יישומי בינה מלאכותית ושימושם בשרשרת אספקה
בקורס יישומי בינה מלאכותית, שימושים בשרשרת אספקה והשוואה לשיטות אנליטיות הנלמד במסגרת תואר ראשון בניהול במחלקה לניהול באוניברסיטת בר-אילן נראה כיצד ניתן לרתום את טכנולוגית ה-AI לטובת חיזוי ותכנון טובים יותר בשרשרת האספקה ואיך משלבים אותה עם שיטות מתמטיות ואנליטיות קיימות.
חיזוי ותכנון שרשרת אספקה - סקירה ואתגרים
שיטות מחשוב לחיזוי ותכנון שרשראות אספקה החלו לצמוח בתחילת המאה ה-20 ובפרט בזמן מלחמת העולם השנייה, כאשר צבא ארצות הברית נדרש לחזות, לתכנן ולשנע מלאים מורכבים לאזורים שונים ברחבי העולם. גם התחום של ניהול מלאים ממוחשב אינו חדש. למעשה, רוב האלגוריתמים האנליטיים לחיזוי צריכה ולניהול מלאים שבהם משתמשים היום נמצאים איתנו כבר משנות ה-60 וה-70 של המאה ועשרים ואף מקודם. אז, למשל, פותחו אלגוריתמי החיזוי הקלאסיים ממשפחת ההחלקה האקספוננציאלית על ידי בראון (1959) הולט (1957) ווינטרס (1960). מודל החיזוי האנליטי המורכב והמתקדם ביותר, ARIMA פותח על ידי בוקס וג'נקינס ב-1970. אלגוריתמים אלה הם הבסיס למערכות חיזוי רבות עד היום. חיזוי רגרסיה לינארית מרובת משתנים (MLR) הוא דוגמה לטכניקה אנליטית נוספת בה משתמשים על מנת ליצור קשר בין הסידרה העיתית (time series) של הצריכה ובין משתנים תלויים ומשתנים בלתי תלויים כגון: מחיר, אינדיקטורים כלכלים והוצאות שיווק כדי לחזות תוצאות עתידיות. גם מודלי המלאי הקיימים ברוב המערכות (QR, , Lot for lot,TimePhase וכו') פותחו באותן תקופות לא השתנו בהרבה.
חיזוי ותכנון מלאי מבוססי אלגוריתמים אנליטיים הם אלגנטיים, נוחים מאוד ליישום, פשוטים להבנה ומהירים ולכן, עד העת האחרונה השתמשו רק בהם לצורך חיזוי ותכנון. עם זאת, לשיטות האנליטיות יש מגבלות רבות. הן תלויות מאוד במודל הרעש לאורך זמן ופחות יעילות כאשר יש שינויים תכופים, עליות ביקוש בלתי צפויות או שיבושים בשרשרת האספקה. הן עוזרות לנו מאוד במצבים של שגרה וכשהכול מתנהל כרגיל על מי מנוחות, אך מרגע ש:
- מתחיל רעש
- יש אי-רציפות
- יש שינויים רבים בתנאי המסחר והמחירים
- ואין תיעוד או יש תיעוד חלקי של נתונים
כלומר ברגע שמתחילים שיבושים והפרעות, כפי שקרה למשל בזמן הקורונה, בעת מלחמה או בעת מחסור ממושך – ההנחות בבסיס שיטות ותיקות אלו קורסות. במקרים רבים הדבר מוביל להתערבות ידנית ושינוי התוצאות המחשוביות.
מאחר שאין נתונים היסטוריים מתועדים היטב של כלל האירועים המשפיעים על הביקוש, המודלים המתמטיים הקיימים מתקשים לחזות בעיות שינוע, שינוים בביקוש ושיבושים במלאים. גם אם קיים תיעוד, אף פעם אין תיעוד של כל הגורמים ומכלול השיקולים המשפיעים על שרשרת האספקה והמלאים. כך למשל, המערכת האנליטית מתקשה להשתמש בתגובות משתמשים או בשינוים שבצעו המתכננים על מנת לשפר את התוצאות בסבבי החיזוי הבאים.
וכאן בדיוק נכנסים לתמונה יישומי בינה מלאכותית בניהול שרשרת אספקה.
יישומי בינה מלאכותית – שימושים בשרשרת אספקה
בניגוד למודלים אנליטיים, בינה מלאכותית יכולה להתמודד עם נתונים מורכבים מסוגים שונים, רעשים ונתונים לא שלמים, מה שהופך אותה למתאימה מאוד לסביבות דינמיות ולתנאים של אי-ודאות. היא גם מסוגלת להבין ולהשתמש בנתונים מובנים למחצה או שלמים למחצה ובמיוחד, היא יודעת להבין את התערבות המתכננים ולהכניס התערבות זאת כשיקול.
בעוד מודלים מתמטיים ואנליטיים מבוססים על מחזוריות ורציפות, בינה מלאכותית מבוססת על תכונות, לכן בינה מלאכותית יכולה לקחת בחשבון רעשים כמו התחממות גלובלית, מגיפות ומלחמות. כאשר בודקים לפי תכונות ולא לפי רצף אפשר למשל לאפיין התנהגות בזמן מלחמה. בינה המלאכותית לומדת את הקשר בין התכונות לבין המטרה ויכולה להסיק מכך מה תהיה ההתנהגות במקרים דומים בעתיד.
יישומי בינה מלאכותית בחיזוי שרשרת האספקה כוללים בין היתר מודל של חיזוי ביקוש, המסוגל לנתח כמויות גדולות מאוד של נתונים היסטוריים תוך שילוב גורמים כמו עונתיות, מבצעים ותנאים כלכליים ואירועים שונים כדי ליצור תחזיות ביקוש מדויקות יותר. במודל אופטימיזציה של מלאי, הבינה המלאכותית יכולה לתכנן רמות מלאי אופטימליות תוך מזעור עלויות אחזקה והבטחת זמינות מוצרים על ידי הבנת הגורמים המובילים לתנודתיות בביקוש.
לבינה המלאכותית מגבלות משלה כמו הצורך במשאבי מחשב מרובים (ויקרים) והצורך להשתמש בתכונות (features) ולמשוך אותם לעתיד. לכן, תכנון מערכת בינה מלאכותית דורשת הבנה עמוקה אילו תכונות מתאימות לאילו מצבים ובאילו מיקרים עדיף בכל זאת ליישם שיטות אנליטיות.
לקבלת מידע נוסף בנושא קורסי יישומי בינה מלאכותית ושימושם בשרשרת אספקה או להרשמה ללימודי תואר במחלקה לניהול צרו עמנו קשר ונחזור אליכם בהקדם.
קורס יישומי בינה מלאכותית בשרשרת האספקה והשוואה לשיטות אנליטיות
במסגרת קורס יישומי בינה מלאכותית בשרשרת האספקה והשוואה לשיטות אנליטיות נראה אם כן כיצד משלבים בין הידע האנליטי והמתמטי לבין בינה מלאכותית על מנת להבין את הקשר שבין המציאות המתמטית\סטטיסטית לבין המציאות האנושית. בקורס נבין את הבדלי הגישה שבין שיטות אנליטיות לבין בינה מלאכותית ונבין את יכולות השימוש בבינה מלאכותית לשיפור התכנון בשרשרת ההספקה.
קורס יישומי בינה מלאכותית בשרשרת אספקה והשוואה לשיטות אנליטיות משלב בין תיאוריה ליישומה בשטח. הוא עשיר בתרגול במעבדת מחשבים ובמהלכו נשתמש בנתונים אמיתיים. נבין אילו שיטות אידיאליות לכל מצב ואיך משלבים בינה מלאכותית בחוכמה בשרשרת האספקה.
המאמר נכתב בשיתוף ד''ר רון לבקוביץ, מרצה במחלקה לניהול באוניברסיטת בר-אילן, בקורס "יישומי בינה מלאכותית בשרשרת ההספקה והשוואה לשיטות אנליטיות" במסלול של תואר ראשון בניהול לוגיסטיקה. שותף בחברת OgenTech, חברת תוכנה המתמחה ביצירה, ניהול ואופטימיזציה של פתרונות חיזוי ומלאי לעסקים, ועם רשימת לקוחות החברה נמנות חברות כגון שופרסל, בתי המרקחת של קופת חולים כללית ועוד.
לקבלת מידע נוסף בנושא קורסי יישומי בינה מלאכותית ושימושם בשרשרת אספקה או להרשמה ללימודי תואר במחלקה לניהול צרו עמנו קשר ונחזור אליכם בהקדם.
