فشار در مطلب هوش مصنوعی در زنجیره تامین

این کلمه در خیابان است که هوش مصنوعی تلاش نشده اند ارائه نتایج قابل توجه همه بوده و امیدوار. نتیجه نهایی این است به احتمال زیاد به توان به خوبی هدف قرار دادن که در آن هوش مصنوعی است که دست زدن به در زمان واقعی وظایف پیچیده را که انسان در روز یا هفته به باز کردن. مدیریت جریان مخابرات ترافیک یک مثال و یا نگه داشتن آن را در شبکه های بالا و در حال اجرا است دیگر. هنوز هم یکی دیگر از, با عظیم ملموس ارزش کسب و کار است که توانایی نگه داشتن زنجیره تامین در جریان است.

horizons-los-angeles-aerial-view-jan-2014-photo-by-joe-mckendrick.jpg
عکس: جو McKendrick

به این منظور برای مثال مقیاس هوش مصنوعی– کانادا کنسرسیوم از شرکت ها و دانشگاه ها و مراکز تحقیقاتی — اعلام $29 میلیون دلار در سرمایه گذاری های جدید در هوش مصنوعی پروژه های عمده ای از آن در ساختمان با هدف هوش بیشتر به زنجیره تامین. یکی این است که هوش مصنوعی مبتنی بر پیش بینی پلت فرم برای رانندگی زنجیره تامین بازده برای مدیران ناوگان و دیگری نوآورانه مبتنی بر ابر پلت فرم برای بهبود توزیع مواد مخدر زنجیره ای. یک سوم ابتکار را قادر خواهد ساخت دیجیتالی معدنی و فلزی زنجیره ارزش به منظور حفظ زنجیره تامین و عملکرد خود را بهبود بخشد.”

به وضوح ساختمان هوش به زنجیره تامین شبکه است یک چیز است. یک بازار برآورد قرار می دهد هوش مصنوعی در زنجیره تامین در 46 درصد در سال رشد مسیر رشد از $503 میلیارد دلار در سال 2017 به بیش از 10 میلیارد دلار تا سال 2025. به عنوان دنیس فراموش مدیر عامل شرکت توزیع Pharmaplus یک از شرکت کنندگان در کنسرسیوم قرار می دهد و آن هوش مصنوعی-طراحی زنجیره تامین “به ما اجازه می دهد برای باز کردن بهره وری از طریق بهبود مدیریت موجودی محدود کردن تاثیر کمبود و کاهش مدیریت اداری-نمونه راه حل برنده-برنده به عنوان ما کاهش هزینه های ما در حالی که افزایش فروش و ارائه خدمات بهتر.”

چه در خطر است ؟ امروز زنجیره تامین شبکه به سادگی نمی زیرک به اندازه کافی برای رسیدگی به امروز و فردا را به چالش می گوید: Ram Krishnan, CMO از Aera فن آوری است. برای مثال “تولید کنندگان در حال حاضر به دنبال تولید دسته های کوچکتر به سرعت و کارآمد به آدرس تقاضا خوشه در سراسر جغرافیای و کانال. در عین حال بسیاری از آنها در مجموعه ای انعطاف ناپذیر آهسته در حال حرکت تولید در مقیاس مدل که نیست بشود برای چابکی و فقط در زمان تولید دسته ای بر روی تقاضا. چه زمانی بود که یک مزیت رقابتی از طریق اقتصاد مقیاس است که در حال حاضر مانع زیرک تولید.”

چه آشکارا وجود ندارد و از امروز زنجیره تامین “است که توانایی انطباق با همیشه در حال تغییر زنجیره تامین محدودیت مواد اولیه از جمله در دسترس بودن محصول و حمل و نقل بار و بودجه محدودیت” کریشنان همچنان ادامه دارد. “با دقت برنامه ریزی شده منجر بار طرح میتوانست هنگامی که یک اختلال رخ می دهد در هر لینک در زنجیره تامین. اگر چند اختلال رخ می دهد به طور همزمان اثرات می تواند آبشار در سراسر زنجیره تامین با به طور بالقوه فاجعه تاثیر است.”

نگاه هیچ بیشتر از اخیر Covid-19 بحران, او نشان می دهد. “برخی از بخش های در حال دست و پنجه نرم کردن با گسترده اختلال در مواد اولیه در دسترس و حمل و نقل بار -حتی به عنوان تقاضا برای برخی محصولات افزایش می یابد. آنها فاقد چابکی استراتژیک به دوره-درست به عنوان محدودیت تغییر دهید.”

این موضوع است که ایستاده در راه است “یکپارچه معاملاتي سیستم مناسب نیست برای پاسخ سریع به تغییرات عملیاتی و فعال تصمیم گیری آگاهانه در, سرعت,” او می گوید. “با وجود پیشرفت های عمده ای در ابر معماری و پایگاه داده مقیاس پذیری اساسی دسته گرا زنجیره تامین سیستم را تا حد زیادی بدون تغییر باقی مانده است پس از 1990s شروع شد. از جمله زیرساخت های کهنه را تقریبا غیر ممکن است برای زنجیره تامین پزشکان به سرعت دریافت اطلاعات مناسب برای تصمیم گیری درست به عنوان اختلال رخ می دهد و محدودیت تغییر دهید.”

به عنوان یک نتیجه از شرکت “مواجه هستند با یک بار دستی از داده ها کار می کنند به جمع آوری اطلاعات از سیستم های نامتجانس برای تجزیه و تحلیل در صفحات گسترده و یا داده های دریاچه است. در نهایت بهترین حدس تصمیم گیری ممکن است چند روز یا چند هفته پس از شرایط پیش بینی نشده به وجود آمد.”

هوش مصنوعی می تواند کمک به ارائه چابکی مورد نیاز امروز در زنجیره تامین است که مستعد ابتلا به تمام رفتار, اختلالات, از, بیماری های همه گیر به دنیوی سکسکه در موجودی نرم افزار. “چالش های جدید ادامه به ظهور است که آن را دشوار است برای دستیابی و حفظ یک واقعا زنجيره تأمين چابک می گوید:” کریشنان. او خواهان “شناختی اتوماسیون” در زنجیره تامین و یا فرایند دیجیتالی شدن خودکار و افزایش زنجیره تامین فرآیندهای تصمیم گیری. این پشتیبانی از طریق “تک شناختی لایه داده ها با داده های دانه دانه توسط خزنده های داخلی و خارجی برنامه های کاربردی هزاران بار در روز” او را نشان می دهد. این تحلیلی لایه ساخته می شود موجود در زیرساخت های آن و “مانیتور برای تغییرات هشدار پزشکان به استثنا و در پاسخ به هر کاربر پرس و جو را با یک مجموعه کامل از گزینه های و انشعابات.”

استفاده از هوش مصنوعی قابلیت تنها راه “به ترکیب قابلیت های رسیدگی به بحران سیستمیک ارائه end-to-end, دید زمان واقعی در سراسر عملیات و تقویت بشر تصمیم گیری با ماشین هدایت می شود جمع آوری داده ها و تجزیه و تحلیل” کریشنان استدلال می کند. هوش مصنوعی و الگوریتم های یادگیری ماشین باید اعمال شود “برای تولید توصیه های بهینه زنجیره تامین اقدامات است. ماشین را بیش از بلند کردن اجسام سنگین از جمع آوری داده ها و تجزیه و تحلیل در سرعت نه مثل انسان ممکن است. مدیران می توانید تمرکز بر ارزیابی AI توصیه ها و ساخت سریع داده محور تصمیم گیری به آدرس اختلال و یا به سادگی را افزایشی برای بهبود بهره وری به طور کلی.”

با کمک هوش مصنوعی “تصمیم گیری است که در زمان هفته از تلاش و جلسات در حال ساخته شده سریع تر با دور بیشتر دقت می گوید:” کریشنان. “آنها همچنین بهبود ارکستراسیون در سراسر زنجیره تامین کامل چرخه عمر از برنامه ریزی و تدارکات به تدارکات و تحقق است. هماهنگ داده ها از ده ها یا صدها نفر از برنامه های کاربردی جدید باز می شود شفافیت به علت و معلول در سراسر توابع و قدرتمند چه اگر تجزیه و تحلیل. عمق تجزیه و تحلیل می رود فراتر از استاتیک بر اساس قوانین گزارش برای تولید یک تصویر واقعی از زنجیره تامین و عملکرد و نقاط ضعف و زمینه را برای بهبود است.”

این مهم است به یاد داشته باشید که “انسان نیست ربات” کریشنان می گوید. “ما ساخته شده است به جمع آوری و پردازش حجم زیادی از اطلاعات قطعا در مقیاس و سرعت. این کار برای ماشین آلات است.”

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>