MIT网络研讨会-三个案例看人工智能驱动的供应链转型

人工智能（AI）正在改变供应链，使组织能够做出数据驱动的决策，实现流程自动化，并优化绩效。这是麻省理工学院全球SCALE网络最近举办的一次网络研讨会的主要信息，会上，教员和研究人员分享了将AI应用于供应链管理的真实世界案例的见解。

小组成员在这个背景下将AI定义为机器和算法执行与人类思维相关的认知功能的能力，如感知、学习、与环境交互、解决问题以及解释数据以做出决策。他们强调，成功的AI在供应链中的应用利用了从数据中学习的生物启发算法。

虽然扩展和解释AI系统存在挑战，但等领先公司正在成功部署AI来进行端到端的供应链计划和优化。其他突出的例子包括新秀丽的智能运输优化和基于AI的社会公益资源分配。研讨会涵盖了三个主要主题：

• DELL的端到端供应链计划AI

• Samsonite 送货路线优化的生物启发式AI

• 平衡AI决策的效率和可解释性

主要观点

1. DELL以AI为驱动的数字化供应链转型专注于准时、完整地交付"完美订单"。AI应用于需求预测、规范分析和供应链监控。

2. 蚁群优化（一种生物启发式AI算法）使Samsonite大幅降低了最后一英里交付的运输成本和车队规模。

3. 虽然AI模型的效率和可解释性之间往往存在权衡，但在实践中，可以通过调整模型参数和成本来实现这两个目标，例如优化住房资源分配。

4. 端到端供应链可视化需要利用内部结构化数据（例如来自ERP系统的数据）和外部非结构化数据来推动基于AI的决策。外生因素很重要。

5. AI在优化供应链中的资源和产能分配问题方面具有巨大潜力，例如货运收益管理。公平性和可持续性目标可以被纳入AI模型。

6. 很难概括AI性能的提升，因为结果在很大程度上取决于特定的业务环境以及AI应用程序的设计方式。建议测试多个AI和ML模型，以了解哪种模型最有效。

DELL以AI驱动的数字化供应链转型

麻省理工学院数字化供应链转型实验室主任Maria Jesus Saenz分享了DELL如何将AI应用于端到端供应链规划和绩效管理。戴尔的转型之旅专注于提供五个核心体验，重点是向客户"做出正确承诺"。

这意味着在下单时确定预期交货日期，然后主动监控和管理订单直至履行。AI以三种关键方式应用：

1）订单之前-使用AI进行需求预测并预测供应链制约因素，以做出准确的交货承诺 2）订单期间-AI实现供应链的实时可见性和异常管理，确保订单顺利进行 3）订单之后-AI驱动根本原因分析，确定未能履行承诺的原因

完美订单指数等KPI衡量所有供应链阶段的订单满足承诺交付日期的百分比。AI洞察推动纠正措施和供应链合作伙伴的激励措施。

DELL成功应用AI的关键包括关注战略目标而非仅仅是技术能力，严格量化AI带来的业务价值，并建立变革管理和数据流程以在整个供应链中扩展AI应用。

生物启发式AI用于送货路线优化

萨拉戈萨物流中心的Yasel Costa博士介绍了一个案例研究，将AI应用于优化Samsonite在智利的最后一英里配送路线。面临的挑战包括动态订单量、多个送货时间窗口和延迟交货的惩罚，涉及复杂的车辆路径问题。

现有的人工流程难以处理每天350多个订单和交付区域的问题规模，导致了额外的车辆和成本。研究人员应用了基于蚁群优化（ACO）的AI模型，该模型从蚂蚁在巢穴和食物来源之间寻找有效路线的方式中获得灵感。

在ACO算法中，人工蚂蚁构建候选送货路线，信息素痕迹标记最佳解决方案。经过多次迭代，路线被优化以最小化总行驶距离和所需车辆数量。与Samsonite的人工基线相比，ACO模型将配送车队规模减少了50%，成本降低了30-38%。

ACO方法的优势包括能够有效地探索大的解决方案空间，并处理现实世界车辆路径问题的动态、随机性质。该模型可以轻松调整以处理订单量和交付限制的变化。

更普遍地说，生物启发式AI方法正在证明对供应链和物流中的复杂优化问题是成功的。进化启发的遗传算法是另一个例子。越来越多的AI应用正在嵌入从自然系统中学到的知识，以推动更有效的解决方案。

平衡AI效率和可解释性

卢森堡大学的Cagil Kocyigit博士研究了将AI用于资源分配决策时效率和可解释性之间的权衡。在供应链管理等许多领域，优化效率（例如最大化收入同时最小化成本）固然重要，但也必须拥有可解释的AI模型，让人类了解AI如何做出决策。

神经网络等更先进的AI模型通常比线性回归等简单模型能实现更好的性能，但可解释性和可解释性较差。如果模型设计不当，人们也越来越担心AI会perpetuating偏见或歧视。

Kocyigit博士分享了一个案例研究，应用可解释的AI为洛杉矶无家可归者分配有限的住房资源。目标是优化住房分配，最大限度地增加成功摆脱无家可归状态的人数，同时确保不同人口群体的公平分配。

研究人员开发了一个AI模型，该模型构建了一个住房申请人的排队队列，按照他们在获得给定住房资源的情况下摆脱无家可归状态的可能性排序。这些概率是用可解释的逻辑回归模型估计的。通过调整模型参数以在各组之间实现结果平等来实现公平性。

与现有的人工政策相比，这个可解释的AI系统预计每年将使300人摆脱无家可归状态。通过精心设计模型和算法，研究人员实现了效率和可解释性的双重目标。

更广泛地说，将排队模型与可解释的机器学习相结合的框架可以适用于供应链和物流中的许多分配问题，例如在运输网络中动态匹配货运载荷与承运商，同时纳入可持续性目标。

现场问答讨论环节

网络研讨会以现场问答环节结束，引出了观众提出的一些发人深省的问题：

Q:在供应链背景下，AI和数据科学有什么区别？

小组成员认为，数据科学和AI在供应链应用中越来越紧密地结合在一起。数据科学侧重于从供应链数据中获得洞察，而AI则用于从这些数据中自动学习模式并做出决策。领导者应该关注能够改进供应链绩效的用例，而不是纠结于数据科学和AI之间的技术差异。

Q: 当数据经常被孤立和不完整时，企业如何通过AI实现端到端的供应链可视化？

小组成员建议利用来自ERP和WMS等系统的内部结构化数据，也挖掘来自供应商电子邮件、新闻和社交媒体等来源的非结构化数据。AI能够将这些不同的数据源拼接在一起，提供端到端供应链的实时图景。拥有弥补数据差距的流程对于建立对AI驱动的可视性的信任也很重要。

Q: 在需求预测等领域应用AI，企业应该期望有多大的提升？

小组警告不要概括AI性能的改进，因为这在很大程度上取决于公司的具体环境、数据以及AI模型的设计和调整情况。最佳实践是确定一系列AI用例，快速实验以量化价值，并扩展成功的概念验证。从业者应该测试多种AI建模方法，以确定最适合他们需求的方法。

Q: 在供应链中需要平衡责任和道德的AI开发有哪些最佳实践？

小组成员强调要仔细评估训练数据的潜在偏差，努力开发可解释和可解释的AI模型，并建立人工监督和干预能力。领导者应主动评估AI系统的道德风险，并确保与组织价值观和行为准则保持一致。从一开始就嵌入负责任的AI开发实践是关键。

结论

这次网络研讨会描绘了AI在供应链管理中当前和未来潜力的令人兴奋的前景。从端到端规划，到交付优化，再到AI驱动的资源分配，领先企业已经在利用AI实现效率、敏捷性和弹性方面的突破性改进。

成功的关键是专注于战略性的、价值驱动的用例，确保具备正确的数据和可扩展的AI基础设施，并主动应对负责任和道德的AI开发和部署的挑战。

麻省理工学院全球供应链专家强调，供应链中的人工智能不是一个神奇的黑匣子，而是一个必须由明确的愿景和变革管理计划驱动的推动者。在学术界和工业界的正确领导和合作下，AI将成为未来几年供应链转型的核心。