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.

لجستیک هوشمند

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.

کارایی و محرک­های مالی برای هوش مصنوعی در لجستیک

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.