自我学习型供应链将是供应链创新的下一个风口。在这个未来场景之下，为供应链系统注入人工智能（AI）技术，可以通过分析现有的供应链战略和运行数据，来总结导致供应链失误的潜在因素。然后，供应链AI系统通过对经验知识的学习，预测未来的供应链问题，主动决策、自主执行相应的解决方案。虽然在自我学习型供应链成为现实之前还有很长的路要走，但人工智能的最新进展表明这将不再是天马行空。
1、走向数字化供应链的道路
我们预测数字化供应链发展的路径将分为四个阶段，分别是可视化阶段、预测分析阶段、规范化供应链阶段以及自我学习型供应链阶段（见下图）。随着企业成熟度曲线逐步上移，企业对人工的依赖将被自动化应用所取代，并带来明显的效率提升和成本节约。
目前大多数公司都处于数字化供应链的第一阶段，即可视化阶段。人们更多地关注端到端的供应链可视化，以帮助公司更好地进行管理和约束。在这个阶段，通常可以通过各种系统应用的集成实现可视化，例如将企业资源规划（ERP）系统与最佳解决方案和客户系统连接起来，这种系统应用集成可以帮助企业直观地了解产品在供应链中实现端到端的过程。
数字化供应链发展的第二个阶段是预测分析阶段。企业利用预测分析算法，通过大数据（例如物联网、传感器数据、SNEW数据等）处理，可以预测未来可能出现的供应链问题。例如，通过对实时数据的预测和分析，结合天气预报和港口拥堵情况分析，可以预测复杂因素对货轮的影响，甚至可能比船长更早知道哪些货物将迟到。
被动的机器学习技术带来的规范化供应链是数字化供应链发展的第三阶段。在这个阶段，智能系统可以在预测潜在的供应链问题的基础上更进一步，提出解决问题的行动方案。例如，对于预计迟到的货物，智能系统可以提供多种备选解决方案（例如来自其他资源的交换需求或来自其他供应商的订单），然后推荐最佳行动方案。
数字化供应链发展的最后阶段是通过深度学习实现的自学供应链。深度学习是人工智能的一种形式，在这种方式下机器可以向机器学习，并且这种类型的人工智能技术（AI）已经开始出现。
2、深度学习将如何影响供应链
供应链失误（例如错过发货窗口和订单履行率差等等）是数百万种可能的行动和供应链政策组合的结果。企业可以通过供应链实现数百万种行动和政策的组合，大型企业每天都会收到数百万条订单；企业需要就网络布局战略、补货方法和运输方式等战略问题做出大量决策。所有这些决策都会对服务水平和成本产生直接影响。此外，还有环境因素，如天气、社交情绪、新闻事件、竞争对手活动等，这些因素可能会增加做出最佳决策的难度。
随着人工智能技术嵌入自我学习型供应链，机器将能够对供应链战略进行检查，以确定供应链失误发生的位置和原因，以及相关的外部组合因素，如忠诚度、库存水平、天气、竞争对手的事件、市场表现、交通或社会经济事件等。然后，机器学习算法将筛选这些数据，并了解这些因素是如何相互作用导致供应链失误。
将来，自我学习型供应链将能够告诉供应链计划人员，当某个事件的组合同时发生时，可能会产生供应链失误。然后，机器可以通过主动调整库存水平来应对供应链失误，或者是向供应链计划人员发送提醒。
3、自我学习的供应链
我们相信深度学习算法在未来将推动供应链的发展。通过分析所有这些因素的组合，确定哪些事件组合可以预测供应链失误，并主动构建风险缓解的策略，帮助组织以最低的成本、以最强的信心为客户提供服务。能够做到这些事情的公司，将可以最低的成本更好地为客户服务（更快、更高效率的订单履行并保证及时性）。
达到这种供应链成熟度水平需要依靠合作伙伴的数据生态系统高效收集数据资源，以便为这些具有深度学习能力的人工智能技术模型提供实时分析的依据。虽然支持自我学习型供应链所需的技术仍在开发中，但在当前阶段对企业来说掌握数字化供应链的相关技术意义重大。
文章来源：《供应链季刊》
苏公网安备 32040402000340号