Шта генерално може да уради да у потпуности промени менаџмент ланца снабдевања?
Шта генерално може да уради да у потпуности промени менаџмент ланца снабдевања?
Предузећа се суочавају са разним сложеним изазовима у дизајнирању и оптимизацији својих ланаца снабдевања, међу којима је побољшање прилагодљивости, смањење трошкова и побољшања квалитета планирања само неколико аспеката. У последњих неколико деценија, напредак у информационој технологији пребацио је доношење одлука о ослањању на интуицију и искуство на аутоматизованије и методе погоњених података, на тај начин побољшавајући ефикасност, значајно смањење трошкова и побољшања трошкова и побољшања услуге купцима.
Нажалост, пословни лидери и даље морају да проводе пуно времена и напора разумевања сугестија које је предложио систем, анализирајући различите ситуације и спроводе анализе хипотезе. Ажурирање математичких модела алата за управљање ланцима снабдевања за рефлексију промена у пословно окружење је такође дуготрајно. Да би се позабавило тим питањима, планери и менаџери морају да ангажују научне тимове података или провајдере технологије да објасне резултате или модификују систем.
Велики језик модел (ЛЛМ) је генеративни АИ који омогућава завршетак ових активности чак и без горе поменуте подршке и смањује време доношења одлука од дана или недеља до минута или сати, значајно побољшање ефикасности и утицаја особља и управљања особљем. У овом чланку ћемо истражити како да користимо велике језичке моделе да би стекли увид од података, омогућавајући менаџерима да боље разумеју ситуацију ланца снабдевања, одговарају на хипотетичка питања и ажурирати алате за управљање ланцима снабдевања да би се убрајало у обзир тренутним пословним окружењем. Такође смо нагласили изазове да предузећа морају да превладају приликом усвајања великих језичких модела, као и могућности да у будућности прошири свој обим примене.
Већина искуства које желимо да делимо потиче из Мицрософтове употребе система заснованог на ЛЛМ-у за управљање понудом сервера и других хардвера, који се испоручују на преко 300 центара података широм света како би подржали своје облачне услуге. Мицрософт је тестирао систем заснован на ЛЛМ од марта до октобра 2023. и у потпуности је распоредио систем у новембру те године. Од тада је систем имао значајан утицај на ефикасност и продуктивност, манифестовало се у времену одзива догађаја и брзину доношења одлука, док се овидности очекује да се временом повећавају и уз даљње побољшање система. Међутим, карактеристике које расправљамо не ослањају се на употребу Мицрософтових производа и различити висококвалитетни ЛЛМС тренутно доступни на тржишту могу се користити за спровођење ових функција.
Сада, истражите предности које ЛЛМ може да донесе.
Рударство података и увиди
Замислите типичан ланац снабдевања са одређеним бројем добављача сировина, фабрика производње и малопродаја. Користећи ЛЛМ, планери могу да поставе на обичном језику, као што је "колико сировина типа Т-а тренутно има добављач?" или "Који је најјефтинији начин за превоз робе из фабрике Ф у продавцу Р?" ЛЛМ може претворити ова питања у упите за науку података, а затим уносе резултате упита у складиште података компаније (као што је СКЛ база података) и пружити одговоре у комплетним реченицама. Из перспективе приватности, ЛЛМ се може користити као облачна услуга, што значи да нема потребе да преносе власничке податке трећим странама.
Поред служења као алата за разумевање тренутног стања ланца снабдевања компанијом, ЛЛМ се такође може користити за објашњење одлука које доносе систем ланца снабдевања и пружа додатне увиде, као што су информације о трендовима. На пример, планери могу постављати питања о недавним трендовима, као што је "Која је фабрика имала највећу ефикасност производње прошле недеље?" или "колико или који проценат укупног трошкова превоза премашио је 50000 УСД прошлог месеца?" У следећем тексту пружићемо конкретне примере ране употребе ЛЛМ за рударство и увиде података.
Пратите непрестано мењајући захтеве. Цлоуд Цомпутинг је пословање са више милијарди долара који захтева пружаоце услуга као што су Амазон, Мицрософт и Гоогле да уложе уградњу у грађевинске центре података, опремање их хардвером и управљају њима да им у било које време определи капацитет. Они морају стално да испуне растућу потражњу за тим услугама, а минимизирају хардверске и оперативне трошкове. У том циљу, провајдери у облаку редовно ће извршити одлуке о распоређивању хардвера, узимајући у обзир бројне факторе трошкова као што су хардверски превоз и амортизација, као и оперативни фактори, као што су компатибилност хардвера, инвентари и особље за извршну употребу сервера.
На Мицрософту, потражња за серверима долази из унутрашњих пословних јединица које имају различите облачне производе, као што су азурно складиштење, азурне виртуелне машине и Мицрософт 365. Захтеви су одређени кроз захтеве, укључујући тип и количину сервера, региона где се сервери распоређују и идеални датум распоређивања. Тим ланца снабдевања улаже ове захтеве и редовно развија јединствени план захтева. Мицрософт Енгинеерс Редовно покрећу алатку за оптимизацију рачунара да би се створио план извршења, доделио стварног хардвера из складишта понуде и одређује када ће бити испоручени у центар података. Мицрософтови планери одговорни су за надгледање примене плана, укључујући потврду да план испуњава потребе различитих пословних одељења и да су сервери распоређени у складу са планом. Спремни сервери обично раде у пословним одељењима дуги низ година док се не у пензију и разграде.
Планери такође морају на месечном нивоу морати да прате промене у потражњи (познато као захтев за потражњу) како би се осигурало да ревидирани план испуњава све захтеве купца и у складу са буџетским смерницама. Задатак процене надокнаде потражње традиционално је завршен планерима, који обично укључују научнике података и инжењере из различитих пословних одељења у овај процес. Након што се ове промене схвате, планери ће припремити извршни резиме да би се објаснили промене у сваком региону.
Сада, технологија заснована на БЛМ-у може постићи све ове задатке. Аутоматски ће генерирати електронски извештај е-маил, детаљно о детаљима који је дао сваку промену и разлоге за то. То ће такође указати на потенцијалне грешке за ревизију планера. На пример, ако је потражња (укупан број сервера) у новом плану нижи него у Старом плану, е-пошта може указивати на тачан разлог за смањење потражње, као што је увођење нове генерације ефикасније хардвера, што смањује употребу сервера. Овај ЛЛМ алат омогућава планерима независно потпуним анализом захтјева за услов за неколико минута, док би у прошлости требала отприлике недељу дана.
Извршите уговор. У аутомобилској индустрији оригиналне произвођаче опреме (ОЕМС) као што су Форд, Тоиота и генерални мотори имају хиљаде добављача и потписали су више уговора са сваким добављачем. Ови уговори детаљно прецизирају цене које плаћају оригинална произвођач опреме, захтеви за квалитет, време испоруке и мере флексибилности које добављачи морају предузети да би се осигурало снабдевање. Након храњења хиљада података уговора ЛЛМ, оригинална произвођач опреме открила је да ако је прекорачен одређени праг количине, они могу уживати у смањењу цена, али количина и сложеност уговора изазвала је тим набавки да превиди ову прилику. Коначни резултат је био да је овај произвођач уштедио милионе долара у трошковима набавки.
Одговорите на хипотетичка питања
Планери могу да постављају детаљна питања у ЛЛМ-у, ево неколико примера:
Који је додатни трошак превоза ако се укупна потражња за производом повећа за 15%
Ако малопродаја РИ користи производе од фабрике Ф, колико ће се повећати трошкови набавке
Ако затворимо фабрику Ф, можемо ли да испунимо све захтеве
Ако се јединични трошкови сировина типа М-типа смање за 1 УСД, колико ће се смањити укупни трошкови производње П производа
Погледајмо како ллм може тачно и ефикасно да одговори на таква питања. Многи задаци оптимизације написани су у облику математичких програма који сматрају структуром ланца снабдевања и свих пословних захтева и генеришу ефикасне препоруке ланца снабдевања. ЛЛМ не замењује математичке моделе, већ их додаје. Конкретно, он ће претворити ручно упите у математички кодекс и уносити мале модификације оригиналном математичком моделу који се користи за генерисање планова. На пример, присиљавање продаваца да користе производе из одређене фабрике, математички захтев (тј. "Ограничење") које забрањују друге фабрике да се снабдевају овом продавцу. Затим ће се ова суптилна промена у математичком моделу улагати у алатку ланца снабдевања за генерисање модификованог плана који се користи само за поређење са постојећим планом. Као и пре, излаз новог математичког модела створиће одговоре на људски језик кроз ЛЛМ (да сазна о овој методи коришћења ЛЛМ-а да би се добио тренутне информације о ланцу снабдевања и представљају хипотетичка питања, можете пронаћи Мицрософтово отворене кодекс отвореног кода и повезане са мрежним референтним подацима о ГитХуб / Мицрософт / Оптигуиде).
Овде можемо назвати начином у Мицрософтовим операцијама у облаку Мицрософта користе ову могућност да развију планове извршења за распоређивање сервера из складишта у дата центрима. За сваки захтев, главне одлуке укључују: (1) Врста и складиште сервера који се користи за испуњавање потражње, (2) датум испоруке и (3) тачка за доковање сервера (специфични центар података и његова специфична локација). Циљ је минимизирати укупне трошкове више компоненти, као што су трошкови превоза и процењене трошкове могућности због кашњења распоређивања сервера изван идеалног датума.
Када примате резултате резултата алата за оптимизацију, планери могу да потврде да ли резултати испуњавају пословне захтеве и осигуравају да се план извршава у складу са овим резултатом. Међутим, потенцијални проблеми оптимизације су веома сложени и нису у потпуности немогући, али је такође тешко одмах разумети разлоге за сваку одлуку. Стога, планери обично контактирају инжењере и научнике података који развијају алате за оптимизацију за добијање више информација. Планери и инжењери често требају вишеструки кругови интеракције у потпуности истраживати проблеме или хипотетички сценарији, што могу резултирати кашњењем од неколико дана. Сада, системи засновани на ЛЛМ-у могу да пруже планере са одговорима на следећа питања у року од неколико минута: "Колики проценат повећања трошкова, ако довршимо одређени поредак пре него што је постављен датум у поређењу са другим датумом?" и "Колики проценат повећања трошкова, претпостављамо ако затворимо складиште недељу дана
Интерактивно планирање
Планери могу да користе ЛЛМ технологију да би ажурирали математичке моделе структуре ланца снабдевања и пословних захтева да одражавају тренутно пословно окружење. Поред тога, ЛЛМ може да пружи најновије информације планерима на основу промена у пословним условима.
На пример, информације у реалном времену које примљене у планерима показују да ће се одређени произвођач затворити током седам дана због зимске меће. Без помоћи ЛЛМ-а, планери који желе да ажурирају продају и операције планирају да се изборе са временом за прекидање морају укључивати и научне тимове података како би се потребна прилагођавања плана омогућила да буде процес дуготрајан. Међутим, уз помоћ ЛЛМ-а, планери могу директно затражити да систем генерише нови план, избегавајући употребу фабрика за искључивање. Ако нови план не може да испуни све предвиђене захтеве, Алат за планирање ЛЛМ-а не само да ствара ажуриране продајне и оперативне планове и одговарајуће трошкове (као што су трошкови набавке и транспорта), али такође идентификују потражњу која се не може испоручити и његов утицај на профитабилност.
Потражња за променом планова за снабдевање такође може покренути технологију засновану на ЛЛМ. На пример, након анализе података о испоруци одређеног добављача, може издати упозорење што указује да се време испоруке добављача значајно повећало у последњих неколико месеци. Поред тога, технологија заснована на ЛЛМ-у предвидиће могуће време следеће пошиљке и пошаљете га планерима. Због препознавања да ће продужени временски водичи за испоруку имати негативан утицај на нивое услуга у одређеним регионима, осим ако се не предузму корективне мере, планери могу захтевати ЛЛМ системе за постављање резовијских алата за планирање Рерун планирањем и генеришу нове планове. План се преноси на планере на природном језику и може тражити добављаче да убрзају пошиљке или преносе залихе из магацина у различитим регионима Друштва у погођене области.
Метода коришћења ЛЛМ-а на начин о којем се расправља у овом чланку је и даље релативно нов. Очекујемо да ће технологија заснована на бази ЛЛМ-а да подржи крајње сценарије одлучивања у наредним годинама. На пример, корисници могу описати проблем одлучивања да желе да се лако разумеју на језику. То може бити специфичан проблем производње (с обзиром на сложену мрежу производних објеката, када и где да произведе одређени производ) или проблем расподјеле по инвентару (дат ограничен инвентар у складишту, како да га додели у разне продавнице да максимизирају потражњу). Данашња технологија може да створи такве математичке моделе и препоруке, али потврђују да ли модел правилно приказује пословно окружење остаје изазов.
Превладавање препрека
Како предузећа почињу да усвајају ЛЛМ у управљању ланцима снабдевања, они морају да превазиђу различите препреке како би се ефикасно размештали.
Употреба и обука. Коришћење ЛЛМ за оптимизацију ланца снабдевања захтева врло прецизан језик. На пример, ако корисник пита, "можемо ли да побољшамо фабрику Ф?" Израз "боље" може имати вишеструка интерпретација: смањење трошкова, повећања пропусности, оптимизације протока током одређеног времена итд. Свака интерпретација ће довести до различитих одлука. Стога је особље за обуку која користи систем је пресудна. Планери ће морати да примију обуку да поставе прецизнији питања, док менаџмент и административно особље ће можда требати да разумеју могућности и ограничења технологије засноване на ЛЛМ.
Из тих разлога, Мицрософт постепено размењује ову нову технологију, док су алате уведени раније за одговарање на хипотетичко питање само подржавају скуп уобичајених питања. Компанија ће надгледати механизме за интеракцију, тачност и резервне копије корисника и постепено проширити своје покривеност. Планери су добили релевантну обуку и упознати су са постављањем проблема који тренутно подржавају алат.
Верификација. ЛЛМ технологија повремено излази погрешан садржај, тако да је уобичајени изазов како да технологија покрене "на нумери", односно да се идентификују грешке и вратите се на праћење. Компаније се сада баве овом изазовом пружајући се примерима са богатим доменима да би се побољшали тачност њеног излаза и додавањем механизама да унапред идентификују неподржане упита. На пример, ако неко постави неподржано питање, систем заснован на ЛЛМ-у ће пружити подразумевани одговор као што је "нажалост, не могу вам помоћи да решите овај проблем. Можете да проверите следећих питања." Наравно, потешкоће у верификацији тачности расте са сложеношћу излаза. На пример, ако замолимо ЛЛМ да генерише комплетан математички програм за креирање оптимизованог плана имплементације од нуле, како систем провјерава своју коректност? Како да осигурамо да програм може да створи оптималан план у разумном року? Ове отворене теме и даље захтевају даља истраживања.
Нова радна снага. Са високо аутоматизованом имплементацијом ЛЛМ технологије, улоге менаџера и планера ће се такође променити. Планери више неће бити укључени у људску грешку склони и дуготрајан процес доношења одлука, али моћи ће да примене ЛЛМ технологију да пружи више увида у технике планирања ланца снабдевања и објасни своје препоруке. Ово ће повећати поверење корисника и значајно повећати њихово усвајање предлога алата. У одељењу за набавке времена за запослене да креирају нове уговоре такође ће бити у великој мери. ЛЛМ ће моћи да дизајнира уговоре за специфичне категорије производа и пружи прошлих информација о перформансама различитих добављача да помогну менаџерима да одаберу одговарајуће добављаче.
Другим речима, коришћење радне снаге засноване на ЛЛМ-у може пребацити фокус рада са дневних понављајућих задатака на задатке додате вредности, као што су стратешки размишљати о различитим активностима ланца снабдевања, или сарађивати у интерно на функционалним областима и са спољним добављачима и са спољним добављачима и купцима. На пример, планери за потражњу могу сарађивати са планерима трговине одговорним за маркетинг, цене и попусте да би се разумели утицај трговине на предвиђање потражње. На основу нашег искуства, ова сарадња тренутно не постоји у већини организација. Наравно, овде је изазов да се осигура да руководство пробије функционалне баријере одјељења и прилагоди пословне процесе како би се олакшала сарадња.
Упркос горе наведеним изазовима, и даље верујемо да ће у скорој будућности технологија заснована на БОЛМ-у трансформисати управљање ланцима снабдевања, побољшавајући његову ефикасност, отпорност, продуктивност и тачност. Допуниће данашњу технологију ланца снабдевања, омогућавајући планерима да директно комуницирају са алаткама ланца снабдевања без потребе за научницима или инжењерима података. Предузећа ће моћи да аутоматизују велики број процеса ланца снабдевања и чак креирају нове, као што су интегрисањем процеса трговине и предвиђања. У ствари, ова интеграција ће формирати систем управљања ланцима затворене петље, у којој ће трговина, ланцем снабдевања и финансије функционални одељења сарађивати да би се развио план снабдевања који испуњава све пословне и финансијске циљеве и захтеве. У року од неколико година, технологија заснована на ЛЛМ-у заиста ће револуционирати управљање ланцем ланца снабдевања.
Исхаи Менацхе, Јееван Патхури, Давид Симцхилеви, Том Линтон|Текст
Исаи Менасх је колаборативни менаџер истраживања у групи за учење и оптимизацију машине у Мицрософт истраживању. Јиван Патури је генерални директор и директор софтверске инжењерске сарадње за Мицрософтову дивизију ланца снабдевања облаком. Давид Сенге Леви је Виллиам Бартон Рогерс професор на МИТ-у, шеф МИТ Сциенце Лабораторија и угледна цифра на наглашењу. Том Линтон је виши консултант у МцКинсеиу и раније је служио као главни официр за набавку и ланца снабдевања у Флек.
