9 کاربرد یادگیری ماشین در زنجیره تامین

زنجیره تامین چیست؟

زنجیره تامین1 (Supply Chain) به مجموعه فرآیندها و فعالیت‌های لازم برای تولید و تأمین کالا و خدمات برای مشتریان گفته می‌شود. این فرآیندها شامل تمامی مراحل لازم برای انجام یک فعالیت تجاری، از شروع تأمین مواد اولیه، تولید، توزیع و فروش گرفته تا ارائه خدمات پس از فروش هستند. هدف اصلی زنجیره تامین، بهینه‌سازی عملکرد کلی زنجیره است تا با افزایش بهره‌وری و کاهش هزینه‌ها، محصولات و خدمات، با کیفیت و قیمت مناسب به مشتریان ارائه شود.

امروزه، کارایی و مقرون به صرفه بودن، بزرگترین چالشهای پیش روی مدیریت زنجیره تأمین است. کسبوکارها دائما در تلاش برای کاهش هزینهها، افزایش حاشیه سود و ارائه خدمات خاص به مشتریان هستند. در چنین بازار رقابتی، فناوریهای تحولآفرین2 (disruptive technologies) همچون یادگیری ماشین و هوش مصنوعی، فرصتهای هیجانانگیری برای شرکتها ایجاد کردهاند.

یادگیری ماشین چیست؟

یادگیری ماشین، شاخهای از هوش مصنوعی است که به یک الگوریتم، نرم‌افزار یا سیستم، اجازه یادگیری و تنظیم خودکار را، بدون نیاز به یک برنامه از پیش تعیین شده میدهد. یادگیری ماشین معمولاً از داده‌ها یا مشاهدات، برای آموزش دادن یک مدل رایانه‌ای استفاده می‌کند که در آن الگوهای مختلف موجود در داده‌ها (ترکیبی از نتایج واقعی و پیش‌بینی‌ها) تجزیه و تحلیل شده و برای بهبود نحوه عملکرد فناوری، مورد استفاده قرار میگیرند.

مدل های یادگیری ماشین که مبتنی الگوریتمها هستند، در تجزیه و تحلیل روندها، تشخیص ناهنجاریها و استخراج پیشبینی از کلان‌دادهها، عملکرد بسیار خوبی دارند. این قابلیتها، یادگیری ماشین را به یک راهحل ایدهآل برای حل برخی چالشهای اصلی صنعت زنجیره تأمین تبدیل کرده است.

مقدمه

چالشهای صنعت زنجیره تأمین و لجستیک

در این قسمت به تعدادی از چالش‌های صنعت زنجیره‌ تأمین و لجستیک که توسط هوش مصنوعی و یادگیری ماشین قابل حل هستند، اشاره می‌شود:

• مدیریت موجودی

مدیریت موجودی در مدیریت زنجیره تأمین، بسیار مهم و حیاتی است زیرا به سازمانها اجازه میدهد تا با کمبودهای پیشبینی نشده مقابله کرده و آن را مدیریت نمایند. هیچ شرکت زنجیره تامینی نمی‌خواهد در زمانی که تقاضا وجود دارد، با کمبود مواجه، و تولیدش متوقف باشد. همچنین، شرکتها تمایلی به انبار کردن بیش از حد موجودی هم ندارند چرا که بر میزان سود آنها موثر است. مدیریت موجودی در زنجیره تامین تا حد زیادی مربوط به ایجاد تعادل بین زمانبندی سفارشهای خرید است تا عملیات تولید به نرمی پیش رفته و متوقف نشود و در عین حال، اقلامی که مورد نیاز یا استفاده نیستند هم بیش از حد انبار نشوند.

• کیفیت و امنیت

افزایش فشارها برای تحویل به موقع محصولات و حفظ حرکت مداوم خط مونتاژ زنجیره تامین، باعث شده تا کنترل کیفیت و همچنین ایمنی، به چالشی بزرگ برای شرکتهای زنجیره تأمین تبدیل شود. پذیرش قطعات نامرغوب که با استانداردهای کیفی یا ایمنی تطابق ندارند، میتواند خطر بزرگی ایجاد کند. علاوه بر این، تغییرات زیستمحیطی، اختلافات تجاری و فشارهای اقتصادی بر زنجیره تأمین، میتواند به راحتی به مسائل و خطراتی تبدیل شود که به سرعت کل زنجیره تأمین را در برمیگیرد و مشکلات قابل توجهی ایجاد می‌کند.

• مشکلات ناشی از کمبود منابع

مسائلی که در لجستیک و زنجیره تأمین به دلیل کمبود منابع پیش میآید، به خوبی شناخته شده هستند؛ اما پیاده‌سازی هوش مصنوعی و یادگیری ماشین در زنجیره تأمین و تدارکات، به حل این چالش‌ها کمک می‌کند. الگوریتم‌های پیش‌بینی‌کننده عرضه و تقاضا، با مطالعه بر روی عوامل مختلف، امکان برنامه‌ریزی اولیه و ذخیره‌سازی مناسب را به شرکتها میدهند. یادگیری ماشین با ارائه بینش‌های جدید در مورد جنبه‌های مختلف زنجیره تأمین، سبب ساده شدن مدیریت موجودی و همچنین مدیریت اعضای تیم گشته است.

• مدیریت ناکارآمد ارتباط با تأمین‌کنندگان

کمبود شدید متخصصان زنجیره تأمین، چالش دیگری است که شرکتهای لجستیک با آن مواجه هستند و میتواند مدیریت ارتباط با تأمین کنندگان را سخت و ناکارآمد کند. یادگیری ماشین و هوش مصنوعی می‌توانند بینش مفیدی در مورد داده‌های تأمین‌کننده ارائه دهند و به شرکت‌های زنجیره تأمین کمک کنند تا تصمیمات آنی و درلحظه بگیرند.

مقدمه

اهمیت یادگیری ماشین برای مدیریت زنجیره تأمین

بزرگترین و مشهورترین شرکتها کمکم متوجه این مسئله شده‌اند که یادگیری ماشین برای بهبود کارایی زنجیره تأمین آنها چه کاری میتواند انجام دهد؛ لذا خوب است که در خصوص نقش و کاربردهای یادگیری ماشین در حل مشکلات زنجیره تأمین بیشتر بدانیم. یادگیری ماشین چندین منفعت را برای مدیریت زنجیره تأمین به همراه دارد:

• کارایی هزینه، (Cost efficiency) (توانایی یک سازمان برای کاهش هزینه‌ها و بهبود بهره‌وری منابع) که به طور سیستماتیک باعث کاهش ضایعات و بهبود کیفیت میشود.

• بهینه سازی جریان محصول در زنجیره تأمین، بدون اینکه شرکتهای زنجیره تأمین نیاز به نگهداری موجودی زیادی داشته باشند.

• مدیریت ارتباط با تأمین کنندهبه دلیل استفاده از شیوههای اجرایی سادهتر، سریعتر و اثبات شده تر.

• دستیابی به بینشهای عملی و امکان حل سریع مشکل و بهبود مستمر

9 کاربرد یادگیری ماشین در زنجیره تأمین

یادگیری ماشین مقولهای پیچده و در عین حال جالب است که میتواند به حل بسیاری از مشکلات در صنایع مختلف کمک نماید. یادگیری ماشین در زنجیره تأمین، که یک صنعت سنگین متکی به داده است، کاربردهای زیادی دارد. در ادامه 9 مورد استفاده از یادگیری ماشین در مدیریت زنجیره تأمین که می‌تواند صنعت را به سمت کارایی و بهینه‌سازی سوق دهد، توضیح داده شده است.

تجزیه و تحلیل پیشبینی کننده

همانگونه که قبلتر گفته شد، مدیریت موجودی یکی از چالش های مدیریت زنجیره تأمین است. پیشبینی دقیق تقاضا در مدیریت زنجیره تأمین مزایای زیادی از جمله کاهش هزینه های نگهداری موجودی در انبار و سطح بهینه موجودی را به همراه دارد.

با استفاده از مدل های یادگیری ماشین، شرکت ها می توانند از مزایای تجزیه و تحلیل های پیش بینی کننده برای پیش بینی میزان تقاضا بهره مند شوند. این مدل‌های یادگیری ماشین، در شناسایی الگوهای پنهان از روی تاریخچه داده‌های تقاضا مهارت دارند. همچنین الگوریتم های یادگیری ماشین می توانند مشکلات موجود در زنجیره تأمین را، قبل از اینکه باعث مختل شدن کسب وکار را شوند، شناسایی کنند.

داشتن یک سیستم قوی برای پیش‌ بینی زنجیره تأمین به این معنی است که کسب‌وکار، مجهز به منابع و اطلاعات برای پاسخگویی به مسائل و تهدیدات نوظهور است. دسترسی به منابع و اطلاعات، سرعت پاسخ به مشکلات را بالا برده و پاسخگویی را اثربخش تر خواهد کرد.

بازرسی خودکار کیفیت

معمولا در مراکز لجستیک، بازرسی های کیفی ظروف یا بسته ها، برای بررسی هر نوع آسیب در حین حمل ونقل، به صورت دستی انجام می شود. رشد هوش مصنوعی و یادگیری ماشین، باعث خودکار شدن بازرسی‌های کیفی در چرخه حیات زنجیره تأمین گردیده است.

با بهره گیری از یادگیری ماشین و فناوری تشخیص تصویر4 (image recognition)، تجزیه و تحلیل عیوب در تجهیزات صنعتی و بررسی آسیب ها خودکار می شود. نتیجه این خودکارسازی، کاهش میزان تحویل کالای معیوب یا ناقص به مشتریان خواهد بود.

رؤیت پذیری بلادرنگ برای بهبود تجربه مشتری

بر اساس نتایج یک نظرسنجی از سوی مؤسسه Statista، «رؤیت پذیری5» (visibility)، به عنوان یک چالش روزافزون در صنعت زنجیره تأمین معرفی شده است. رؤیت پذیری یا مشاهده پذیری در زنجیره تأمین، به توانایی ردیابی، نظارت و دریافت اطلاعات در سرتاسر فرآیند لجستیک اطلاق می شود. هدف از رؤیت پذیری، اتخاذ تصمیم های بهتر برای بهینه‌سازی عملیات، افزایش ظرفیت پاسخگویی به مشتریان و حل مشکلات غیرمنتظره می باشد. یک کسب وکار در صنعت زنجیره تأمین، به شدت وابسته به رؤیت پذیری و ردیابی است و همواره به دنبال فناوری هایی می‌گردد که می توانند رؤیت پذیری را بهبود بخشند.

تکنیک‌های یادگیری ماشین از جمله ترکیبی از یادگیری عمیق(deep learning)، اینترنت اشیا(Internet of things)، و نظارت بلادرنگ (real-time monitoring)، می‌توانند برای بهبود رؤیت پذیری در زنجیره تأمین مورد استفاده قرار گیرند. این تکنیک ها به کسب‌وکارها کمک می‌کنند تجربه مشتری را تغییر داده و به تعهدات تحویل سریع‌تر دست یابند. برای انجام این کار، مدل‌های یادگیری ماشین، تاریخچه داده ها را از منابع مختلف تجزیه و تحلیل کرده و بر این اساس، ارتباطات متقابل بین فرآیندها را در طول زنجیره ارزش تامین(Supply value chain) کشف می کنند.*

ساده سازی برنامه ریزی تولید

یادگیری ماشین می تواند نقش مهمی در بهینه سازی پیچیدگی برنامه های تولید ایفا کند. از مدل‌ها و تکنیک‌های یادگیری ماشین می‌توان برای آموزش الگوریتم‌های پیچیده بر روی داده‌های تولید موجود استفاده کرد تا بخش های احتمالی ناکارآمدی و هدررفت شناسایی شوند. علاوه بر این، استفاده از یادگیری ماشین در زنجیره تأمین، در ایجاد محیطی سازگارتر برای مقابله موثر با هر نوع اختلال، اثرگذار است.

کاهش هزینه و زمان پاسخ دهی

امروزه تعداد زیادی از شرکت های B2C از روش های یادگیری ماشین برای راه اندازی سیستم پاسخ خودکار و رسیدگی به عدم تعادل تقاضا-عرضه استفاده می کنند که این کار موجب کاهش هزینه ها و بهبود تجربه مشتری می شود.

توانایی الگوریتم‌های یادگیری ماشین در تجزیه و تحلیل و یادگیری از داده‌های بلادرنگ و سوابق داده-های تحویل (delivery data)، به مدیران زنجیره تأمین کمک می‌کند تا مسیر ناوگان وسایل نقلیه خود را بهینه سازند. این امر منجر به کاهش زمان رانندگی، صرفه‌جویی در هزینه و افزایش بهره‌وری خواهد شد.

علاوه بر این، بهبود ارتباط با ارائه دهندگان خدمات لجستیک و همچنین یکپارچه سازی فرآیندهای حمل-ونقل و انبارداری، سبب کاهش هزینه های اداری و عملیاتی را در طول زنجیره تأمین می گردد.

مدیریت انبار

برنامه ریزی کارآمد زنجیره تأمین معمولاً به معنی مدیریت انبار مبتنی بر میزان موجودی است. یادگیری ماشین با استفاده از آخرین اطلاعات عرضه و تقاضا، تلاش‌های یک شرکت را برای رسیدن به سطح مطلوب خدمات مشتری، با کمترین هزینه میسر می کند.

یادگیری ماشین در زنجیره تأمین به کمک مدل‌ها، تکنیک‌ها و ویژگی‌های پیش‌بینی کننده خود، می‌تواند مشکل کمبود یا ازدیاد موجودی را حل کرده و مدیریت انبار را به طور کامل دگرگون کند.

با استفاده از هوش مصنوعی و یادگیری ماشین، می‌توان مجموعه داده‌های بزرگ را بسیار سریع‌تر تجزیه و تحلیل کرده و از اشتباهات انسانی در یک سناریوی معمولی اجتناب نمود.

کاهش خطاهای پیش بینی

یادگیری ماشین، به عنوان یک ابزار تحلیلی قوی برای کمک به شرکت های زنجیره تأمین در پردازش مجموعه های بزرگ داده عمل می کند. علاوه بر اینکه یادگیری ماشین می تواند حجم عظیمی از داده ها را پردازش نماید، به کمک telematics (ابزارهای ارسال، دریافت، ذخیره و تجزیه و تحلیل اطلاعات برای ناوبری خودرو)، تجهیزات اینترنت اشیا، سیستم های هوشمند حمل ونقل و سایر فناوری های مشابه تضمین می کند که عملیات تحلیل داده ها با بیشترین تنوع ( variety) و تغییرپذیری ( variability )انجام گیرد. منظور از تنوع و تغییرپذیری، تنوع نوع داده (متن، تصویر، ویدئو) و ساختار آن هاست که در تحلیل مد نظر قرار می گیرد.

این مساله به شرکت های زنجیره تأمین در داشتن بینش بهتر و پیش بینی دقیق تر کمک می کند. یک گزارش از McKinsey نشان می دهد که به کارگیری هوش مصنوعی و یادگیری ماشین در زنجیره تأمین تا 50% خطاها را کاهش خواهد داد

ردیابی پیشرفته last-mile

تحویل last-mile یا گام آخر تحویل، آخرین مرحله از مراحل تحویل کالا به مشتری است؛ یعنی زمانی که نماینده تحویل محصول، آن را از آخرین هاب تحویل گرفته و به مشتری نهایی و یا خرده فروشی می-رساند. تحویل last-mile بخش مهمی از کل زنجیره تأمین می‌باشد؛ زیرا اثربخشی آن می تواند تأثیر مستقیمی بر چندین بخش از جمله تجربه مشتری و کیفیت محصول داشته باشد. همچنین داده ها نشان می-دهد که تحویل last-mile، 28% از کل هزینه های تحویل را شامل می شود.

یادگیری ماشین در زنجیره تأمین می تواند انواع مختلف داده را به کارگیرد تا در مورد روش های مورد استفاده مردم برای وارد کردن آدرس و همچنین کل زمان صرف شده برای تحویل کالا، اطلاعات کسب کند. علاوه بر آن، قادر است به بهینه سازی فرآیندهای حمل نقل و ارائه اطلاعات دقیق تر به مشتریان درباره آخرین وضعیت تحویل کالاهایشان کمک نماید.

جلوگیری از کلاه برداری

الگوریتم‌های یادگیری ماشین می‌توانند کیفیت محصول را افزایش داده و خطر تقلب را کاهش دهند. این امر با خودکارسازی بازرسی‌ها و فرآیندهای حسابرسی و همچنین، انجام تجزیه و تحلیل بلادرنگ نتایج برای تشخیص ناهنجاری‌ها یا انحراف از الگوهای عادی انجام می شود. علاوه بر این، ابزارهای یادگیری ماشین قادر به جلوگیری از سوءاستفاده از اعتبارنامه‌های ممتاز (privileged credential) هستند که یکی از دلایل اصلی تخلف در سراسر زنجیره تأمین بین المللی است.*

چند مثال

در ادامه چند نمونه از شرکت هایی که از یادگیری ماشین برای افزایش بهره وری مدیریت زنجیره تأمین خود استفاده می کنند، آورده شده است:

Amazon

Amazon که یکی از رهبران مشهور زنجیره تأمین در صنعت تجارت الکترونیک است، از سیستم های پیشرفته و نوآورانه مبتنی بر هوش مصنوعی و یادگیری ماشین همچون انبارداری خودکار و تحویل به وسیله پهپاد استفاده می کند.

زنجیره تأمین قوی Amazon، سرمایه گذاری های سنگینی بر روی سیستم های نرم افزاری هوشمند، حمل-ونقل و انبارداری کرده است و لذا همواره کنترل مستقیمی بر روی حوزه های اصلی مانند بسته بندی، پردازش سفارش، تحویل، پشتیبانی مشتری و لجستیک معکوس (Reverse Logistics ) دارد.*

Microsoft

سیستم زنجیره تأمین Microsoft، به شدت بر بینش های پیش بینی کننده مبتنی بر یادگیری ماشین و هوش تجاری متکی است. این شرکت یک سبد بزرگ از محصولات دارد که حجم عظیمی داده تولید می کنند و باید در یک سطح مرکزی برای انجام تحلیل پیش بینی کننده و افزایش کارایی عملیاتی، یکپارچه شوند. تکنیک‌های یادگیری ماشین این امکان را برای شرکت فراهم می‌کند. این سیستم به شرکت اجازه می دهد تا داده‌ها را در لحظه جمع‌آوری کرده و تجزیه و تحلیل نماید. علاوه بر این، زنجیره تأمین قوی این شرکت از سیستم‌های هشدار اولیه و فعال (proactive and early warning systems) برای کمک به کاهش خطر و پاسخ سریع به سوالات استفاده می‌کند.

Alphabet

Alphabet، یک غول فناوری شناخته شده و بسیار نوآور است که زنجیره تأمینی منعطف و پاسخگو دارد و امکان همکاری بین تمامی شعب شرکت را به صورت یکپارچه فراهم آورده است. زنجیره تأمین Alphabet از یادگیری ماشین، هوش مصنوعی و رباتیکز برای خودکارسازی کامل استفاده می کند.

Procter & Gamble

شرکت P&G که یک شرکت پیشرو در حوزه کالاهای مصرفی به حساب می آید، دارای یکی از پیچیده-ترین زنجیره های تأمین با سبد محصولات بسیار زیاد است. این شرکت، به خوبی از روش های یادگیری ماشین همچون تحلیل پیشرفته و به‌کارگیری داده ها برای مدیریت سرتاسر جریان محصول، استفاده می-کند.

RollsRoyce

RollsRoyce با همکاری گوگل، مشغول ایجاد کشتی های خودرانی است که در آن ها، یادگیری ماشین و فناوری هوش مصنوعی، جایگزین وظایف و مسئولیت های کل خدمه می شود. کشتی های این شرکت از الگوریتم هایی برای تشخیص دقیق آنچه که در آب اطراف آنهاست استفاده کرده و موانع اطراف را بر اساس میزان خطرشان برای کشتی طبقه بندی می کنند. همچنین الگوریتم های هوش مصنوعی و یادگیری ماشین، می توانند برای ردیابی عملکرد موتور کشتی، مانیتورینگ امنیت و بارگیری و تخلیه بار استفاده شوند.

جمع بندی

بهبود کارایی زنجیره تأمین نقش مهمی در هر سازمانی دارد. هر نوع بهبود فرآیندی می تواند تأثیر زیادی بر سود نهایی داشته باشد. فناوری‌های نوآورانه مانند یادگیری ماشین، موجب تسهیل مقابله با چالش‌های نوسانات و پیش‌بینی دقیق تقاضا در زنجیره‌های تأمین بین المللی می‌گردند. Gartner پیش بینی کرده است که تا سال 2023، حداقل 50 درصد از شرکت های بین المللی در عملیات زنجیره تأمین خود، از فناوری های تحول آفرین مرتبط با هوش مصنوعی و یادگیری ماشین استفاده خواهند کرد. این امر، گواهی بر محبوبیت روزافزون یادگیری ماشین در صنعت زنجیره تأمین است. اما، برای اینکه کسب‌وکارها بتوانند از مزایای کامل یادگیری ماشین بهره ببرند، باید برای آینده برنامه‌ریزی کرده و سرمایه‌گذاری روی یادگیری ماشین و فناوری‌های مرتبط با آن را آغاز کنند تا از مزایای افزایش سودآوری، کارایی و دسترسی بهتر به منابع در صنعت زنجیره تأمین برخوردار شوند.