O que a IA generativa pode fazer para alterar completamente o gerenciamento da cadeia de suprimentos?

O que a IA generativa pode fazer para alterar completamente o gerenciamento da cadeia de suprimentos?

 

 

As empresas enfrentam vários desafios complexos ao projetar e otimizar suas cadeias de suprimentos, entre as quais melhorar a adaptabilidade, reduzir os custos e aumentar a qualidade do planejamento, são apenas alguns aspectos. Nas últimas décadas, os avanços na tecnologia da informação mudaram a tomada de decisões de negócios de confiar na intuição e experiência para métodos mais automatizados e orientados a dados, melhorando assim a eficiência, reduzindo significativamente os custos e aprimorando o atendimento ao cliente.

 

Infelizmente, os líderes empresariais ainda precisam gastar muito tempo e esforço para entender as sugestões propostas pelo sistema, analisando várias situações e realizando análise de hipóteses. A atualização dos modelos matemáticos das ferramentas de gerenciamento da cadeia de suprimentos para refletir mudanças no ambiente de negócios também consome tempo. Para resolver esses problemas, planejadores e gerentes precisam contratar equipes de ciência de dados ou provedores de tecnologia para explicar os resultados ou modificar o sistema.

 

O Modelo de Linguagem Grande (LLM) é uma IA generativa que permite a conclusão dessas atividades, mesmo sem o apoio acima mencionado, e reduz o tempo de tomada de decisão de dias ou semanas a minutos ou horas, melhorando significativamente a eficiência e o impacto do pessoal de planejamento e gerenciamento. Neste artigo, exploraremos como usar grandes modelos de idiomas para obter informações de dados, permitindo que os gerentes entendam melhor a situação da cadeia de suprimentos, respondam a perguntas hipotéticas e atualizem as ferramentas de gerenciamento da cadeia de suprimentos para levar em consideração o ambiente de negócios atual. Também enfatizamos os desafios que as empresas devem superar ao adotar grandes modelos de idiomas, bem como as oportunidades de expandir seu escopo de aplicação no futuro.

 

A maioria da experiência que queremos compartilhar vem do uso do sistema baseado em LLM pela Microsoft para gerenciar o fornecimento de servidores e outros hardware, que são fornecidos a mais de 300 data centers em todo o mundo para apoiar seus serviços em nuvem. A Microsoft testou o sistema baseado em LLM de março a outubro de 2023 e implantou totalmente o sistema em novembro daquele ano. Desde então, o sistema teve um impacto significativo na eficiência e produtividade, manifestado no tempo de resposta do evento e na velocidade de tomada de decisão, enquanto esses benefícios deverão aumentar com o tempo e com a melhoria adicional do sistema. No entanto, os recursos que estamos discutindo não confiam no uso de produtos da Microsoft e vários LLMs de alta qualidade atualmente disponíveis no mercado podem ser usados ​​para implementar esses recursos.

 

Agora, vamos explorar os benefícios que o LLM pode trazer.

 

Mineração de dados e insights

 

Imagine uma cadeia de suprimentos típica com um certo número de fornecedores de matéria -prima, fábricas de produção e varejistas. Usando o LLM, os planejadores podem perguntar em linguagem simples, como "Quantas matérias-primas do tipo T os fornecedores têm atualmente?" ou "Qual é a maneira mais barata de transportar mercadorias da fábrica F para o varejista R?" O LLM pode transformar essas perguntas em consultas de ciência de dados e, em seguida, inserir os resultados da consulta no repositório de dados da empresa (como o banco de dados SQL) e fornecer respostas em frases completas. De uma perspectiva de privacidade, o LLM pode ser usado como um serviço em nuvem, o que significa que não há necessidade de transferir dados proprietários para o LLMS de terceiros.

 

Além de servir como uma ferramenta para entender o estado atual da cadeia de suprimentos de uma empresa, o LLM também pode ser usado para explicar as decisões tomadas pelo sistema da cadeia de suprimentos e fornecer informações adicionais, como informações sobre tendências. Por exemplo, os planejadores podem fazer perguntas sobre tendências recentes, como "Qual fábrica teve a maior eficiência de produção na semana passada?" ou "Quantos ou qual porcentagem dos custos totais de transporte excedeu US $ 50000 no mês passado?" No texto a seguir, forneceremos exemplos específicos de uso precoce do LLM para mineração de dados e insights.

 

Rastrear demandas em constante mudança. A computação em nuvem é um negócio de vários bilhões de dólares que exige que provedores de serviços como Amazon, Microsoft e Google investem pesadamente na construção de data centers, equipando -os com hardware e operando -os para fornecer capacidade a qualquer momento. Eles devem atender constantemente à crescente demanda por esses serviços, minimizando os custos operacionais e de hardware. Para esse fim, os provedores de serviços em nuvem tomarão regularmente decisões de implantação de hardware, levando em consideração muitos fatores de custo, como transporte de hardware e depreciação, bem como fatores operacionais como compatibilidade de hardware, inventário e pessoal para implantação de servidores executáveis.

 

Na Microsoft, a demanda por servidores vem de unidades de negócios internas que possuem diferentes produtos em nuvem, como armazenamento do Azure, máquinas virtuais do Azure e Microsoft 365. Os requisitos são especificados por meio de solicitações, incluindo o tipo e a quantidade de servidores necessários, a região em que os servidores são implantados e a data de implantação ideal. A equipe da cadeia de suprimentos insere esses requisitos e desenvolve regularmente um único plano de demanda. Os engenheiros da Microsoft executam regularmente uma ferramenta de otimização de computador para gerar um plano de execução, alocar hardware real no armazém de suprimentos e especificar quando serão enviados para o data center. Os planejadores da Microsoft são responsáveis ​​por supervisionar a implementação do plano, incluindo a confirmação de que o plano atende às necessidades de vários departamentos de negócios e que os servidores foram implantados de acordo com o plano. Os servidores implantados geralmente funcionam no departamento de negócios por muitos anos até serem aposentados e desativados.

 

Os planejadores também precisam monitorar mudanças na demanda mensalmente (conhecidas como compensação da demanda) para garantir que o plano revisado atenda a todos os requisitos do cliente e esteja em conformidade com as orientações orçamentárias. A tarefa de avaliar o deslocamento da demanda tem sido tradicionalmente concluída por planejadores, que normalmente envolvem cientistas e engenheiros de dados de diferentes departamentos de negócios nesse processo. Depois que essas mudanças forem entendidas, os planejadores prepararão um resumo executivo para explicar as mudanças em cada região.

 

Agora, a tecnologia baseada em LLM pode realizar todas essas tarefas. Ele gerará automaticamente um email de relatório eletrônico, detalhando que fez cada alteração e os motivos para fazê -lo. Também apontará erros em potencial para os planejadores revisarem. Por exemplo, se a demanda (número total de servidores) no novo plano for menor do que no plano antigo, o email poderá indicar o motivo exato da diminuição da demanda, como a introdução de uma nova geração de hardware mais eficiente, o que reduz o uso de servidores. Essa ferramenta LLM permite que os planejadores concluam independentemente a análise de desvio de requisitos em alguns minutos, enquanto no passado levaria cerca de uma semana.

 

Executar o contrato. Na indústria automotiva, os fabricantes de equipamentos originais (OEMs), como Ford, Toyota e General Motors, têm milhares de fornecedores e assinaram vários contratos com cada fornecedor. Esses contratos especificam em detalhes os preços pagos pelo fabricante original do equipamento, requisitos de qualidade, tempo de entrega e medidas de flexibilidade que os fornecedores devem tomar para garantir a oferta. Depois de alimentar milhares de dados do contrato ao LLM, um fabricante de equipamentos originais descobriu que, se um certo limite de quantidade fosse excedido, poderá desfrutar de uma redução de preço, mas a quantidade e a complexidade dos contratos fizeram com que a equipe de compras ignorasse essa oportunidade. O resultado final foi que esse fabricante economizou milhões de dólares em custos de compras.

 

Responda a perguntas hipotéticas

 

Os planejadores podem fazer perguntas detalhadas do LLM, aqui estão alguns exemplos:

 

Qual é o custo de transporte adicional se a demanda total pelo produto aumentar em 15%

 

Se o varejista r usar apenas produtos da fábrica f, quanto o custo de compras aumentará

 

Se fecharmos a fábrica f, podemos atender a todas as demandas

 

Se o custo unitário das matérias-primas do tipo M for reduzido em US $ 1, quanto o custo total da produção de produtos P será reduzido

 

Vamos dar uma olhada em como o LLM pode responder com precisão e eficiência a essas perguntas. Muitas tarefas de otimização são escritas na forma de programas matemáticos que consideram a estrutura da cadeia de suprimentos e todos os requisitos de negócios e geram recomendações eficazes da cadeia de suprimentos. O LLM não substitui os modelos matemáticos, mas os complementa. Especificamente, ele converterá consultas manuais em código matemático e fará pequenas modificações no modelo matemático original usado para gerar planos. Por exemplo, para forçar os varejistas a usar produtos de uma fábrica específica, pode -se adicionar um requisito matemático (ou seja, uma "restrição") que proíbe que outras fábricas forneçam a esse varejista. Em seguida, essa mudança sutil no modelo matemática será inserida na ferramenta da cadeia de suprimentos para gerar um plano modificado, que é usado apenas para comparação com o plano existente. Como antes, a saída do novo modelo matemático gerará respostas da linguagem humana através do LLM (para aprender sobre esse método de usar o LLM para obter informações atuais da cadeia de suprimentos e fazer questões hipotéticas, você pode encontrar o código -fonte aberto da Microsoft e os dados de referência relacionados no GitHub/Microsoft/OptiGuide).

 

Aqui, podemos nos referir a como os planejadores nas operações de serviço em nuvem da Microsoft utilizam essa capacidade de desenvolver planos de execução para implantar servidores de armazéns em data centers. Para cada solicitação, as principais decisões incluem: (1) Tipo de servidor e armazém usado para atender à demanda, (2) data de envio e (3) ponto de ancoragem do servidor (data center específico e seu local específico). O objetivo é minimizar o custo total de vários componentes, como custos de transporte e custos estimados de oportunidade devido a atrasos na implantação do servidor além da data ideal.

 

Ao receber os resultados da saída da ferramenta de otimização, os planejadores podem confirmar se os resultados atendem aos requisitos de negócios e garantem que o plano seja executado de acordo com esse resultado. No entanto, os possíveis problemas de otimização são muito complexos e não são completamente impossíveis, mas também é difícil entender imediatamente as razões por trás de cada decisão. Portanto, os planejadores geralmente entram em contato com engenheiros e cientistas de dados que desenvolvem ferramentas de otimização para obter mais informações. Planejadores e engenheiros geralmente precisam de várias rodadas de interação para explorar totalmente problemas ou cenários hipotéticos, o que pode resultar em atrasos de vários dias. Agora, os sistemas baseados em LLM podem fornecer aos planejadores respostas para as seguintes perguntas em poucos minutos: "Qual a porcentagem do aumento de custos incorrermos se concluirmos um pedido específico antes de uma data definida em comparação com outra data?" e "Qual a porcentagem de aumento de custos, teríamos incorrer se desligarmos um armazém por uma semana

 

Planejamento interativo

 

Os planejadores podem usar a tecnologia LLM para atualizar os modelos matemáticos da estrutura da cadeia de suprimentos e requisitos de negócios para refletir o ambiente de negócios atual. Além disso, o LLM pode fornecer as informações mais recentes aos planejadores com base em mudanças nas condições dos negócios.

 

Por exemplo, as informações em tempo real recebidas pelos planejadores mostram que um determinado fabricante será fechado por sete dias devido a uma nevasca de inverno. Sem a ajuda do LLM, os planejadores que desejam atualizar os planos de vendas e operações para lidar com o tempo de inatividade devem envolver e as equipes de ciência de dados para fazer os ajustes necessários para o plano, o que pode ser um processo demorado. No entanto, com a ajuda do LLM, os planejadores podem solicitar diretamente ao sistema que gerar um novo plano, evitando o uso de fábricas de desligamento. Se o novo plano não puder atender a todas as demandas previstas, a ferramenta de planejamento auxiliar da LLM não apenas gerará planos de vendas e operacionais atualizados e custos correspondentes (como compras e custos de transporte), mas também identificarão a demanda que não pode ser fornecida e seu impacto na lucratividade.

 

A demanda por mudanças de planos de oferta também pode ser impulsionada pela tecnologia baseada em LLM. Por exemplo, depois de analisar os dados de remessa de um fornecedor específico, ele pode emitir um alerta indicando que o tempo de entrega do fornecedor aumentou significativamente nos últimos meses. Além disso, a tecnologia baseada em LLM preverá o tempo possível da próxima remessa e a enviará aos planejadores. Devido ao reconhecimento de que o tempo de entrega prolongado para entrega terá um impacto negativo nos níveis de serviço em regiões específicas, a menos que medidas corretivas sejam tomadas, os planejadores podem exigir que sistemas baseados em LLM executem ferramentas de planejamento com novas informações e gerar novos planos. O plano é transmitido aos planejadores pelo LLM em linguagem natural e pode exigir que os fornecedores acelerem remessas ou transfiram o inventário dos armazéns em diferentes regiões da empresa para áreas afetadas.

 

O método de usar o LLM da maneira discutida neste artigo ainda é relativamente nova. Esperamos que a tecnologia baseada em LLM apoie cenários de tomada de decisão de ponta a ponta nos próximos anos. Por exemplo, os usuários podem descrever o problema de decisão que desejam resolver em linguagem fácil de entender. Pode ser um problema de produção específico (dada uma complexa rede de instalações de produção, quando e onde produzir um determinado produto) ou um problema de alocação de inventário (dado inventário limitado em um armazém, como alocá -lo a várias lojas para maximizar a demanda). A tecnologia de hoje pode gerar esses modelos e recomendações matemáticas, mas verificar se o modelo exibe corretamente o ambiente de negócios continua sendo um desafio.

 

Superando obstáculos

 

À medida que as empresas começam a adotar o LLM no gerenciamento da cadeia de suprimentos, elas precisam superar vários obstáculos para implantá -lo efetivamente.

 

Uso e treinamento. O uso do LLM para otimizar a cadeia de suprimentos requer linguagem muito precisa. Por exemplo, se um usuário perguntar: 'Podemos fazer melhor uso da fábrica f?' O termo 'melhor' pode ter várias interpretações: reduzir custos, aumentar a taxa de transferência, otimizar a taxa de transferência por um período de tempo, etc. Cada interpretação levará a diferentes decisões. Portanto, o pessoal de treinamento que usa o sistema é crucial. Os planejadores podem precisar receber treinamento para fazer perguntas mais precisas, enquanto o pessoal administrativo e administrativo pode precisar entender as capacidades e limitações da tecnologia baseada em LLM.

 

Por esses motivos, a Microsoft está gradualmente implantando essa nova tecnologia, enquanto as ferramentas introduzidas anteriormente para responder a perguntas hipotéticas suportam apenas um conjunto de perguntas comuns. A empresa monitorará mecanismos de interação, precisão e backup do usuário e expandirão gradualmente sua cobertura. Os planejadores receberam treinamento relevante e estão familiarizados com os conjuntos de problemas atualmente suportados pela ferramenta.

 

verificação. A tecnologia LLM ocasionalmente produz conteúdo errôneo, portanto, um desafio comum é como fazer com que a tecnologia funcione "na pista", ou seja, para identificar erros e voltar aos trilhos. Agora, as empresas estão enfrentando esse desafio, fornecendo exemplos específicos de domínio rico para o LLM para melhorar a precisão de sua saída e adicionar mecanismos para identificar consultas não suportadas com antecedência. Por exemplo, se alguém levantar uma pergunta não suportada, o sistema baseado em LLM fornecerá uma resposta padrão como "Infelizmente, não posso ajudá -lo a resolver esse problema. Você pode verificar as seguintes perguntas". Obviamente, a dificuldade de verificar a precisão aumenta com a complexidade da saída. Por exemplo, se solicitarmos ao LLM que gerem um programa matemático completo para criar um plano de implementação otimizado do zero, como o sistema verifica sua correção? Como podemos garantir que o programa possa gerar o plano ideal dentro de um tempo razoável? Essas questões abertas ainda exigem mais pesquisas.

 

Nova força de trabalho. Com a implementação altamente automatizada da tecnologia LLM, os papéis de gerentes e planejadores também mudarão. Os planejadores não estarão mais envolvidos no processo de tomada de decisão propensos a erros e demorados, mas poderão aplicar a tecnologia LLM para fornecer mais informações sobre as técnicas de planejamento da cadeia de suprimentos e explicar suas recomendações. Isso aumentará a confiança do usuário e aumentará significativamente sua adoção de sugestões de ferramentas. No departamento de compras, o tempo para os funcionários criarem novos contratos também serão bastante reduzidos. A LLM poderá projetar contratos para categorias específicas de produtos e fornecer informações anteriores de desempenho de diferentes fornecedores para ajudar os gerentes a escolher fornecedores adequados.

 

Em outras palavras, o uso de uma força de trabalho baseada em ferramentas LLM pode mudar o foco do trabalho de tarefas diárias repetitivas para tarefas de valor agregado, como pensar estrategicamente sobre várias atividades da cadeia de suprimentos ou colaborar internamente em áreas funcionais e com fornecedores e clientes externos. Por exemplo, os planejadores de demanda podem colaborar com os planejadores comerciais responsáveis ​​pelo marketing, preços e descontos para entender o impacto da previsão da demanda. Com base em nossa experiência, essa colaboração não existe atualmente na maioria das organizações. Obviamente, o desafio aqui é garantir que a liderança decompa as barreiras departamentais funcionais e ajuste os processos de negócios para facilitar a colaboração.

 

Apesar dos desafios acima, ainda acreditamos que, no futuro próximo, a tecnologia baseada em LLM transformará o gerenciamento da cadeia de suprimentos, melhorando sua eficiência, resiliência, produtividade e precisão. Ele complementará a tecnologia da cadeia de suprimentos hoje, permitindo que os planejadores interajam diretamente com as ferramentas da cadeia de suprimentos sem a necessidade de cientistas ou engenheiros de dados. As empresas poderão automatizar um grande número de processos da cadeia de suprimentos e até criar novos, como integrar processos de comércio e previsão. De fato, essa integração formará um sistema de gerenciamento da cadeia de suprimentos em circuito fechado, no qual os departamentos funcionais de comércio, cadeia de suprimentos e finanças colaborarão para desenvolver um plano de suprimentos que atenda a todas as metas e requisitos de negócios e financeiros. Dentro de alguns anos, a tecnologia baseada em LLM realmente revolucionará o gerenciamento da cadeia de suprimentos.

 

Ishai Menache, Jeevan Pathuri, David Simchilevi, Tom Linton|Texto

 

 

Isay Menash é gerente de pesquisa colaborativo no grupo de aprendizado e otimização de máquina da Microsoft Research. Jiwan Paturi é o gerente geral e diretor de colaboração de engenharia de software da divisão da cadeia de suprimentos de nuvem da Microsoft. David Senge Levy é professor de William Barton Rogers no MIT, chefe do MIT Data Science Laboratory e uma figura distinta na Accenture. Tom Linton é consultor sênior da McKinsey e já atuou como diretor de compras e cadeia de suprimentos da Flex.