人工智能（AI）正在改變供應鏈，使組織能夠做出數(shù)據(jù)驅(qū)動的決策，實現(xiàn)流程自動化，并優(yōu)化績效。這是麻省理工學院全球SCALE網(wǎng)絡最近舉辦的一次網(wǎng)絡研討會的主要信息，會上，教員和研究人員分享了將AI應用于供應鏈管理的真實世界案例的見解。

小組成員在這個背景下將AI定義為機器和算法執(zhí)行與人類思維相關的認知功能的能力，如感知、學習、與環(huán)境交互、解決問題以及解釋數(shù)據(jù)以做出決策。他們強調(diào)，成功的AI在供應鏈中的應用利用了從數(shù)據(jù)中學習的生物啟發(fā)算法。

雖然擴展和解釋AI系統(tǒng)存在挑戰(zhàn)，但等領先公司正在成功部署AI來進行端到端的供應鏈計劃和優(yōu)化。其他突出的例子包括新秀麗的智能運輸優(yōu)化和基于AI的社會公益資源分配。研討會涵蓋了三個主要主題：

• DELL的端到端供應鏈計劃AI

• Samsonite 送貨路線優(yōu)化的生物啟發(fā)式AI

• 平衡AI決策的效率和可解釋性

主要觀點

1. DELL以AI為驅(qū)動的數(shù)字化供應鏈轉(zhuǎn)型專注于準時、完整地交付"完美訂單"。AI應用于需求預測、規(guī)范分析和供應鏈監(jiān)控。

2. 蟻群優(yōu)化（一種生物啟發(fā)式AI算法）使Samsonite大幅降低了最后一英里交付的運輸成本和車隊規(guī)模。

3. 雖然AI模型的效率和可解釋性之間往往存在權衡，但在實踐中，可以通過調(diào)整模型參數(shù)和成本來實現(xiàn)這兩個目標，例如優(yōu)化住房資源分配。

4. 端到端供應鏈可視化需要利用內(nèi)部結構化數(shù)據(jù)（例如來自ERP系統(tǒng)的數(shù)據(jù)）和外部非結構化數(shù)據(jù)來推動基于AI的決策。外生因素很重要。

5. AI在優(yōu)化供應鏈中的資源和產(chǎn)能分配問題方面具有巨大潛力，例如貨運收益管理。公平性和可持續(xù)性目標可以被納入AI模型。

6. 很難概括AI性能的提升，因為結果在很大程度上取決于特定的業(yè)務環(huán)境以及AI應用程序的設計方式。建議測試多個AI和ML模型，以了解哪種模型最有效。

DELL以AI驅(qū)動的數(shù)字化供應鏈轉(zhuǎn)型

麻省理工學院數(shù)字化供應鏈轉(zhuǎn)型實驗室主任Maria Jesus Saenz分享了DELL如何將AI應用于端到端供應鏈規(guī)劃和績效管理。戴爾的轉(zhuǎn)型之旅專注于提供五個核心體驗，重點是向客戶"做出正確承諾"。

這意味著在下單時確定預期交貨日期，然后主動監(jiān)控和管理訂單直至履行。AI以三種關鍵方式應用：

1）訂單之前-使用AI進行需求預測并預測供應鏈制約因素，以做出準確的交貨承諾 2）訂單期間-AI實現(xiàn)供應鏈的實時可見性和異常管理，確保訂單順利進行 3）訂單之后-AI驅(qū)動根本原因分析，確定未能履行承諾的原因

完美訂單指數(shù)等KPI衡量所有供應鏈階段的訂單滿足承諾交付日期的百分比。AI洞察推動糾正措施和供應鏈合作伙伴的激勵措施。

DELL成功應用AI的關鍵包括關注戰(zhàn)略目標而非僅僅是技術能力，嚴格量化AI帶來的業(yè)務價值，并建立變革管理和數(shù)據(jù)流程以在整個供應鏈中擴展AI應用。

生物啟發(fā)式AI用于送貨路線優(yōu)化

薩拉戈薩物流中心的Yasel Costa博士介紹了一個案例研究，將AI應用于優(yōu)化Samsonite在智利的最后一英里配送路線。面臨的挑戰(zhàn)包括動態(tài)訂單量、多個送貨時間窗口和延遲交貨的懲罰，涉及復雜的車輛路徑問題。

現(xiàn)有的人工流程難以處理每天350多個訂單和交付區(qū)域的問題規(guī)模，導致了額外的車輛和成本。研究人員應用了基于蟻群優(yōu)化（ACO）的AI模型，該模型從螞蟻在巢穴和食物來源之間尋找有效路線的方式中獲得靈感。

在ACO算法中，人工螞蟻構建候選送貨路線，信息素痕跡標記最佳解決方案。經(jīng)過多次迭代，路線被優(yōu)化以最小化總行駛距離和所需車輛數(shù)量。與Samsonite的人工基線相比，ACO模型將配送車隊規(guī)模減少了50%，成本降低了30-38%。

ACO方法的優(yōu)勢包括能夠有效地探索大的解決方案空間，并處理現(xiàn)實世界車輛路徑問題的動態(tài)、隨機性質(zhì)。該模型可以輕松調(diào)整以處理訂單量和交付限制的變化。

更普遍地說，生物啟發(fā)式AI方法正在證明對供應鏈和物流中的復雜優(yōu)化問題是成功的。進化啟發(fā)的遺傳算法是另一個例子。越來越多的AI應用正在嵌入從自然系統(tǒng)中學到的知識，以推動更有效的解決方案。

平衡AI效率和可解釋性

盧森堡大學的Cagil Kocyigit博士研究了將AI用于資源分配決策時效率和可解釋性之間的權衡。在供應鏈管理等許多領域，優(yōu)化效率（例如最大化收入同時最小化成本）固然重要，但也必須擁有可解釋的AI模型，讓人類了解AI如何做出決策。

神經(jīng)網(wǎng)絡等更先進的AI模型通常比線性回歸等簡單模型能實現(xiàn)更好的性能，但可解釋性和可解釋性較差。如果模型設計不當，人們也越來越擔心AI會perpetuating偏見或歧視。

Kocyigit博士分享了一個案例研究，應用可解釋的AI為洛杉磯無家可歸者分配有限的住房資源。目標是優(yōu)化住房分配，最大限度地增加成功擺脫無家可歸狀態(tài)的人數(shù)，同時確保不同人口群體的公平分配。

研究人員開發(fā)了一個AI模型，該模型構建了一個住房申請人的排隊隊列，按照他們在獲得給定住房資源的情況下擺脫無家可歸狀態(tài)的可能性排序。這些概率是用可解釋的邏輯回歸模型估計的。通過調(diào)整模型參數(shù)以在各組之間實現(xiàn)結果平等來實現(xiàn)公平性。

與現(xiàn)有的人工政策相比，這個可解釋的AI系統(tǒng)預計每年將使300人擺脫無家可歸狀態(tài)。通過精心設計模型和算法，研究人員實現(xiàn)了效率和可解釋性的雙重目標。

更廣泛地說，將排隊模型與可解釋的機器學習相結合的框架可以適用于供應鏈和物流中的許多分配問題，例如在運輸網(wǎng)絡中動態(tài)匹配貨運載荷與承運商，同時納入可持續(xù)性目標。

現(xiàn)場問答討論環(huán)節(jié)

網(wǎng)絡研討會以現(xiàn)場問答環(huán)節(jié)結束，引出了觀眾提出的一些發(fā)人深省的問題：

Q:在供應鏈背景下，AI和數(shù)據(jù)科學有什么區(qū)別？

小組成員認為，數(shù)據(jù)科學和AI在供應鏈應用中越來越緊密地結合在一起。數(shù)據(jù)科學側(cè)重于從供應鏈數(shù)據(jù)中獲得洞察，而AI則用于從這些數(shù)據(jù)中自動學習模式并做出決策。領導者應該關注能夠改進供應鏈績效的用例，而不是糾結于數(shù)據(jù)科學和AI之間的技術差異。

Q: 當數(shù)據(jù)經(jīng)常被孤立和不完整時，企業(yè)如何通過AI實現(xiàn)端到端的供應鏈可視化？

小組成員建議利用來自ERP和WMS等系統(tǒng)的內(nèi)部結構化數(shù)據(jù)，也挖掘來自供應商電子郵件、新聞和社交媒體等來源的非結構化數(shù)據(jù)。AI能夠?qū)⑦@些不同的數(shù)據(jù)源拼接在一起，提供端到端供應鏈的實時圖景。擁有彌補數(shù)據(jù)差距的流程對于建立對AI驅(qū)動的可視性的信任也很重要。

Q: 在需求預測等領域應用AI，企業(yè)應該期望有多大的提升？

小組警告不要概括AI性能的改進，因為這在很大程度上取決于公司的具體環(huán)境、數(shù)據(jù)以及AI模型的設計和調(diào)整情況。最佳實踐是確定一系列AI用例，快速實驗以量化價值，并擴展成功的概念驗證。從業(yè)者應該測試多種AI建模方法，以確定最適合他們需求的方法。

Q: 在供應鏈中需要平衡責任和道德的AI開發(fā)有哪些最佳實踐？

小組成員強調(diào)要仔細評估訓練數(shù)據(jù)的潛在偏差，努力開發(fā)可解釋和可解釋的AI模型，并建立人工監(jiān)督和干預能力。領導者應主動評估AI系統(tǒng)的道德風險，并確保與組織價值觀和行為準則保持一致。從一開始就嵌入負責任的AI開發(fā)實踐是關鍵。

結論

這次網(wǎng)絡研討會描繪了AI在供應鏈管理中當前和未來潛力的令人興奮的前景。從端到端規(guī)劃，到交付優(yōu)化，再到AI驅(qū)動的資源分配，領先企業(yè)已經(jīng)在利用AI實現(xiàn)效率、敏捷性和彈性方面的突破性改進。

成功的關鍵是專注于戰(zhàn)略性的、價值驅(qū)動的用例，確保具備正確的數(shù)據(jù)和可擴展的AI基礎設施，并主動應對負責任和道德的AI開發(fā)和部署的挑戰(zhàn)。

麻省理工學院全球供應鏈專家強調(diào)，供應鏈中的人工智能不是一個神奇的黑匣子，而是一個必須由明確的愿景和變革管理計劃驅(qū)動的推動者。在學術界和工業(yè)界的正確領導和合作下，AI將成為未來幾年供應鏈轉(zhuǎn)型的核心。