通過人工智能實現更智能的供應鏈

以最低的成本在正確的時間將正確的東西送到正確的地點，同時保持客戶滿意——供應鏈管理有什麼難的?正如公眾在過去幾個月所看到的，這個看似簡單的命題其實非常複雜。客戶對交付的期望越來越高，越來越多的產品由相互關聯的全球供應鏈中的多個零部件組成。在這種複雜性中，供應鏈是如此緊密地協調，以至於它們很容易出現中斷，即使是那些幾乎沒有原材料的國內生產，比如衛生紙。

供應鏈執行正在取得勝利

雖然提高預測準確性的供應鏈願景似乎是一條減少供需差距的誘人之路，但它是執行通過並發的規劃這對供應鏈在麵臨中斷時的恢複能力至關重要。在中斷中快速響應的能力提供了贏得勝利的敏捷性，因為響應的延遲會增加供應鏈的不穩定性。那麼，我們如何減少延遲以改善供應鏈執行呢?Kinaxis聯合創始人鄧肯•克萊特(Duncan Klett)提出了一種創造性的可能性，即考慮供應鏈和控製係統之間的相似性，汽車的巡航控製係統就是一個常見的例子。

學習控製係統理論

在一個經典的工程控製係統中，誤差會產生反饋，從而在生產過程中產生調整。當你開著巡航控製係統在高速公路上行駛時，你設定的每小時70英裏的速度是由係統在你的汽車上升、下降和轉彎時調節油門，並根據道路的反饋進行路線修正來維持的。值得慶幸的是，隨著時間的推移，巡航控製已經得到了改進——還記得那些不穩定的調整的日子嗎?

供應鏈本身就充滿了可變性——批量大小、需求波動、供應波動，舉幾個例子。但在供應鏈中，最容易控製的變化可能是反應延遲，這不僅會影響汽車，也會影響供應鏈。史密斯預測模型擴展了控製係統理論，通過對物理過程建模來提前預測其結果，從而減少係統響應中的延遲。結合係統響應，這種幹預可以減少係統的延遲。減少延遲導致增加穩定性和更好的性能。

供應鏈中充滿了功能豎井，每個環節都在局部優化，但這些改進並不能解決豎井之間交接的延遲問題。物理模型可以提供供應鏈的單一視圖，而不是它的組成豎井，並被用於使用並行規劃的係統方法。這種模式類似於數字雙胞胎，它是資產、流程、產品或服務的數字副本。建立數字模型和預測結果可以提高係統響應能力，減少延遲，從而減少或消除牛鞭效應。

AI/ML如何建立在控製係統理論的基礎上?

有了供應鏈的數字模型，預測其行為是人工智能和機器學習(AI/ML)應用的一個絕佳機會。目前AI/ML的一個流行應用是提高預測精度。除了傳統的需求預測，需求感知等方法在曆史數據之外引入了更多的信號，從而產生更好的預測。但需求之外的其他因素也會影響供應鏈的可變性。生產產量或交貨期也會帶來複雜性。在有很多零件的供應鏈中，計算每個零件的交貨期是不可能的，所以陳舊的假設被使用，並像花生醬一樣塗抹在看似相似(但可能不是)的零件上。AI/ML可以預測每個部件的交運時間，並結合處理規則進行自動化調整，就像RapidResponse®中的巡航控製一樣自我修複供應鏈™．

將供應鏈視為控製係統可以產生豐富的見解，並為AI/ML的引入提供立足點。這樣做可以提高供應鏈的快速響應能力，減少延遲。現在，我們比以往任何時候都更能看到敏捷性和並行計劃對供應鏈執行的重要性的現場實驗。我們應該明智地考慮這一經典的工程理論，結合AI/ML的最新進展，如何加強供應鏈的彈性。

想了解更多，請閱讀Duncan Klett的文章全文。通過人工智能實現更智能的供應鏈這篇文章首次出現在《科學》雜誌2020年冬季號上遠見雜誌。