كيف يُحدث الذكاء الاصطناعي ثورة في مجال الخدمات اللوجستية؟
Kristin Burnham
يُتيح الذكاء الاصطناعي فرصًا جديدةً لا مثيل لها في مجال الخدمات اللوجستية وإدارة سلسلة التوريد. ومع ذلك، لا يزال كثير من المؤسسات غير متأكدة من أفضل السبل لتطبيقه.
قال كريس كابليس، المدير التنفيذي لمركز معهد ماساتشوستس للتكنولوجيا للنقل والخدمات اللوجستية :”الذكاء الاصطناعي هدف متحرك وليس هدفًا ثابتًا. إنه طموح؛ لأن ما كان يُعتبر ذكاءً اصطناعيًا قبل 30 عامًا أو 20 عامًا، لم يعد يُعتبر ذكاءً اصطناعيًا متطورًا بعد الآن. إنه دائمًا ذلك الشيء الذي يتجاوز قدرتنا على تحقيقه”.
عند التفكير في كيفية تنفيذ الذكاء الاصطناعي، يحتاج المديرون إلى فهم كيفية تضافر مناهج التحليل المختلفة، مثل الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي وعمليات البحث، كما قال كابليس خلال ندوة عبر الإنترنت استضافتها مؤخرًا MIT Sloan Management Review.
وناقش كابليس وليور رون، المؤسس والرئيس التنفيذي لشركة Uber Freight، أدوات التحليل المستخدمة في إدارة سلسلة التوريد، والمشاكل اللوجستية التي يمكن أن يساعد الذكاء الاصطناعي في حلها، والمزايا الإدارية الأخرى لاستخدام الذكاء الاصطناعي في الخدمات اللوجستية.
فهم أدوات التحليل المختلفة
وقال كابليس إنه من المفيد التفكير في تطور الذكاء الاصطناعي في مجال الخدمات اللوجستية في سياق أدوات أخرى. فالذكاء الاصطناعي التقليدي يحلل البيانات لإكمال مهام محددة. ويستخدم الذكاء الاصطناعي التوليدي نماذج لغوية كبيرة لوضع شيء ما في سياقه وتلخيصه وتوليد محتوى جديد. ويستخدم بحوث العمليات الأساليب العلمية لدراسة الأنظمة التي تتطلب اتخاذ القرارات البشرية، باستخدام أساليب مثل البرمجة الخطية ونماذج الشبكات.
في مجال الخدمات اللوجستية، تُعدّ هذه الأساليب مُكمّلة بعضها لبعض ولا تحتاج إلى أن تحلّ بعضها محلّ بعض، كما قال كابليس. فعلى سبيل المثال، تعمل بحوث العمليات المُدمجة مع الذكاء الاصطناعي بشكلٍ جيّد في العديد من الحالات.
حلّ تحديات الخدمات اللوجستية باستخدام الذكاء الاصطناعي
قال رون إن تقنيات الذكاء الاصطناعي مهيأة لحلّ العديد من التحديات التي تواجه الخدمات اللوجستية. وتشمل هذه التحديات:
- سلاسل التوريد المجزأة والحاجة إلى ربط الشبكات لتحسين وتوجيه نتائج أفضل.
- تقلبات السوق، لا سيما التغيرات في الأسعار والاضطرابات في الخدمات.
- المخاوف المتعلقة بالسلامة، بما في ذلك تلك المتعلقة بـكوفيد-19 وسلامة السائقين والاحتيال الرقمي.
- تأثير النقل بالشاحنات على تغيّر المناخ.
وتظهر الآن ابتكاراتٌ تُعالِج بعض هذه التحديات. فعلى سبيل المثال، استخدمت شركة Uber Freight التعلّم الآلي لريادة تسعير شركات النقل الخوارزمي، ممّا يضمن حصول شركات النقل على أسعار مضمونة مُقدّمًا لخدمات النقل بالشاحنات. وقال رون: “من خلال النظر إلى مئات المعايير المختلفة، تمكّنا من جعل هذا النموذج دقيقًا بما يكفي لتقديم سوقٍ خالٍ الآن من جميع الاحتكاكات والتخمينات والمفاوضات لمحاولة تقدير سعر النقل بالشاحنات”.
وتستخدم شركة Uber Freight أيضًا التعلّم الآلي لمعالجة مسألة توجيه المركبات، وهي مسألةٌ مُعقّدة تتضمّن تحديد المسار الأكثر كفاءة لمركبة لتوصيل البضائع إلى مجموعةٍ من المواقع. فالشاحنات في الولايات المتحدة فارغةٌ بنسبة 30% في المتوسط، ممّا يُهدر الوقت والوقود ويؤدّي إلى انبعاثات كربونية غير ضرورية. ومن خلال تصميم المسار الأمثل لسائق الشاحنة خوارزميًا، تمكّنت الشركة من تقليل الأميال الفارغة إلى ما بين 10% و15%.
لا تُعدّ شركة Uber Freight الشركة الوحيدة التي تُطبّق التكنولوجيا في توجيه المركبات. فعلى نطاقٍ أصغر، تستخدم الشركات عادةً بحوث العمليات وحلّ المشكلات البشريّة لتقليل وقت وتكلفة ومسافة النقل بالشاحنات والشحن. أمّا على نطاقٍ أوسع، ومع وجود طرقٍ أكثر تعقيدًا وعوامل إضافية، فلم تعد بحوث العمليات وحلّ المشكلات البشريّة كافية.
ولمواجهة هذا التحدّي، يجمع مختبر أنظمة الخدمات اللوجستية الذكية التابع لمعهد ماساتشوستس للتكنولوجيا بين الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي وبحوث العمليات لتحسين نتائج التوجيه. وقال كابليس: “ما نراه هو أن الذكاء الاصطناعي يؤدي دورًا ثانويًا في البداية، ولكن مع تقدّمنا، بدأنا نراه يمارس دورًا أساسيًا بشكلٍ أكبر. وفي النهاية، نودّ أن نرى الذكاء الاصطناعي التوليدي يتولّى زمام الأمور ويحلّ أجزاءً أكبر من هذه المشكلة”.
4 فوائد إدارية للذكاء الاصطناعي التوليدي في الخدمات اللوجستية
قال كابليس إن استخدام مناهج بحوث العمليات الكلاسيكية في الخدمات اللوجستية له حدود. ففي كلّ مرّة يتمّ فيها إدخال تعقيدات، مثل النوافذ الزمنية المختلفة وأحجام الشوارع وقدرات الشاحنات، على سبيل المثال، تحتاج الخوارزميات التقليدية إلى تعديل. ويمكن للذكاء الاصطناعي التوليدي تعميم هذه المعلومات وتجنّب الحاجة إلى خوارزميات جديدة.
ونتيجةً لذلك، تتفوّق هذه التقنيات على الأساليب الكلاسيكية في حلّ مشاكل الخدمات اللوجستية الأكبر حجمًا. وهناك أيضًا فوائد إدارية أخرى لهذه التقنيات:
- تتفوق نماذج الذكاء الاصطناعي بشكل منهجي على بيانات التدريب الخاصة بها، مما يعني أنها تعمل بشكل أفضل على البيانات الجديدة غير المرئية مقارنة بما تم استخدامه أثناء عملية التدريب. وقال كابليس إن هذا يعني أن المؤسسات لا تحتاج إلى مجموعة مثالية من الطرق التي فحصها السائقون. وأضاف: “هذا يوفر الكثير من الوقت لأنه يعني أنك لست بحاجة إلى إنشاء بيانات خاصة”.
- من خلال التدريب المستمر، ستتعلم النماذج سياسات التوجيه الأفضل تلقائيًا. فإذا تغيرت سياسة ما، على سبيل المثال، فسوف يلتقطها النموذج، مما يلغي الحاجة إلى خوارزميات متخصصة.
- تُلغي نماذج الذكاء الاصطناعي الحاجة إلى خوارزمياتٍ مُصمّمة خصّوصًا لأحجام وخصائص مشاكل مُحدّدة، لا سيّما عند ظهور خصائص مختلفة.
- تتمتع نماذج الذكاء الاصطناعي بقدرة جيدة على التعميم على المشكلات التي لم تكن معروفة من قبل، مثل قدرات المركبات.
وقال كابليس: “يتّخذ التعلّم الآلي والذكاء الاصطناعي والذكاء الاصطناعي التوليدي هذا النهج القائم على نموذج اللغة الكبير، ويحلّ ما حُلّ من قبل بحوث العمليات بشكل أسرع وأكثر اكتمالًا، كما يتصدى لمهام غير تقليدية. إننا نرى الكثير من الفرص هنا، وتستمر أبحاث الاستكشاف”.
المصدر: MIT Sloan