Kuru ürünler Veriye dayalı karar: simülasyon ve envanter yönetimi (PDF indirme ile)
Bu ders Amerikan Mühendislik Akademisi akademisyeni ve Stanford Üniversitesi profesörü tarafından seçilmiştir. Peter W. Glynn Geçenlerde 20182. Shanshu AI Masters Roundtable'da "Simülasyon ve Envanter Yönetimi: Nerede, Nasıl, Ne Zaman ve Neden" başlıklı bir konuşma yaptı.
Sahne arkası yanıtı " Shanshu Teknolojisi ", konuşmanın tam metnini alın
Peter W. Glynn, Amerikan Mühendislik Akademisi Akademisyeni ve Stanford Üniversitesi Profesörü
Peter W. Glynn:
Bugün, sizinle verilere dayalı bir bakış açısı-karar verme sürecini paylaşmak için esas olarak ilgili araştırma sorularını temel alıyorum. Çeşitli sorunları çözmek için size makine öğrenimi, yapay zeka ve diğer araçlarla oluşturulmuş bir platform göstereceğim.
Özellikle envanter yönetimi bağlamında kararlar almak için simülasyon kullanmayı tartışıyoruz. Makine öğrenimi ve yapay zeka dünya üzerinde çok büyük bir etkiye sahip.Son yıllardaki etki, son on yılların toplamından daha belirgin olabilir, ancak bu, tüm karar alma sorunlarını çözebilecekleri anlamına gelmez. Simülasyon aynı zamanda heyecan verici karar verme problemlerini çözüyor ve karar vermede de aynı derecede önemli.
Bugünün iş ortamı bize birçok fırsat ve zorluk sunuyor. Birincisi, mağaza düzeyinde, müşteri düzeyinde ve tedarik zinciri düzeyinde toplanan çeşitli veriler gibi daha fazla veri toplanır; ikincisi, veriler daha karmaşıktır, perakende bağlantısına daha fazla şirket katılır ve daha büyük bir oran için çevrimiçi satış hesabı İnsanların endüstriyel zincirin gelecekteki dağıtım modeli ve otonom sürüş gibi gelişmekte olan teknolojilerin etkisi hakkında derinlemesine düşünmesini sağlar. Üçüncüsü, birçok karar verme sürecinin insan katılımını gerektirmediği, aksine otomatik olduğudur. Dördüncüsü, gerçek zamanlı karar verme talebi olağanüstü.
Temel sorun, daha iyi kararlar almak için verilerin nasıl kullanılacağıdır. Elbette hepimiz makine öğrenimi ve yapay zekanın bu alanda yaygın ve etkili bir şekilde uygulandığını biliyoruz.
Tek yol makine öğrenimi ve yapay zeka değildir. Belirli durumlardaki sorunlar için makine öğrenimi, özellikle bazı "eğer" sorularını yanıtlarken uygulanamaz. . Geçmişte benzer örnekler ortaya çıktığında ve büyük miktarda veri toplandığında, makine öğrenimi uygulanabilir, ancak çoğu zaman yeterli veriye sahip değiliz veya bu geçmiş verileri elde edemiyoruz. Şu anda makine öğrenimi o kadar etkili değil.
Örneğin, ilk örnekte, bir perakendeci mevcut manuel dağıtımı değiştirmek için otomatik bir dağıtım merkezi inşa etmek istemektedir. Bu maliyetli bir projedir, bu nedenle yönetim, bu merkezin ne kadar teslimat süresi ve müşteri memnuniyetinin iyileştirilmesine yardımcı olabileceği ile ilgilenmek isteyecektir. Bu, makine öğreniminin veya yapay zekanın nasıl parlayabileceği sorusu değil, çünkü yepyeni bir kararla karşı karşıyayız ve bu yeni teknolojinin şirket düzeyinde faydalarını bize anlatabilecek ilgili tarihsel veriler yok.
İkinci örnek, çevrimiçi satışların son yıllarda popüler hale geldiği ve perakendecilerin kârlarının büyük bir bölümünü oluşturduğu. Geleneksel perakende işletmeler, çevrimiçi satış sürecine daha fazla dahil oluyor ve çevrimiçi satışlar hakkında daha fazla bilgi edinmeleri gerekiyor. Kendinizi çevrimiçi satışta konumlandırmak için. Doğal bir soru, çevrimiçi siparişlerin çevrimdışı mağazalar üzerindeki etkisinin ne olacağıdır. Açıkçası mağazaya daha fazla sipariş verilecek, ancak aynı zamanda raflarda daha az ürün olacak. Ayrıca şirketin başarısını önemli ölçüde etkileyecek pek çok "eğer" sorusu da vardır.
Üçüncü örnek, tedarik zinciri yönetimindeki büyük bir krizdir: Örneğin, Japonya'daki deprem sırasında ana tedarik zinciri birkaç ay boyunca kesintiye uğradı ve birçok fabrika ve perakendeci, tedarik zincirini bir gecede yeniden yapılandırmak zorunda kaldı. Bu krizler gelecekte daha yaygın olabilir, çünkü tedarik zincirimiz küreselleşme eğiliminde olduğundan, potansiyel krizlerden etkilenme olasılığı daha yüksektir. Ancak, bu sorunlar için ciddi bir tarihsel veri eksikliği vardır, bu nedenle makine öğrenimi ve yapay zekanın uygulanması zordur.
Ancak bunlar, simülasyonun makine öğreniminin yerini alabileceği senaryolardır. Simülasyon, kararlar almak için bilgisayarları ve bilgisayar deneylerini kullanır. Ana fikir, bir tedarik zinciri veya envanter yönetimi modeli oluşturmak ve ortaya çıkacak ana tipik senaryoları bulmak ve sistemdeki büyük değişikliklerin ana etkilerini bulmak için hızla çok sayıda bilgisayar deneyi yapmaktır. Simülasyonun rolü, problemler hakkında bilgi edinmek ve bunlar gerçekten oluşmadan ve kararlar uygulanmadan önce erken önlem almaktır.
Gerçek dünyada, en önemli yönetim ilhamları ölçülmez, ancak makine öğreniminde edindiğimiz deneyim ve ilhamın miktarı ölçülür. Büyük ölçekli bir sistem için, makine öğreniminin nicel bilgileri, sistemin çalışma prensibini anlamamıza yardımcı olmayabilir, ancak simülasyon, modelin kaynağına geri dönmemize ve bir tedarik zincirinin neden diğerinden daha iyi olduğunu anlamamıza izin verebilir.
Bir sistemin mekanizmasını nicel olarak ölçmek kolay değildir. Ek olarak, büyük kararlar alırken veya büyük yatırımlar yaparken, tek bir olası sonuçtan ziyade çeşitli olası sonuçların dağılımını görme eğilimindeyiz. Bu sonuç rastgele bir olayla ilgili olduğundan, belirli bir nedeni olan bir sonuçtur ve bu sonucu nasıl anladığımız, nasıl karar verileceği açısından çok önemlidir.
Simülasyon, makine öğrenimini tamamlayıp başaramayacağını başarmakla kalmaz, aynı zamanda optimizasyon alanı için de geçerlidir. Optimizasyon yöntemleri, gerçek problemlerle uğraşırken gerçek dünyadaki birçok özelliği ve koşulu soyutlama ve basitleştirme eğiliminde olduğundan, bir simülasyon sistemi çalıştırmak, optimizasyon probleminin sonuçlarının veya fikirlerinin gerçek dünyaya uygulanabilir olup olmadığını doğrulamak için daha fazla ayrıntı içerebilir.
Tüm simülasyon modelleri veri gerektirir ve rastgele değişkenler oluşturmak için belirtilen dağılımı izleyerek verileri oluştururuz. Örneğin, dağıtım merkezi probleminde teslimat süresine ilişkin verilere ihtiyacımız var ve çevrimdışı mağazanın yerel müşterilerin ihtiyaçlarını karşılamak için gereken süreye ihtiyacı var. Temel sorun, bir simülasyon modeli oluşturmak için bir olasılık modelinin nasıl oluşturulacağıdır. Belirli bir yatırım portföyünün kararının ne kadar riskli olduğunu bilmek istiyoruz Bilgisayar simülasyonu kullanımı, riski tahmin etmenin klasik bir yoludur. Örneğin, önümüzdeki 30 gün içinde büyük mülk kaybı olasılığını simüle edin ve hesaplayın. Simülasyon aşırı olaylara karşı çok hassastır, bu nedenle odaklanmak istediğimiz şey aslında aşırı fiyat değişimleridir. Yaygın olarak kullanılan istatistiksel yöntemler tüm verileri eşit derecede önemli olarak kabul eder. Dağılımın ortasını değil, dağılımın iki tarafını (kuyruklarını) düşünüyoruz. Ayrıca envanter yönetiminde, tipik tedarik zinciri davranışı konusunda çok endişelenmiyoruz, ancak daha çok aşırı yüksek müşteri talebinin veya anormal sistem yükü davranışının% 5'inin etkisiyle ilgileniyoruz. Bu, geleneksel veri işleme ve simülasyon fikirlerimizden tamamen farklıdır ve dikkate alınan birçok özel ve ilginç araştırma sorusunu içerir.
Diğer bir araştırma konusu, hava tahmininde açıklanması en kolay kavram olan veri simülasyonudur. Hava durumunu daha iyi tahmin etmek için bu verilerin nasıl kullanılacağı temel bir konudur. Aslında, insanların yaptığı şey, ileri zamana dayalı bir diferansiyel denklemi çözmek için başlatılmış bir simülasyon sistemidir. Önümüzdeki yirmi dört saat içinde bir yerdeki hava durumunu tahmin etmek gibi büyük ölçekli hava durumu sistemlerini anlayın. Bu tür sorunlar, perakende sektöründe de giderek daha fazla üretilmektedir. Ayrıca, farklı güvenirlik ve istikrar derecelerine sahip çok sayıda farklı veri kaynağı vardır. Bu verilerin nasıl entegre edileceği ve daha iyi kararlar alınacağı Giderek daha önemli hale gelen bir veri simülasyon problemi.
Genel olarak, makine öğrenimi ve yapay zeka dünyayı değiştirecek önemli teknolojiler olacaktır, ancak simülasyon onları değerlendirmek ve tamamlamak için etkili bir araç olarak kullanılabilir.
Sahne arkası yanıtı " Shanshu Teknolojisi ", konuşmanın tam metnini alın
Çeviri: Jin Yujia
Bitirme: Wang Zhimeng
