企業が世界的な物流の複雑さに取り組む中、サプライチェーンへの AI の導入は、競争で優位を保ちたい企業にとっての要となっています。この記事では、サプライ チェーンにおける AI の重要性を強調し、サプライ チェーン管理の最適化における AI の具体的なメリットを鮮やかに示す成功事例についての洞察を提供します。 サプライ チェーンは、製品やサービスを生産し、最終消費者に届ける個人や組織のネットワーク全体です。原材料の調達から、製品の製造、組み立て、輸送、保管、そして最終的にお客様の手に届くまでのすべてのステップが含まれます。 サプライチェーン部門の回答者の 49% は、混乱により計画の困難が生じたと回答しました。  44% が、サプライチェーンのフットプリントによる課題を指摘しており、そのため年度中に変更を加える必要がありました。 マッキンゼー 今日、この多面的なネットワークは、地政学的緊張、経済変動、気候変動、規制の進化など、多くの混乱に直面しています。同時に、顧客満足度、コスト最適化の回復力、適応など、業界を超えた共通の目標が設定されています。課題と目標の両方に革新的なソリューションが必要であり、サプライチェーンの最適化が効率性を確保するための重要な要素として浮上しています。 サプライチェーン最適化の概要 サプライ チェーンの最適化 (SCO) は、原材料から最終顧客までの商品とサービスの流れを可能な限り効率的かつコスト効率の高い方法で管理することに特化した複雑な分野です。 SCO は、サプライ チェーンの運用を調整して、最大限の効率を確保することです。 サプライチェーン最適化におけるトップ 5 の課題: 顧客の需要を正確に予測することは、在庫レベル、輸送の可能性、生産スケジュールを最適化するために非常に重要です。 需要予測: 在庫を保持するコストと在庫切れのリスクのバランスをとります。 在庫管理: 特に交通渋滞や燃料価格などの要因を考慮して、商品を輸送するための最も効率的でコスト効率の高いルートを選択します。 輸送の最適化: 競争力のある価格と品質を提供する信頼できるサプライヤーを見つけます。 サプライヤーの選択と管理: サプライチェーン内のすべての関係者間の効率的な協力。 コラボレーションとコミュニケーション: これらの課題に取り組むために、SCO はデータ分析、数学的モデリング、最適化アルゴリズム、人工知能 (AI)、および機械学習 (ML) を採用しています。これらのツールを総合すると、企業はグローバル サプライ チェーンの動的な状況を正確にナビゲートできるようになります。 特に AI と ML は、サプライチェーンの効率性を追求する上で強力な味方として登場します。   サービスと機械学習サービスを活用することで、タスクの自動化、予測精度の向上、リアルタイムの意思決定が可能になり、状況の変化に直面しても企業が機敏で即応性を維持できるようになります。 AI 開発  AI統合によるサプライチェーン管理の最適化 AI はサプライチェーンの効率向上に重要な役割を果たします。サプライチェーン管理のさまざまな分野で使用できます。 可視性と透明性の向上: リアルタイムのデータ収集と分析 - 在庫レベル、出荷場所、潜在的な混乱に関するリアルタイムの洞察を提供します。 予測分析 - AI は、過去のデータと、天気予報や経済動向、潜在的な混乱、メンテナンスのニーズなどの外部要因を分析できます。 運用と意思決定の最適化: 在庫管理 - AI は、需要を予測し、リードタイムと季節性パターンを考慮して、過剰在庫または在庫不足に関連するコストを最小限に抑えることにより、在庫レベルを最適化できます。 ルートの最適化 - AI アルゴリズムは、輸送コストと在庫コストのバランスを見つける方法で、交通状況、燃料消費量、スケジュールなどの要素を考慮して、最も効率的でコスト効率の高い輸送ルートを決定します。 倉庫自動化 - AI 搭載ロボットはピッキング、梱包、仕分けなどのタスクを自動化し、倉庫内の速度、精度、効率を向上させます。 回復力とリスク管理: リスクの特定 - AI はデータを分析して潜在的な混乱やサプライチェーンの脆弱性を特定できるため、企業は事前に対策を講じて影響を最小限に抑えることができます。 シナリオ プランニング - AI は自然災害や景気低迷などのさまざまなシナリオをシミュレートし、企業が事業継続性を確保するための緊急時対応計画を作成するのに役立ちます。 不正行為の検出と防止 - AI は注文データと金融取引の異常を検出し、潜在的な不正行為の試みを特定し、企業を財務的損失から保護します。 持続可能性と顧客体験: 持続可能性の強化 - AI はプロセスを最適化して廃棄物を削減し、エネルギー消費を最小限に抑え、燃料使用量を最適化し、より持続可能なサプライ チェーンに貢献します。 パーソナライゼーションとカスタマイズ - AI は、個人の好みや購入履歴に基づいて製品の推奨事項や提供内容を調整することで、顧客エクスペリエンスをパーソナライズできます。 実際の使用例を例に挙げて、小売業界のサプライ チェーンの再構築において、特に AI がどのように革新的な役割を果たすかを見てみましょう。 インテリジェントな供給最適化システムの開発 米国全土に流通拠点を持つ配管工具および機器のメーカーである当社のクライアントは、供給プロセスを最適化するための支援を必要としていました。 主な苦労は、中国の工場から米国の配送センターまで商品を輸送する際の経験の高さに起因していました。顧客は、ほぼすべての州にわたって多数の倉庫と販売拠点を維持していました。したがって、最適なルーティングを決定することは、簡単なタスクではありませんでした。 さらに、優先される輸送チェーンを考慮することが重要でした。各製品は中国の港から輸送用コンテナで輸送を開始し、太平洋を通って米国の港に到着し、そこからトラックで指定された倉庫まで輸送を続けます。その後、製品は対象の配布ポイントへのラストマイル配送を待ちます。 お客様は次の機能を希望していました。 利用可能な倉庫を指定します。 配布ポイントを識別します。配布ポイントには、履歴データから自動的に導出されるものもあれば、ユーザーが手動で選択するものもあります。 アイテムのリストとそれぞれの数量を作成します。 港のリストがあります。 最後に、クライアントは、パレットの有無にかかわらず、輸送用コンテナ内で商品を梱包するさまざまな方法を比較できるようにしたいとの希望を表明しました。最適化問題の結果により、最適な輸送スケジュールと関連する費用の統計が得られます。 ただし、ユースケースの詳細に入る前に、インテリジェント ソリューションで使用される基本的な数学的概念について簡単に概説します。 サプライチェーン効率のための整数計画法 整数 (線形) 計画法 (IP) は、一部またはすべての変数が整数 (整数) 値を取る必要があることを考慮しながら、線形関係の問題に対する最適な解決策を見つけるために使用される数学的最適化手法です。 IP 問題の一般的な形式は、一連の線形制約に従って線形目的関数を最大化 (または最小化) することです。ここで、一部またはすべての決定変数は整数でなければなりません。 目的関数は決定変数の線形結合であり、制約は変数が満たさなければならない線形不等式または等式です。 IP 問題の数学的定式化は次のように表現できます。  値 x₁、x₂、...、xₙ は決定変数、c₁、c₂、...、cₙ は目的関数の係数、aᵢⱼ は制約方程式の係数、bᵢ は定数です。  IP 問題を解くには、線形制約と変数が整数でなければならないという追加要件を満たしながら目的関数を最適化する決定変数の値を見つけることが含まれます。 IP 問題は、オペレーション リサーチ、物流、製造、金融、電気通信などのさまざまな分野で一般的に使用されており、決定変数は整数でなければならない数量を表すことがよくあります。 整数計画法は、離散 (整数) 変数を含む複雑な意思決定プロセスをモデル化できるため、サプライ チェーンの最適化問題を解決するための貴重なツールです。 サプライチェーン最適化のコンテキストで IP を適用できる方法:  IP は、保管容量、需要の変動性、注文数量などの制約を考慮することで、サプライ チェーンのさまざまな段階でさまざまな製品の最適な在庫レベルを決定するのに役立ちます。IP モデルは、保管コストと在庫切れの間の最適なバランスを見つけることができます。 在庫管理:  IP は、生産能力、原材料の入手可能性、需要予測などの要素を考慮して生産スケジュールを最適化できます。このモデルは、コストを最小限に抑えながら需要を満たすために各製品を生産する最適な数量を決定するのに役立ちます。 生産計画:  IP モデルを適用して、サプライ チェーン ネットワークの全体的な構造を最適化できます。 ルーティングとスケジューリング:  IP モデルを適用して、サプライ チェーン ネットワークの全体的な構造を最適化できます。 サプライ チェーン ネットワークの最適化:  IP モデルには需要予測データを組み込んで、生産と流通の意思決定を最適化しながら、予想される顧客需要に合わせてサプライ チェーンの運用を調整し、過剰在庫や在庫切れのリスクを軽減できます。 需要計画: サプライチェーン物流の強化 – ELEKSのソリューション概要 お客様のご要望に応えるため、整数計画法を活用し、陶器製シンク、トイレ、ビデ、ガス栓、浴槽混合栓の5種類の供給スケジュール、ルート、在庫レベルを最適化するシステムを構築しました。対応するHSコードは6910.10.0030、6910.10.0010、6910.10.0025、8414.90.1080、7323.93.0080）。システムは、構成、シミュレーション、分析という 3 つの主要な部分 (またはページ) で構成されます。それぞれについては次の段落で説明します。 データとアプリケーションの詳細の機密性を確保するために、名前と実際の場所を匿名化し、最適化の課題に対処する際の AI の有効性を示す簡単なデモ アプリケーションのプロトタイプを作成しました。 設定ページ ユーザーは、利用可能な倉庫、配送ポイント、および望ましい港を選択して、最終的に最適化されたルーティングに参加できます。また、クライアントは、顧客に輸送する希望の商品とそれぞれの量を指定できます。最後は、配達が計画されている場合に備えて、日付ピッカーです。 システムは予測需要に基づいて納品日の残在庫を計算し、倉庫の残余に合わせて計画出荷を割り当てます。 「最適化」ボタンをクリックすると、魔法がかかります。最適化タスクを設定し、ソリューションを開始します。数秒後、残りの 2 ページに結果が表示されます。  シミュレーション（マップ）ページ このページでは、提案されたモデルのソリューションの正確なシミュレーションをクライアントに表示する機会が提供されます。事前の話し合いで、当社はクライアントに適したINCOTERMSを検討し、CFRに関して合意に達しました。顧客は各ステップの時間数を指定し、対応するボタンを押すと、この時間内のサプライ チェーンの状態を確認できます。 まず、ポイントは輸送車両（船舶やトラック）用に2種類、港（オレンジ色）、倉庫（紫色）、物流ポイント（緑色）用に3種類の計5種類あります。マップはインタラクティブです。つまり、ユーザーは任意の点または接続の上にマウスを移動すると、そのオブジェクトに関連する情報を確認できます。 たとえば、倉庫と配送ポイントを結ぶ青い線はラストマイル配送計画を示し、各商品が毎日配送される量に関する情報が含まれています。ユーザーが船の上にマウスを移動すると、船の容量、コンテナの種類、各商品の積載量、ルートに関する情報が表示されます。  分析ページ このページには、モデルの提案されたソリューションに関するすべてのデータと統計が掲載されています。ユーザーは、配送計画、各船とトラックの位置、到着予定時刻、ルート、充填状況を確認できます。また、経費全体を示す円グラフから始まり、さまざまな港、倉庫、配送ポイント間の配送コストのヒート マップで終わるグラフも多数あります。 さらに、クライアントは、さまざまな流通ポイントの商品ごとの価格グラフを観察し、そのデータに基づいて、対応するビジネス上の意思決定を行うことができます。  パフォーマンス指標: ELEKS のソリューションとクライアントのレガシー システムの比較 次の課題は、現実世界のシナリオでソリューションをテストし、クライアントのアプローチと比較することでした。この目的のために、クライアントは 1 か月の期間を検討しました。タスクの主な条件 (利用可能な港、場所、倉庫とクラスターの数など) は、前の段落の図に示されています。その結果、当社のモデルのソリューションは、運営費、ラストマイル配送の平均時間、倉庫のアイドル時間の削減に関してより効果的になりました。 クライアントによって月平均 5.76% のコスト削減が達成され、一部のクラスターでは配信時間が 50% 短縮されました。  ELEKS データサイエンス チーム データは、当社のソリューションの利用がクライアントにとってより有利であることが証明され、その結果、アイテムあたりの価格が削減されたことを示しています。この結果にはさまざまな要因が考えられますが、主な要因は次のとおりです。 よりインテリジェントな商品流通 より最適な配送ネットワーク より効率的なルーティングと倉庫保管 たとえば、私たちのソリューションでは、モデルが異なる倉庫からのさまざまな商品のラストワンマイル配送を提案するいくつかのクラスターを特徴としていました (説明は配送ネットワークに深くあり、私たちのモデルはこの最適化の可能性を発見しました)。倉庫間での商品の流通は異なりました（主にワシントンとニューヨークの倉庫間）。 一見したところ、違いはそれほど重要ではありませんが、結果がそれを物語っています。  結論 サプライチェーン管理における人工知能 (AI) の統合は、グローバルな物流の複雑さを効果的に解決することを目指す企業にとって重要なコンポーネントとして浮上しています。現代のサプライチェーンの多面的な性質は、混乱、地政学的緊張、経済変動などの課題と相まって、効率と回復力を達成するための革新的なソリューションを必要としています。 提示されたソリューションは、サプライ チェーン マネージャーの責任の合理化における AI の革新的な役割を強調し、サプライ チェーン ロジスティクスにおける AI と IP の具体的な利点を実証し、月平均 5.76% のコスト削減、一部のクラスターの納期の 50% 削減を示しています。 その適応性によりシームレスな調整が可能となり、ユーザーはシミュレーション スタジオにアクセスできるようになり、さまざまな品目や数量を含むさまざまなシナリオを実行できるようになり、さまざまな状況に最適な戦略を決定するための比較分析が容易になります。 この革新的なソリューションのデモを直接スケジュールし、その機能をさらに詳しく調べるには、  。 お問い合わせください

2022 - HackerNoon Contributor of the Year - Deep Learning

2022 - HackerNoon Contributor of the Year - Digital Transformation

Realise your software vision with us!

Nominated for 2022 - HackerNoon Contributor of the Year - Digital Transformation

Nominated for 2022 - HackerNoon Contributor of the Year - Deep Learning

GitHub Copilot Review: Does it Really Give a 55% Speed Boost to Development?

A Real-World Case Study on Unleashing AI's Potential: AI in Supply Chain

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Download free Tech Leaders Productivity Report!

AI の可能性を解き放つ実際のケーススタディ: サプライチェーンにおける AI

About Author

コメント

ラベル

この記事は

Related Stories

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

Telegram: クリプト島と本土を結ぶ橋

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

Telegram: クリプト島と本土を結ぶ橋

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps

AI の可能性を解き放つ実際のケーススタディ: サプライ チェーンにおける AI