Georgia Techi ülikool on teatanud uuest koostööst Kinaxisega – ülemaailmse tarneahela orkestreerimise liidriga –, et tuua skaleeritavad tehisintellekti tööriistad ja „optimeerimislahendused“ ülemaailmsetesse tarneahelatesse.
Koostöö toob kokku Kinaxise ja Georgia Techi juures asuva NSF-i tehisintellekti instituudi AI4OPT (AI Institute for Advances in Optimization), mis on uurimiskeskus, mille eesmärk on arendada tehisintellekti rakendusi reaalses elus.
Partnerid ütlesid, et algatuse eesmärk on ületada lõhe akadeemiliste uuringute ja tööstuse vajaduste vahel ning toetada tehisintellekti lahenduste väljatöötamist, et tugevdada tarneahelate vastupidavust.
Peamiselt kasutatakse Kinaxise AI-põhist tarneahela orkestreerimise platvormi Maestro, et parandada läbipaistvust ja andmepõhist otsustamist ajal, mil ülemaailmsed tööstusharud kogevad üha enam ebastabiilsust.
Pascal Van Hentenryck, AI4OPT direktor ja Georgia Techi tehisintellekti juht, ütles, et koostöö eesmärk on uurida, kuidas masinõppe ja optimeerimise ühendamine „võib tuua järgmise põlvkonna tarneahela juhtimissüsteemidesse murrangulise arenguhüppe.“
Maestro platvorm koosneb kolmest kihist:
- Tarneahela andmestruktuur, mis ühendab sise- ja välisallikad ühtseks tõeallikaks.
- Pidevalt töötav tehisintellekti mootor, mis pakub reaalajas ülevaateid, prognoose ja kohanduvaid lahendusi,
- Kasutajaliides, mis toetab kiiremat otsustamist.
Kuidas töötab Kinaxis Maestro platvorm?
1. Andmete integreerimise kiht “Supply Chain Data Fabric”
- Mida see teeb: Seob omavahel mitmed andmeallikad (nt ERP-süsteemid, tarnijate andmebaasid, turusignaalid, transpordisüsteemid) ühtseks andmekogumiks.
- Kuidas: Kasutab ETL-protsesse (Extract, Transform, Load), et andmeid koguda, töödelda ja salvestada struktureeritud ja struktureerimata kujul.
- Miks see on oluline: Standardiseeritud ja tsentraliseeritud andmed võimaldavad tehisintellektil anda usaldusväärseid tulemusi.
🎓 Iga AI-süsteemi aluseks on korralikult töötav andmetorustik. Halvad või erineva kujuga andmed annavad halbu tulemusi.
2. AI ja optimeerimismootor “Always-On Intelligence”
- Mida see teeb: Käitab pidevalt masinõppe mudeleid ja optimeerimisalgoritme, et teha reaalajas analüüse ja pakkuda soovitusi.
- Kuidas:
- Kasutab aegridade ennustamist (nt ARIMA, LSTM), et prognoosida nõudlust.
- Rakendab piirangutega optimeerimist (constrained optimization) (nt lineaarne/integraalne programmeerimine), et leida parim viis ressursside jagamiseks.
- Viib läbi stsenaariumisimulatsioone, et hinnata eri strateegiate mõju.
- Miks see on oluline: Ühendab ennustuse (mis võib juhtuda?) ja optimeerimise (mida tuleks teha?) üheks otsustustööriistaks.
🎓 Masinõpe teeb ennustusi, optimeerimine ütleb mida teha, arvestades piiranguid ja ressursse.
3. Otsustuskiht: Generatiivne assistent + kasutajaliides
- Mida see teeb: Võimaldab kasutajatel esitada küsimusi ja saada vastuseid süsteemilt loomulikus keeles.
- Kuidas:
- Kasutab suurkeelemudeleid (LLM), mis on treenitud tarneahela dokumentide ja otsustusreeglite põhjal.
- Tõlgib kasutaja küsimused (nt “Kuidas vältida laovarude lõppemist?”) tehniliseks päringuks ja toob vastused süsteemist.
- Miks see on oluline: Muudab keeruka tehisintellekti kasutatavaks ka neile, kes pole andmeteadlased.
🎓 LLM ei ole ainult juturobot — see on tõlkija, mis ühendab ärikasutaja ja algoritmid.
4. Simulatsioonikeskkond: Stsenaariumianalüüs
- Mida see teeb: Käitab miljoneid simulatsioone, et hinnata võimalike muudatuste (nt nõudluse kasv, tarnete hilinemine) mõju.
- Kuidas: Kasutab stohhastilist modelleerimist (arvestab ebakindlusega) ja sündmustepõhist simulatsiooni.
- Miks see on oluline: Aitab ette planeerida ja valmistuda ootamatusteks.
🎓 Simulatsioon ei ole ennustus. See aitab uurida eri võimalusi, mitte öelda kindlat tulevikku.
5. Halduskiht: Selgitatavus ja jälgitavus
- Mida see teeb: Tagab, et iga AI otsus on auditeeritav ja põhjendatav.
- Kuidas:
- Salvestab sisendandmed, mudelivalikud ja tulemused (mudeli versioonid, logid).
- Kasutab selgitatavuse tehnikaid (nt SHAP-väärtused, otsustuspuud), et näidata, miks mingi soovitus anti.
- Miks see on oluline: Ettevõtted peavad suutma AI-otsuseid kontrollida ja vajadusel vaidlustada.
🎓 AI ärikäitamisel ei piisa vaid “õigest vastusest” — tuleb ka näidata, miks süsteem selleni jõudis.
Näiteks – kui kuulsuse toetuse tõttu hüppeliselt kasvanud nõudlus uuele elektriautole – tootja on mures komponentide puudujäägi pärast: „Kuidas vältida kaubapuudust?“ – Maestro generatiivne AI-assistent annab juhiseid tarneahela parimate praktikate alusel, et tagada, et katkestused suudetakse reaalajas neelata ja hallata.
Maestro platvorm loodi spetsiaalselt tarneahela orkestreerimiseks ning sinna on sisse ehitatud valdkonnaspetsiifiline intelligents. Platvormi eesmärk on toetada planeerimist, täitmist ja otsuste tegemist.
Ettevõtted saavad andmeid integreerida igas funktsioonis – vähendades silosid, kaotades dubleerimist ja võimaldades ennustavat, generatiivset ja autonoomset tehisintellekti.
Maestro käitab juba praegu miljoneid simulatsioone aastas, et aidata ettevõtetel volatiilsusega toime tulla. Databricksi elastsuse ja skaleeritavuse abil, suudab see töödelda veelgi keerukamaid andmekeskkondi ja pakkuda andmekontrolli, samas kui Kinaxis tagab, et otsuseid toetab seletatav ja jälgitav tehisintellekt.
🎓 Kaasuse järeldused:
AI ärikasutamisel ei piisa vaid “õigest vastusest” — tuleb ka näidata, miks süsteem selleni jõudis.
AI pole “üks kõikvõimas mudel” — see on kombinatsioon ennustustest, simulatsioonidest, piirangutest ja äriloogikast, mis on kohandatud konkreetse ülesande järgi.
Tulevased juhid peavad teadma, millal lasta otsustada masinal ja millal inimesel.
Viited:
https://www.kinaxis.com/en/solutions/platform
https://www.kinaxis.com/en/news/press-releases/2024/introducing-maestro-first-ai-infused-supply-chain-orchestration-platform
https://aibusiness.com/ml/georgia-tech-to-transform-supply-chain-management-with-ai?sp_cid=11101&sp_rid=14200239&sp_aid=15838&sp_eh=66eccdfce4c0af926a1fe8f4a42111d4a9b0171629ac77bdf55c9eb26b8cfe97
https://www.afp.com/index.php/en/infos/kinaxis-partners-databricks-accelerate-ai-powered-supply-chain-orchestration