هوش مصنوعی در لجستیک و زنجیرهی تأمین هوش مصنوعی (AI) به توانایی یک رایانه یا ربات کنترل‌شده توسط رایانه برای انجام وظایفی که معمولاً با انسانها مرتبط است، اشاره دارد. استفاده از اصطلاح هوش در هوش مصنوعی به این معنی است که اگر یک انسان بتواند آن را انجام دهد، انجام کار توسط یک ماشین، اسکریپت یا الگوریتم به استفاده از هوش نیاز دارد.
در مدیریت لجستیک و زنجیرهی تأمین، تجزیهوتحلیل و پشتیبانی کامپیوتری چندین دهه است که وجود داشته است. به عنوان مثال، برنامهریزان زنجیرهی تأمین، از ابزارهای نرم‌افزاری استفاده میکنند که دادههای گذشته را برای پیشبینی تقاضا پردازش کنند. بسیاری از سیستمهای برنامهریزی منابع سازمانی (ERP) تصمیمگیری در مورد زمان و مقدار سفارش را خودکار میکنند و سیستمهای مدیریت انبار و حمل‌ونقل، عملیات ذخیره‌سازی و حمل‌ونقل را بهینه میکنند. هر یک از این ابزارهای پشتیبانی زنجیرهی تأمین را میتوان به عنوان یک برنامه‌ی کاربردی استفاده کرد یا با سایر عملیات تجاری مانند حسابداری مالی یا مدیریت ارتباط با تأمین‌کننده، یکپارچه نمود. یکپارچه‌سازی، اشتراکگذاری دادهها را در یک پلتفرم مشترک تسهیل میکند. هنگامی که پلتفرم از طریق اینترنت نیز قابل دسترسی باشد، ابزارهای مبتنی بر وب از طریق نرم‌افزار رابط برنامه‌نویسی برنامه (API)، دسترسی و اتصال از راه دور را با برنامههای شخص ثالث فراهم میکنند. سرویس مبتنی بر ابر (Cloud-Based Service)، انعطاف‌پذیری بیشتری را برای افزایش زیرساخت‌های فناوری اطلاعات برای پاسخگویی به نیازهای محاسباتی موقت ارائه میدهد.
پیشرفت اخیر در دیجیتالی‌کردن عملیات لجستیک از اتصال بی‌درنگ داراییها به پلتفرم داده ناشی میشود؛ ماشین‌ها، وسایل نقلیه و دستگاه‌ها اکنون میتوانند از طریق فناوری‌های حسگر که انواع دادهها را در زمان واقعی ضبط میکنند، نظارت شوند. علاوه بر این، هنگامی که حسگرها به درستی عمل نمیکنند، اپراتورها میتوانند اطلاعات بازخورد را از طریق دستگاههای تلفن همراه و پوشیدنی ارائه دهند. این اتصال گسترده به عنوان چهارمین انقلاب صنعتی شناخته میشود که با اصطلاح Industry 4.0 نیز از آن یاد میشود.
چنین اتصالی، دید در زمان واقعی را در تمام گردشهای کاری فراهم میکند. یک «برج کنترل دیجیتال» Digital Control Tower، در قیاس با برج کنترل فرودگاه، میتواند هشدارهای بصری را ارائه دهد که در مورد کمبود موجودی یا پردازش گلوگاهها، قبل از وقوع هشدار میدهد. با استفاده از الگوریتمهای کنترلی ساده، تیم‌های حاضر در خط مقدم میتوانند حتی قبل از اینکه مشکلات احتمالی واقعی شوند، مسیر را اصلاح کنند. علاوه بر این، در دسترس بودن دادههای گذشته میتواند منجر به الگوریتمهای پیچیده‌تر شود که هوش بیشتری به قانون کنترل می‌افزاید؛ تحلیل‌های پیشبینیکننده از دادههای گذشته برای به‌دست‌آوردن الگوها و همبستگی‌هایی که آشکارا توسط انسانها شناسایی نشده‌اند، نمونهای از آنهاست. تجزیهوتحلیل و بهینه‌سازی بلادرنگ با استفاده از دوقلوی دیجیتالی (Digital Twin) عملیات فیزیکی آن، حتی میتواند تصمیمگیری را پیشنهاد کند که در آن کاربران بر اساس آنچه عوامل هوشمند توصیه میکنند، تصمیمگیری نمایند.
برج کنترل دیجیتالی اطلاعات بلادرنگ را ارائه میکند، که به‌طور بالقوه توسط تشخیص و تجزیهوتحلیل پیشبینیکننده افزوده میشود، ممکن است از مدیران لجستیک و زنجیرهی تأمین در تصمیمگیری حمایت کند. این تصمیمات «هوشمندانه» پتانسیل ایجاد زنجیرههای تأمین کارآمدتر، انعطافپذیرتر و حتی پایدارتر را دارند. با این حال، توجه داشته باشید که این ابزارهای هوش مصنوعی لزوماً کل گردش کار را انجام نمیدهند. در عوض، هر کدام یک جزء پیشبینیکننده را ارائه میکنند تا به فردی در تصمیمگیری کمک کنند. هوش مصنوعی میتواند برخی از وظایف را بر عهده بگیرد، اما نه همه را. در واقع، در اکثر پیاده‌سازیهای هوش مصنوعی در زنجیرهی تأمین تا به امروز، انسانها هنوز حرف آخر را میزنند و هوش مصنوعی به خودی خود، به معنای تصمیمگیری مستقل نیست.
در سال 2017، اکونومیست مقالهای با عنوان «با ارزشترین منبع جهان دیگر نفت نیست، بلکه دادهها است» منتشر کرد. استفاده از برنامههای کاربردی دیجیتال و همچنین اتصال داراییها، به عنوان مثال، از طریق حسگرها و برجهای کنترل دیجیتال، مقادیر زیادی داده (در زمان واقعی) تولید میکند. سوالی که اکنون مطرح میشود این است که چگونه میتوان از چنین دادههایی برای بهبود سطح هوشمندی لجستیک و تصمیمگیری زنجیرهی تأمین استفاده کرد. توجه داشته باشید که استفاده از دادهها در لجستیک چیز جدیدی نیست - ما چندین دهه است که کالاها را در سراسر جهان بر اساس پیشبینیهای داده‌محور حمل میکنیم. چیزی که جدید است حجم عظیمی از دادههایی است که اکنون تولید و ذخیره میکنیم و به اشتراک میگذاریم. این دادهها این پتانسیل را دارند که لجستیک و کنترل زنجیرهی تأمین را سازگارتر و هوشمندتر کنند.
در برنامه‌ریزیهای سنتی مبتنی بر داده، معمولاً از یک یا حداکثر چند منبع داده مانند تقاضاهای گذشته یا سطوح موجودی فعلی استفاده میشود. تا زمانی که متغیرهای ورودی «قابل شمارش» باقی بمانند، میتوان دستورالعمل‌های if–then را برای پشتیبانی (یا حتی خودکار کردن) تصمیمگیری پیادهسازی کرد (یا حتی برنامهریزی کرد). در مقابل، ادغام برنامههای دیجیتال مختلف، یک مخزن داده از منابع مختلف ایجاد میکند که به‌طور خودکار از طریق حسگرها (اینترنت اشیا) و همچنین به‌صورت دستی از طریق دستگاههای ارتباطی موبایل و پوشیدنی (معروف به اینترنت مردم) جمع‌آوری میشود. هنگامی که تعداد منابع داده به سرعت افزایش مییابند، کوهی از دادههای متعاقب آن، شمارش صریح دستورات if-then را غیرممکن میکند. اینجاست که یادگیری ماشین به تصویر کشیده میشود. در حالی که هوش مصنوعی اصطلاحی است برای همه‌ی قوانین رایانهای که هوش انسانی را تقلید میکنند (از جمله دستورالعمل های ifthen)، یادگیری ماشین زیرمجموعه‌ی هوش مصنوعی است که در آن یک الگوریتم یاد میگیرد که رفتار انسان را تقلید کند و تصمیمات خود را میگیرد. الگوریتمهای یادگیری ماشین در اصل ماشینهای پیشبینی هستند که بدون استفاده از دستورالعمل‌های صریح یک کار را انجام میدهند.
به طور کلی استفاده از ابزارهای هوش مصنوعی به ویژه یادگیری ماشین در حوزههای زیر میتوانند باعث بهبود و افزایش بهرهوری کلی عملیات شوند:
v برنامهریزی زنجیرهی تأمین
v مدیریت انبار
v پیشبینیها
v مسیریابیها
v مدیریت موجودی
v کنترل کیفیت
سرمایهگذاری در فناوری زنجیره تأمین پیشرفته در سالهای اخیر افزایش یافته است و انتظار می‌رود بازار به‌کارگیری هوش مصنوعی در این حوزه تا سال 2027 به 16.7 میلیارد دلار برسد.
به‌کارگیری هوش مصنوعی میتوانند به شناسایی دقیق مراحل در زنجیرهی تأمین برای بهبود سود، مدیریت قراردادهای حامل، و حتی مذاکره در مورد نرخ‌های حمل‌ونقل و لجستیک کمک کنند. این میتواند منجر به کاهش هزینههای تبدیل (هزینههای تولید بدون مواد خام) تا 20 درصد شود و با بهرهوری بالاتر نیروی کار تا 70 درصد کاهش هزینه‌ها را به خود اختصاص دهد.
طبق برسی مقالات این حوزه، پذیرندگان اولیه که با موفقیت هوش مصنوعی را در زنجیرهی تأمین پیادهسازی کردند، کاهش 15 درصدی در هزینههای لجستیک را تجربه کردند.
