Upelelezi wa Bandia unakuwa muhimu kwa jinsi mashirika makubwa ya rejareja yanavyosimamia na kuboresha minyororo ya usambazaji. Kuanzia kutabiri mahitaji ya msimu wa bidhaa hadi kuagiza otomatiki kwa orodha, AI inasaidia wachuuzi wa mfumo wa usimamizi wa ugavi kupata ufanisi mpya kwa wateja wao. Mnamo 2022, McKinsey aliripoti kuwa usimamizi wa mnyororo wa usambazaji ndio eneo la juu ambapo biashara ziliripoti punguzo la gharama zinazohusiana na AI. Wakati huo, makampuni makubwa ya bidhaa zilizofungashwa kwa watumiaji yaliona punguzo la 20% la hesabu, kupungua kwa 10% kwa gharama ya ugavi, na ongezeko la mapato la hadi 4%. AI ya minyororo ya usambazaji imeboreshwa tu tangu 2022 na inaongezeka kwa AI ya uzalishaji. Ripoti ya hivi majuzi zaidi kutoka kwa McKinsey iligundua kuwa usimamizi wa msururu wa ugavi ndio kazi ambapo biashara mara nyingi ziliripoti ongezeko la maana la mapato la zaidi ya 5% kutokana na uwekezaji katika AI. Kujifunza kwa mashine kumefanya kazi kubwa ya kuboresha minyororo ya usambazaji Laurence Brenig-Jones, makamu wa rais wa mkakati wa bidhaa katika usimamizi wa ugavi na mtoaji wa programu ya upangaji RELEX Solutions, aliiambia TechRepublic nguvu ya “kupunguza idadi” ya kujifunza mashine imekuwa nguvu kuu ya teknolojia ya AI. kutumika katika minyororo ya usambazaji hadi sasa. “Nadhani tunachokiona ni uboreshaji mkubwa wa usahihi na otomatiki [from machine learning capabilities] hiyo inaweza kusababisha manufaa makubwa sana katika upatikanaji wa bidhaa, kupunguzwa kwa mtaji wa kufanya kazi, na ikiwa wewe ni muuzaji mboga, basi kupungua kwa uharibifu au upotevu,” alisema. Kuna matukio kadhaa ya utumiaji ambayo kujifunza kwa mashine kumetumwa katika minyororo ya usambazaji. Chanjo zaidi za lazima-kusomwa Utabiri wa Mahitaji Kutabiri mahitaji ya bidhaa ni muhimu katika usimamizi wa ugavi. Brenig-Jones alisema hii ni “ngumu sana” kwa sababu inaweza kuhusisha kutabiri mahitaji ya bidhaa mahususi, katika eneo mahususi, kwa siku au wakati mahususi wa siku – mara nyingi hadi siku 180 au zaidi mapema katika operesheni nzima. Katika kipindi cha miaka mitano iliyopita, algoriti za kujifunza kwa mashine zimebadilisha algoriti za mfululizo wa saa zilizotumika awali kwa kazi hii. Kulingana na muuzaji wa ERP Oracle, AI sasa inaweza kutumia data ya ndani kama vile mabomba ya mauzo na mawimbi ya nje kama vile mitindo ya soko, mitazamo ya kiuchumi, na mauzo ya msimu kwa utabiri. Utabiri wa otomatiki wa Mahitaji husaidia mashirika kuboresha na kuweka uagizaji otomatiki. Ingawa hii ni pamoja na kuhakikisha hisa ya kutosha inapatikana ili kukidhi mahitaji, wauzaji reja reja lazima pia kusawazisha mambo mengine, kama vile mtaji mkubwa wa kufanya kazi na hisa nyingi, kuharibika kwa chakula, au ukiukaji wa uwezo. Brenig-Jones alisema algorithms nyingi za uboreshaji, pamoja na uwezo wao wa kujifunza kutoka zamani kupitia ujifunzaji wa mashine, zinaweza kutatua shida hii ngumu na kutimiza mahitaji ya mnyororo wa usambazaji wa shirika, kusawazisha mambo yote yanayohusika. Uboreshaji wa vifaa Kujifunza kwa mashine pia kumepachikwa katika mitandao ya vifaa. Kulingana na Oracle, kampuni za vifaa hutumia kanuni za kujifunza mashine ili “kufunza miundo inayoboresha na kudhibiti njia za uwasilishaji ambazo vipengele husogea kwenye msururu wa usambazaji,” na kuhakikisha usafirishaji wa bidhaa kwa wakati unaofaa. TAZAMA: Nafasi za kazi za msururu wa ugavi zinaonyesha ukosefu wa otomatiki na uvumbuzi Katika mfano mmoja, kampuni ya usafirishaji UPS hutumia uboreshaji na urambazaji uliounganishwa na barabara, ORION, ili kuwaonyesha madereva njia bora zaidi ya usafirishaji na usafirishaji kwenye zaidi ya barabara 66,000. nchini Marekani, Kanada, na Ulaya, kuokoa maili kubwa na gharama za mafuta kila mwaka. Jukumu linalokua la AI generative katika usimamizi wa ugavi Wataalamu wanaamini AI generative itazidi kuwa muhimu katika usimamizi na upangaji wa ugavi. Kupitia maswali ya lugha asilia, siku zijazo kuna uwezekano mkubwa wa kuona jukumu lililopanuliwa la AI ya uzalishaji. Mwingiliano bora zaidi wa lugha asilia Wauzaji wa reja reja wanaweza kuwa na mwingiliano bora zaidi na wa uchambuzi wa lugha asilia na msururu wa ugavi na data ya upangaji wa rejareja katika siku zijazo. Hii inaweza kuhusisha kuuliza maswali kuhusu mipango ya ugavi, nini kimetokea huko nyuma, au pale ambapo kuna fursa za kufanya vyema zaidi. “Unaweza kuuliza: ‘Sababu gani tano kuu za kumalizika kwa hisa wiki iliyopita?’ Na inaweza kukuambia: ‘Nambari ya kwanza ilikuwa na usahihi duni wa hesabu katika maduka yako, na maduka haya haswa. Nambari ya pili ni kwamba ulipata hitilafu moja kubwa ya usambazaji, na ilisababisha athari hii kwa mauzo yako’, Brenig-Jones alisema. Mapendekezo ya kuangalia mbele AI inayozalisha katika majukwaa ya usimamizi wa ugavi inaweza kutoa mapendekezo ya kutazama mbele kwa wauzaji wakubwa kupitia mwingiliano wa lugha asilia. Kwa mfano, jukwaa linaweza kushauri shirika kuhusu nini cha kufanya wiki ijayo ili kuhakikisha kuwa kila kitu kimeundwa ili kufikia malengo yake. TAZAMA: Splunk anahimiza mashirika ya Australia kupata LLMs “Inaweza kusema: Tunapendekeza kwamba ubadilishe sehemu hii ya usanidi wako, au tunapendekeza uende na kuzungumza na mtoa huduma huyu kwa sababu kuna hatari kulingana na uelewa wetu wa kile kilichotokea mara ya mwisho.’ Kwa hivyo itakuwa ya kuangalia mbele na kuingiliana katika muundo wa lugha asilia, “Brenig-Jones alisema. Kuwa AI ‘superuser’ Hatua zaidi katika utangulizi wa AI generative, na kitu ambacho RELEX inafuatilia ndani ya jukwaa lake, ni kugeuza AI kuwa “mtumiaji bora.” Kama watumiaji wa mfumo ambao ni “wataalamu halisi wa jinsi mfumo unavyosanidiwa,” AI inaweza kujibadilisha, kusaidia mashirika kuboresha mifumo yao kwa wakati. “Ingesema: ‘Nimekuja na usanidi bora zaidi wa suluhisho lako kulingana na kile ninachokiona,'” Brenig-Jones alielezea. “Kwa hivyo ungeingia katika uwezo wa aina hii kwa suluhisho la kujirekebisha popote ulipo. Huo ndio mwelekeo tunaoelekea, na tunafanya kazi na wateja wetu kuelewa jinsi hiyo ingefanya kazi vizuri kwao pia.