Was kann generative KI tun, um das Lieferkettenmanagement vollständig zu ändern?
Was kann generative KI tun, um das Lieferkettenmanagement vollständig zu ändern?
Unternehmen stehen vor verschiedenen komplexen Herausforderungen bei der Gestaltung und Optimierung ihrer Lieferketten, unter denen die Verbesserung der Anpassungsfähigkeit, die Reduzierung der Kosten und die Verbesserung der Planungsqualität nur einige Aspekte sind. In den letzten Jahrzehnten haben Fortschritte in der Informationstechnologie die Geschäftsentscheidungen von der Vernetzung auf Intuition und Erfahrung auf automatisiertere und datengesteuerte Methoden verändert, wodurch die Effizienz verbessert, die Kosten erheblich gesenkt und den Kundenservice verbessert werden.
Leider müssen Geschäftsführer immer noch viel Zeit und Mühe damit verbringen, die vom System vorgeschlagenen Vorschläge zu verstehen, verschiedene Situationen zu analysieren und eine Hypothesenanalyse durchzuführen. Die Aktualisierung der mathematischen Modelle von Tools für Lieferkettenmanagement, um Änderungen in der Geschäftsumgebung widerzuspiegeln, ist ebenfalls zeitaufwändig. Um diese Probleme anzugehen, müssen Planer und Manager Data Science -Teams oder Technologieanbieter einstellen, um die Ergebnisse zu erklären oder das System zu ändern.
Das große Sprachmodell (LLM) ist eine generative KI, die den Abschluss dieser Aktivitäten auch ohne die oben genannte Unterstützung ermöglicht und die Entscheidungszeit von Tagen oder Wochen bis zu Minuten oder Stunden verringert und die Effizienz und die Auswirkungen des Planungs- und Managementpersonals erheblich verbessert. In diesem Artikel werden wir untersuchen, wie große Sprachmodelle verwendet werden, um Einblicke aus Daten zu erhalten, damit Manager die Situation der Lieferkette besser verstehen, hypothetische Fragen beantworten und Tools für die Lieferkettenmanagement aktualisieren können, um die aktuelle Geschäftsumgebung zu berücksichtigen. Wir haben auch die Herausforderungen betont, die Unternehmen bei der Einführung großer Sprachmodelle bewältigen müssen, sowie die Möglichkeiten, ihren Anwendungsbereich in Zukunft zu erweitern.
Der Großteil der Erfahrungen, die wir teilen möchten, stammt aus der Verwendung von LLM -basiertem System durch Microsoft, um das Angebot an Servern und anderen Hardware zu verwalten, die über 300 Rechenzentren weltweit zur Unterstützung ihrer Cloud -Dienste geliefert werden. Microsoft hat das LLM -basierte System von März bis Oktober 2023 getestet und das System im November dieses Jahres vollständig eingesetzt. Seitdem hat das System einen erheblichen Einfluss auf die Effizienz und Produktivität, die sich in der Ereignisreaktionszeit und der Entscheidungsgeschwindigkeit manifestiert, während diese Vorteile voraussichtlich im Laufe der Zeit und mit einer weiteren Verbesserung des Systems zunehmen werden. Die von uns diskutierten Funktionen beruhen jedoch nicht auf die Verwendung von Microsoft-Produkten, und verschiedene hochwertige LLMs, die derzeit auf dem Markt erhältlich sind, können diese Funktionen implementieren.
Lassen Sie uns nun die Vorteile untersuchen, die LLM bringen kann.
Data Mining und Erkenntnisse
Stellen Sie sich eine typische Lieferkette mit einer bestimmten Anzahl von Rohstofflieferanten, Produktionsfabriken und Einzelhändlern vor. Mit LLM können Planer in einfacher Sprache fragen, z. B. "Wie viele Rohstoffe vom Typ T-Typ haben der Lieferant derzeit?" oder "Was ist der billigste Weg, um Waren von der Fabrik F zum Einzelhändler R zu transportieren?" LLM kann diese Fragen in Data Science -Abfragen umwandeln und dann die Abfrageergebnisse in das Datenrepository des Unternehmens (z. B. SQL -Datenbank) eingeben und Antworten in vollständigen Sätzen geben. Aus Sicht der Privatsphäre kann LLM als Cloud-Dienst verwendet werden, was bedeutet, dass keine proprietären Daten auf LLMs von Drittanbietern übertragen werden müssen.
LLM kann nicht nur als Instrument zum Verständnis des aktuellen Standes der Lieferkette eines Unternehmens dienen, um die Entscheidungen des Lieferkettensystems zu erläutern und zusätzliche Erkenntnisse zu liefern, z. B. Informationen zu Trends. Zum Beispiel können Planer Fragen zu den jüngsten Trends stellen, z. B. "Welche Fabrik hatte letzte Woche die höchste Produktionseffizienz?" oder "Wie viele oder wie viel Prozent der Gesamttransportkosten haben im letzten Monat 50000 US -Dollar überschritten?" Im folgenden Text werden wir spezifische Beispiele für die frühzeitige Verwendung von LLM für Data Mining und Erkenntnisse angeben.
Verfolgen Sie die Anforderungen ständig. Cloud Computing ist ein Geschäft mit mehreren Milliarden Dollar, in dem Dienstleister wie Amazon, Microsoft und Google stark in den Aufbau von Rechenzentren investieren, Hardware ausrüsten und sie jederzeit in Kapazitäten bereitstellen können. Sie müssen ständig die wachsende Nachfrage nach diesen Diensten erfüllen und gleichzeitig die Hardware- und Betriebskosten minimieren. Zu diesem Zweck treffen Cloud -Service -Anbieter regelmäßig Hardware -Bereitstellungsentscheidungen, wobei viele Kostenfaktoren wie Hardwaretransport und Abschreibungen sowie Betriebsfaktoren wie Hardwarekompatibilität, Inventar und Personal für die ausführbare Serverbereitstellung berücksichtigt werden.
Bei Microsoft stammt die Nachfrage nach Servern aus internen Geschäftseinheiten, die unterschiedliche Cloud -Produkte wie Azure -Speicher, virtuelle Azure -Azure -Maschinen und Microsoft 365 haben. Die Anforderungen werden durch Anforderungen angegeben, einschließlich des Typs und der Menge der erforderlichen Server, der Region, in der die Server bereitgestellt werden, und das ideale Bereitstellungsdatum. Das Supply Chain Team gibt diese Anforderungen ein und entwickelt regelmäßig einen einzelnen Nachfrageplan. Microsoft Engineers führen regelmäßig ein Computeroptimierungstool aus, um einen Ausführungsplan zu erstellen, die tatsächliche Hardware aus dem Versorgungslager zuzuordnen, und geben an, wann sie an das Rechenzentrum geliefert werden. Die Planer von Microsoft sind für die Überwachung der Umsetzung des Plans verantwortlich, einschließlich der Bestätigung, dass der Plan den Anforderungen verschiedener Geschäftsabteilungen entspricht und dass Server gemäß dem Plan eingesetzt wurden. Die eingesetzten Server arbeiten in der Regel viele Jahre in der Geschäftsabteilung, bis sie in den Ruhestand sind und stillgelegt sind.
Planer müssen außerdem monatlich Änderungen der Nachfrage überwachen (bezeichnet als Nachfrages -Offset), um sicherzustellen, dass der überarbeitete Plan alle Kundenanforderungen entspricht und die Budgetanleitungen entspricht. Die Aufgabe zur Bewertung der Nachfrageversetzt wurde traditionell von Planern erledigt, die in der Regel Datenwissenschaftler und Ingenieure aus verschiedenen Geschäftsabteilungen in diesem Prozess einbeziehen. Sobald diese Änderungen verstanden sind, werden die Planer eine Zusammenfassung der Exekutive vorbereiten, um die Änderungen in jeder Region zu erklären.
Jetzt kann die LLM -basierte Technologie all diese Aufgaben erledigen. Es wird automatisch eine E -Mail mit elektronischer Bericht generiert, in der diejenigen, die jede Änderung vorgenommen haben, und die Gründe dafür vorgenommen haben. Es wird auch potenzielle Fehler für die Überprüfung der Planer hinweisen. Wenn beispielsweise die Nachfrage (Gesamtzahl der Server) im neuen Plan niedriger ist als im alten Plan, kann die E -Mail den genauen Grund für den Rückgang der Nachfrage angeben, z. B. die Einführung einer neuen Generation effizienterer Hardware, die die Verwendung von Servern verringert. Dieses LLM -Tool ermöglicht es den Planern, in wenigen Minuten unabhängig die Driftanalyse der Anforderung durchzuführen, während es in der Vergangenheit ungefähr eine Woche dauern würde.
Den Vertrag ausführen. In der Automobilindustrie haben Originalausrüstungshersteller (OEMs) wie Ford, Toyota und General Motors Tausende von Lieferanten und haben mehrere Verträge mit jedem Lieferanten unterzeichnet. Diese Verträge geben ausführlich die vom Originalausrüstungshersteller gezahlten Preise an, die Qualitätsanforderungen, die Lieferzeit und die Flexibilitätsmaßnahmen, die Lieferanten ergreifen müssen, um das Angebot zu gewährleisten. Nach der Fütterung von Tausenden von Vertragsdaten an LLM stellte ein ursprünglicher Ausrüstungshersteller fest, dass eine bestimmte Menge Schwelle überschritten wurde, sie jedoch eine Preissenkung genießen konnten, die Menge und Komplexität der Verträge jedoch dazu führten, dass das Beschaffungsteam diese Gelegenheit übersah. Das Endergebnis war, dass dieser Hersteller die Beschaffungskosten von Millionen Dollar einspart.
Beantworten Sie hypothetische Fragen
Planer können LLM detaillierte Fragen stellen. Hier einige Beispiele:
Was sind die zusätzlichen Transportkosten, wenn die Gesamtnachfrage nach dem Produkt um 15% steigt?
Wenn der Einzelhändler R nur Produkte aus Fabrik F verwendet, wie viel steigt die Beschaffungskosten an
Wenn wir die Fabrik f schließen, können wir alle Anforderungen erfüllen
Wenn die Einheitenkosten der Rohstoffe vom Typ M-Typ um 1 US-Dollar reduziert werden, wie viel werden die Gesamtkosten für die Herstellung von P-Produkten reduziert
Schauen wir uns an, wie LLM solche Fragen genau und effizient beantworten kann. Viele Optimierungsaufgaben werden in Form von mathematischen Programmen geschrieben, die die Struktur der Lieferkette und alle Geschäftsanforderungen berücksichtigen und effektive Empfehlungen zur Lieferkette erzeugen. LLM ersetzt mathematische Modelle nicht, sondern ergänzt sie. Insbesondere werden man manuelle Abfragen in mathematischen Code umwandeln und leichte Änderungen an dem ursprünglichen mathematischen Modell vornehmen, das zum Generieren von Plänen verwendet wird. Zum Beispiel kann Einzelhändler, Produkte aus einer bestimmten Fabrik zu verwenden, eine mathematische Anforderung (dh eine "Einschränkung") hinzugefügt werden, die anderen Fabriken verbietet, diesen Einzelhändler zu versorgen. Anschließend wird diese subtile Änderung des mathematischen Modells in das Lieferketten -Tool eingegeben, um einen modifizierten Plan zu erzeugen, der nur zum Vergleich mit dem vorhandenen Plan verwendet wird. Nach wie vor wird die Ausgabe des neuen mathematischen Modells durch LLM menschliche Sprachenantworten generiert (um diese Methode zur Verwendung von LLM zu verwenden, um aktuelle Informationen zur Lieferkette zu erhalten und hypothetische Fragen zu stellen, können Sie Microsofts Open -Source -Code und zugehörige Benchmark -Daten zu Github/Microsoft/optIguide finden).
Hier können wir verweisen, wie Planer in Microsoft Cloud -Service -Operationen diese Funktion nutzen, um Ausführungspläne für die Bereitstellung von Servern von Lagern zu Rechenzentren zu entwickeln. Zu den Hauptentscheidungen gehören für jede Anfrage: (1) Servertyp und Lagerhaus, mit dem die Nachfrage, (2) Versanddatum und (3) Server -Docking -Punkt (spezifisches Rechenzentrum und der spezifische Standort) erfüllt sind. Ziel ist es, die Gesamtkosten mehrerer Komponenten zu minimieren, z. B. die Transportkosten und die geschätzten Opportunitätskosten aufgrund von Verzögerungen bei der Serverbereitstellung über das ideale Datum.
Wenn die Ausgabeergebnisse des Optimierungstools erhalten werden, können die Planer bestätigen, ob die Ergebnisse die Geschäftsanforderungen entsprechen, und sicherstellen, dass der Plan gemäß diesem Ergebnis ausgeführt wird. Die potenziellen Optimierungsprobleme sind jedoch sehr komplex und nicht völlig unmöglich, aber es ist auch schwierig, die Gründe für jede Entscheidung sofort zu verstehen. Daher kontaktieren Planer normalerweise Ingenieure und Datenwissenschaftler, die Optimierungstools entwickeln, um weitere Informationen zu erhalten. Planer und Ingenieure benötigen häufig mehrere Interaktionsrunden, um Probleme oder hypothetische Szenarien vollständig zu untersuchen, was zu Verzögerungen von mehreren Tagen führen kann. Jetzt können LLM -basierte Systeme den Planern innerhalb von Minuten Antworten auf die folgenden Fragen geben: "Wie viel Prozent der Kostenerhöhung würden wir anfallen, wenn wir eine bestimmte Bestellung vor einem festgelegten Datum im Vergleich zu einem anderen Datum abschließen?" und "Wie viel Prozent der Kostenerhöhungen würden uns anfallen, wenn wir ein Lager für eine Woche schließen,
Interaktive Planung
Planer können die LLM -Technologie verwenden, um die mathematischen Modelle der Lieferkettenstruktur und der Geschäftsanforderungen zu aktualisieren, um das aktuelle Geschäftsumfeld widerzuspiegeln. Darüber hinaus kann LLM Planern auf der Grundlage von Änderungen der Geschäftsbedingungen die neuesten Informationen zur Verfügung stellen.
Zum Beispiel zeigen Echtzeitinformationen, die von Planern erhalten wurden, dass ein bestimmter Hersteller aufgrund eines Winter-Schneesturms sieben Tage lang geschlossen wird. Ohne die Hilfe von LLM müssen Planer, die Verkaufs- und Betriebspläne aktualisieren möchten, um mit Ausfallzeiten fertig zu werden, und Datenwissenschaftsteams, um die erforderlichen Anpassungen des Plans vorzunehmen, was ein zeitaufwändiger Prozess sein kann. Mit Hilfe von LLM können Planer jedoch das System direkt anfordern, einen neuen Plan zu erstellen und die Verwendung von Fabriken zu vermeiden. Wenn der neue Plan nicht alle vorhergesagten Anforderungen erfüllen kann, generiert das LLM -Hilfsplanungstool nicht nur aktualisierte Umsatz- und Betriebspläne und entsprechende Kosten (wie Beschaffungs- und Transportkosten), sondern identifizieren auch die Nachfrage, die nicht geliefert werden kann, und deren Auswirkungen auf die Rentabilität.
Die Nachfrage nach sich ändernden Angebotsplänen kann auch von der LLM -basierten Technologie angetrieben werden. Nach der Analyse der Versanddaten eines bestimmten Lieferanten kann dies beispielsweise eine Benachrichtigung ausstellen, die darauf hinweist, dass die Lieferzeit des Lieferanten in den letzten Monaten erheblich zugenommen hat. Darüber hinaus wird die LLM -basierte Technologie die mögliche Zeit der nächsten Sendung vorhersagen und sie an Planer senden. Aufgrund der Erkenntnis, dass längere Vorlaufzeiten für die Lieferung einen negativen Einfluss auf die Servicestufen in bestimmten Regionen haben, sofern keine Korrekturmaßnahmen ergriffen werden, müssen Planer möglicherweise LLM -basierte Systeme benötigen, um Planungsinstrumente mit neuen Informationen auszusetzen und neue Pläne zu generieren. Der Plan wird von LLM in der natürlichen Sprache an Planer übermittelt und verlange möglicherweise Lieferanten, Sendungen zu beschleunigen oder Inventar von Lagern in verschiedenen Regionen des Unternehmens auf betroffene Gebiete zu übertragen.
Die Methode zur Verwendung von LLM in der in diesem Artikel diskutierten Weise ist noch relativ neu. Wir erwarten, dass die LLM-basierte Technologie End-to-End-Entscheidungsszenarien in den kommenden Jahren unterstützt. Zum Beispiel können Benutzer das Entscheidungsproblem beschreiben, das sie in leicht verständlicher Sprache lösen möchten. Es kann ein spezifisches Produktionsproblem sein (angesichts eines komplexen Netzwerks von Produktionsanlagen, wann und wo und wo ein bestimmtes Produkt produziert werden kann) oder ein Problem der Bestandszuweisung (mit begrenztem Inventar in einem Lagerhaus, wie es verschiedenen Geschäften zugeordnet werden soll, um die Nachfrage zu maximieren). Die heutige Technologie kann solche mathematischen Modelle und Empfehlungen generieren, aber zu überprüfen, ob das Modell die Geschäftsumgebung korrekt zeigt, bleibt eine Herausforderung.
Hindernisse überwinden
Wenn Unternehmen mit der Übernahme von LLM im Supply -Chain -Management beginnen, müssen sie verschiedene Hindernisse überwinden, um sie effektiv einzusetzen.
Verwendung und Training. Die Verwendung von LLM zur Optimierung der Lieferkette erfordert eine sehr genaue Sprache. Wenn ein Benutzer beispielsweise fragt: "Können wir die Fabrik besser nutzen?" Der Begriff "besser" kann mehrere Interpretationen haben: Reduzierung der Kosten, Erhöhung des Durchsatzes, Optimierung des Durchsatzes über einen bestimmten Zeitraum usw. Jede Interpretation führt zu unterschiedlichen Entscheidungen. Daher ist das Trainingspersonal, das das System nutzt, von entscheidender Bedeutung. Planer müssen möglicherweise Schulungen erhalten, um genauere Fragen zu stellen, während das Management- und Verwaltungspersonal möglicherweise die Fähigkeiten und Einschränkungen der LLM -basierten Technologie verstehen.
Aus diesen Gründen stellt Microsoft diese neue Technologie allmählich bereit, während die bereits zur Beantwortung hypothetischen Fragen vorgestellten Tools nur eine Reihe gemeinsamer Fragen stützen. Das Unternehmen überwacht die Interaktions-, Genauigkeits- und Sicherungsmechanismen der Benutzer und erweitert die Abdeckung schrittweise. Die Planer haben eine relevante Schulung erhalten und sind mit den derzeit vom Tool unterstützten Problemsätzen vertraut.
Überprüfung. Die LLM -Technologie gibt gelegentlich einen fehlerhaften Inhalt aus. Eine häufige Herausforderung besteht darin, die Technologie "auf dem richtigen Weg" zum Laufen zu bringen, dh, um Fehler zu identifizieren und wieder auf dem richtigen Weg zu kommen. Unternehmen stellen diese Herausforderung nun an, indem sie reichhaltige domänenspezifische Beispiele für LLM bereitstellen, um die Genauigkeit ihrer Ausgabe zu verbessern und Mechanismen hinzuzufügen, um nicht unterstützte Abfragen im Voraus zu identifizieren. Wenn jemand beispielsweise eine nicht unterstützte Frage aufwirft, gibt das LLM -basierte System eine Standardantwort wie "Leider kann ich Ihnen nicht helfen, dieses Problem zu lösen. Sie können die folgenden Fragen überprüfen." Natürlich nimmt die Schwierigkeit zur Überprüfung der Genauigkeit mit der Komplexität der Ausgabe zu. Wenn wir beispielsweise LLM bitten, ein vollständiges mathematisches Programm zu generieren, um einen optimierten Implementierungsplan von Grund auf neu zu erstellen, wie überprüft das System seine Richtigkeit? Wie können wir sicherstellen, dass das Programm innerhalb einer angemessenen Zeit den optimalen Plan erstellen kann? Diese offenen Probleme erfordern noch weitere Forschungen.
Neue Belegschaft. Mit der stark automatisierten Implementierung der LLM -Technologie werden sich auch die Rollen von Managern und Planern ändern. Planer werden nicht mehr an dem menschlichen Fehler und dem zeitaufwändigen Entscheidungsprozess beteiligt sein, sondern können die LLM-Technologie anwenden, um mehr Einblicke in die Planungstechniken der Lieferkette zu gewähren und ihre Empfehlungen zu erläutern. Dies erhöht das Vertrauen der Benutzer und erhöht die Einführung von Tool -Vorschlägen erheblich. In der Beschaffungsabteilung wird auch die Zeit für Mitarbeiter, neue Verträge zu schaffen, stark reduziert. LLM wird in der Lage sein, Verträge für bestimmte Produktkategorien zu entwerfen und vergangene Leistungsinformationen verschiedener Lieferanten bereitzustellen, damit Manager geeignete Lieferanten auswählen können.
Mit anderen Worten, die Verwendung einer LLM-Toolbasis kann den Fokus der Arbeit von täglichen Wiederholungsaufgaben auf Mehrwertaufgaben verlagern, z. Zum Beispiel können Nachfrageplaner mit Handelsplanern zusammenarbeiten, die für Marketing, Preisgestaltung und Rabatte verantwortlich sind, um die Auswirkungen der Prognose der Nachfrage zu verstehen. Basierend auf unserer Erfahrung existiert diese Zusammenarbeit derzeit in den meisten Organisationen nicht. Die Herausforderung besteht natürlich darin, sicherzustellen, dass die Führung funktionale Abteilungsbarrieren abschließt und Geschäftsprozesse anpasst, um die Zusammenarbeit zu erleichtern.
Trotz der oben genannten Herausforderungen glauben wir immer noch, dass in naher Zukunft die LLM -basierte Technologie das Lieferkettenmanagement verändern und ihre Effizienz, Resilienz, Produktivität und Genauigkeit verbessern wird. Es ergänzt die heutige Lieferkettentechnologie und ermöglicht es den Planern, direkt mit Lieferkettenwerkzeugen zu interagieren, ohne dass Datenwissenschaftler oder Ingenieure erforderlich sind. Unternehmen können eine große Anzahl von Lieferkettenprozessen automatisieren und sogar neue erstellen, z. B. durch die Integration von Handels- und Prognoseprozessen. Tatsächlich wird diese Integration ein System mit geschlossenem Loop-Kettenmanagement bilden, in dem die Funktionsabteilungen der Handel, der Lieferkette und der Finanzierung zusammenarbeiten, um einen Lieferplan zu entwickeln, der alle Geschäfts- und finanziellen Ziele und Anforderungen entspricht. Innerhalb weniger Jahre wird die LLM -basierte Technologie das Supply -Chain -Management wirklich revolutionieren.
Ishai Menache, Jeevan Pathuri, David Simchilevi, Tom Linton|Text
Isay Menash ist ein kollaborativer Forschungsmanager in der Gruppe für maschinelles Lernen und Optimierungsgruppen bei Microsoft Research. Jiwan Paturi ist General Manager und Director of Software Engineering Collaboration bei der Cloud Supply Chain Division von Microsoft. David Senge Levy ist ein Professor von William Barton Rogers am MIT, Leiter des MIT Data Science Laboratory und eine angesehene Figur bei Accenture. Tom Linton ist Senior Consultant bei McKinsey und war zuvor als Chief Procurement and Supply Chain Officer bei Flex tätig.
