرمجموعه نیز گسترش دهند.

هوش مصنوعی با یادگیری ماشینی نظارت شده (Supervised) در زنجیره تامین

اینجا اوج قدرت شرکت‌هایی است که خود را رهبران تحلیل زنجیره تامین می‌دانند.آنها می‌توانند با این فناوری میزان تقاضا را تا سطح واحدهای سازمانی داخل زنجیره تامین پیش بینی کنند. روش کار این گونه است که دسته‌های مختلف داده‌های حاصل شده از اجرای فرایندها و محیط را از سیستم‌های اطلاعاتی یا حتا سخت افزار (سنسورها) فراهم می‌کنند و با تحلیل آنها، قواعد و الگوهای شگفت انگیزی را از داده‌های گذشته فراهم می‌کنند. مثلا در این روش می‌توان الگوهای خرابی را در تجهیزات کلیدی پیش بینی کرد یا با بهره‌گیری از هوش مصنوعی تصویری قطعات خراب را از سالم تمیز داد.
بنای کار در این روش اینگونه است که داده‌های گذشته توسط تحلیل گران دسته بندی (خوشه بندی) یا برچسب گذاری می‌شوند تا هر الگویی که در آینده اتفاق می‌افتد را با موارد مشابه آن در گذشته مقایسه شود و در نتیجه این مقایسه امکان اتفاق افتادن حالتی در آینده پیش بینی شود یا واقعیتی در وضعیت فعلی که ردپایی در گذشته دارد، کشف گردد.
وجه مشترک این دسته از راه حل‌ها، آن است که قواعد بازی را از مقدار قابل توجهی از داده‌ها و نتایج واقعی قبلی که خوشه بندی یا برچسب گذاری شده‌اند، یاد می‌گیرند و هر داده بعدی را با آن تطبیق می‌دهند. در مثال پیش بینی تقاضا، هوش مصنوعی از داده‌های تاریخی (مانند تاریخچه فروش، الگوهای آب و هوا، داده‌های اقتصادی و تقاضاهای واقعی قبلی) روابط میان مولفه‌ها را می‌آموزد و آن را به آینده تعمیم می‌دهد تا سازمان بتواند پیش بینی نسبتا دقیقی برای میزان تقاضا داشته باشد.
آنطور که کارشناسان گروه BCG Gamma با بررسی عملکرد شرکت‌های مختلف نشان داده‌اند، با بهبود دقت پیش‌بینی می‌توان میزان نیاز به ذخیره موجودی‌ کالاها را کاهش داد و با ذخیره سازی محصول یا مواد اولیه به میزان بهینه مبتنی بر واقعیت، حاشیه‌ سود بیشتری را ایجاد کرد و شاخص EBIT را به میزان بیش از 5 درصد افزایش داد اما برای بهره‌گیری موثرتر از این راه حل باید به الزامات زیر توجه کرد:

فراهم آوری داده‌ها: جمع آوری طیف متنوع، زیاد و دقیقی از داده‌ها برای بهره‌گیری از این فناوری ضروری است. به عنوان نمونه باید استخر داده‌ها در شرکت‌ها ایجاد گردد که در آن تمامی تراکنش‌های فرایندی عملیاتی و پشتیبانی ذخیره گردد.

تزاید داده‌ها: مدیران زنجیره تامینی که می‌خواهند از قابلیت‌های این فناوری استفاده کنند باید مطمین شوند که همواره داده‌ها از انواع جدید به عنوان ورودی به سیستم تحلیلی و پیش بینی اضافه می‌گردد ( زیرا ممکن است روابط واقعی به داده‌هایی بستگی داشته باشند که هنوز به عنوان ورودی استفاه نمی شود) حتا در بسیاری از موارد شرکت‌ها، داده‌ها را صرفا برای ورود به این سیستم تهیه می‌کنند. به عنوان نمونه یک شرکت حوزه فناوری متوجه شد که داده‌های کلیدی برای دقت پردازش‌های پیش بینی کننده فناوری یادگیری ماشین، به صورت غیر ساختیافته در واحد بازاریابی و فروش آن شرکت وجود دارد اما ثبت نمی شود پس سیستمی را برای جمع آوری آنها و افزودشان به سیستم یادگیری ماشین بنانهاد.

به کارگیری دانش عمیق برای بهبود اثربخشی در این فناوری بسیار مهم است، سازمان باید بتواند نتایج حاصل شده از هوش مصنوعی را با یادگیری‌های ضمنی افراد در اثر اجرای فرایندهای مختلف تلفیق کند و با بهره‌گیری از یک چرخه بازخوردی دقت هر دو را بهبود بخشد، این به معنی یکپارچه کردن هوش مصنوعی با نظام مدیریت دانش سازمان است.

یادگیری ماشین زنجیره تامین بدون نظارت (نظارت نشده)

شاید این فناوری گونه پیشرفته،‌ نادر و جدید در بهره‌گیری از هوش مصنوعی در مدیریت زنجیره تامین باشد و نمونه‌های اجرا شده اش از دو نوع دیگر کمتر باشد اما ارزش آن را نباید دست کم گرفت. در یادگیری ماشینی زنجیره تامین بدون ناظر، داده‌ها بدون هیچ زمینه مشخصی به موتور هوش مصنوعی وارد می‌شوند (نیاز به برچسب گذاری یا خوشه بندی توسط تحلیل گر نیست) و شبکه‌های هوش مصنوعی بدون پیش فرض، مجموعه قوانینی را بین آن داده می‌یابند و به تحلیل گران ارایه می‌دهند ( دستیابی به این قواعد اغلب بر اساس یافتن شباهت‌هایی میان دسته‌های داده مختلف است)
کاربرد این فناوری چگونه است؟ نمونه‌های مختلفی از کاربری این نوع فناوری وجود دارد. مثلا شرکت‌ها از این قابلیت برای کشف الگوهای ناشناخته قبلی در رفتار سفارش مشتریان خود استفاده می‌کنند.
مثال کلاسیک و مشهور آن درباره شرکت والمارت است که از این تکنیک برای کشف ارتباط معروف میان دو محصول پوشک و نوشیدنی استفاده کرد و با روابطی که میان این دو محصول فهمید، تصمیم گرفت که محل قرارگیری آنها را در فروشگاه‌های خود نزدیک‌تر کند تا هر یک بتواند فروش دیگری را تحریک نماید.
اخیراً شرکت‌ها از این نوع رویکرد برای باز طراحی و تقسیم‌بندی مراکز درامدی در زنجیره تأمین خود استفاده می‌کنند. به طوری که بر اساس آنچه تحلیل داده‌ها در رفتار مصرف کننده و رفتار خرید محصول نشان می‌دهد، محصولات و خدمات، سطوح توافق شده خدمات با مشتری و مولغه‌های مانند این را به شکل موثرتری سازمان دهی و طرح‌ریزی می‌کنند که این تمهید موجب کاهش شدید هزینه‌ها و بهبود بهره‌وری در هر مرکز درآمد می‌شود.

فراهم بودن و کیفیت داده‌ها در این رویکرد بسیار اهمیت دارد و از اولویت اول برخوردار است و مدیران باید بدانند برای بهره‌گیری از این فناوری به معمولا به داده‌هایی بسیار بیشتر از بکارگیری تراکنش‌های روزمره فرایندهای سازمان احتیاج است.

بررسی و تفسیر نتایج حاصله توسط افراد خبره آشنا با ویژگی‌های زنجیره تامین در این روش بسیار اهمیت دارد تا از تصمیم گیری و اقدام بر اساس الگوهای تصادفی (غیر معتبر ) میان داده‌ها اجتناب شود.

تغییر دایمی و هر روزه شیوه‌ها مانند تغییر در مکان قرارگیری محصوللات و … در فروشگاه‌های فیزیکی و آنلاین به برخورداری از فرایندهای پشتیبانی بسیار چابک در سازمان نیازمند است.

فرصت‌های جدید بهره‌مندی از فناوری هوش مصنوعی رهبران شرکت‌های دارای زنجیره تامین را در معرض انتخاب‌های سخت قرار می‌دهد: انتخاب رویکرد تحلیلی مناسب برای حل یک مشکل بسیار مهم است اما اولین قدم می‌باشد و مهمتر از آن هدایت سرمایه‌گذاری‌ها به سمت مهم‌ترین حوزه‌ها است تا پیش‌نیازهای کلیدی را برای تحقق ظرفیت‌های کامل هوش مصنوعی ایجاد کنند.

حسین نوریان، مشاور مدیریت استراتژیک

استفاده از مطالب فوق  تنها با ذکر منبع مجاز است

جهت دریافت اطلاعات بیشتر یا مشاوره مدیریت استراتژیک با رویکرد تحول دیجیتال با ما تماس حاصل فرمایید

این مطالب را هم مطالعه نمایید:

هوش مصنوعی در نوآوری استراتژیک

آینده مدیریت استراتژیک با هوش مصنوعی