Искусственный интеллект в помощь логистике

Новости о глобальных проблемах с цепочками поставок появляются не первый месяц — о том, что рождественские подарки могут не доехать до покупателей в срок, об очередях из десятков контейнеровозов в портах, о ритейлерах, пытающихся найти альтернативные способы перевозок. Одним из способов справиться с этой проблемой может стать распространение так называемых цифровых двойников.

Сама по себе эта технология применяется уже не первый год. Цифровой двойник — это своего рода виртуальная модель реального объекта, основанная на искусственном интеллекте и помогающая оптимизировать работу. Для того чтобы цифровой двойник должным образом отражал реальность, он должен получать огромный массив данных от своего реального прототипа — это делается с помощью различных датчиков, камер и других источников данных.

С помощью таких систем можно моделировать ситуации на производстве (или в логистике) и возможные нарушения в работе. А еще ИИ может подсказывать, как справиться с этими нарушениями.

Однако до сих пор обычно создавались цифровые двойники ограниченных объектов — от одного устройства до группы предприятий.

Теперь же речь идет о цифровых двойниках систем цепочек поставок в целом — моделировании крайне сложной системы с многочисленными поставщиками, сложными транспортными сетями и т. д.

Основная проблема логистических компаний — неспособность прогнозировать события, которые могут затронуть цепочки поставок. Именно эту широту и могут дать цифровые двойники. Если такой основанный на ИИ цифровой двойник получает достаточное количество данных от своего физического двойника, он может многократно проигрывать возможные сбои в его работе и методом проб и ошибок находить оптимальный вариант.

Данные, которые должен получить цифровой двойник для нормального прогнозирования, самые разные. Информация о самой компании, ее поставщиках, их запасах и запланированных датах поставок, сведения о поведении потребителей, основанные на финансовых прогнозах и исследованиях рынка. А еще информация о мире в целом, например о вероятности природных катастроф и геополитической ситуации в разных регионах.

Например, так можно проверить предположение, что на Тайване случится засуха и нехватка воды приведет к сокращению производства полупроводников. Цифровой двойник предскажет вероятность такого события, отследит его воздействие на разные части цепочки поставок и предложит варианты того, как по крайней мере смягчить удар. Даже с использованием ИИ такой анализ все равно остается очень сложной задачей.