https://virgool.ir/feed/@reza.chopannavazfa2026-11-12 09:57:05https://files.virgool.ir/upload/users/426416/avatar/Kkhc5C.jpeghttps://virgool.ir/@reza.chopannavazhttps://virgool.ir/@reza.chopannavaz/کاربرد-های-یادگیری-ماشین-در-بهینه-سازی-زنجیره-تامین-oo3uwyks6dbuچکیدهزنجیره تامین، شبکه ای از امکانات است که در بر گیرنده موجودیت های مختلفی است. کار این موجودیت ها باید طوری منسجم باشد که هزینه کلی زنجیره تامین را به حداقل برساند که این امر نیازمند همکاری، همبستگی و اشتراک اطلاعات توسط موجودیت هاست. با این حال همچنان عدم تناسب میان دنیای واقعی و ایده آل در شبکه زنجیره تامین وجود دارد که این فاصله ناشی از موارد شناخته شده و ناشناخته و طبع پیچیده زنجیره تامین است. پیش بینی تقاضا یکی از دلایلی است که مانع از شناخت نیاز حقیقی تولید کننده و مصرف کننده می شود. در این مطلب تلاش بر جستجوی نحوه کارکرد روش های مختلف مبتنی بر یادگیری ماشین در زنجیره تامین شده است. این تحقیق نشان دهنده این است که روش های مبتنی بر یاگیری ماشین قابل استفاده در بهینه سازی زنجیره تامین می باشد.لغات کلیدییادگیری ماشین - علم داده - علم تحقیق - بهینه سازی زنجیره تامین1. مقدمهزنجیره تولید شبکه ای از امکانات است که فقط شامل خرده فروش ها، پخش کننده ها، انتقال دهنده ها و کارخانه ها نمی باشند و مشتری را نیز شامل می شود. با این وجود ضروری است که بدانیم مصرف و نیاز مشتری گره های اصلی تمامی زنجیره تامین است که می تواند موجودیت های مختلفی را به حوزه تولید و عرضه اضافه کند. حال امکانات زنجیره تامین ضرورت همکاری و هماهنگی برای برآورده سازی تقاضای واقعی را دانسته است. البته موجودیت ها باید طوری منسجم باشند که هزینه کلی زنجیره تامین را به حداقل برسانند. با این حال فقدان هماهنگی باعث به وجود آمدن عدم تناسب بین دنیای واقعی و دنیای ایده آل در شبکه زنجیره تامین شده است. این فاصله ناشی از عوامل ناشناخته و شناخته شده ی متعددی است، دلایل این فاصله عبارتند از: جهت گیری منافع کاری، روابط مدیریتی بلند مدت، عدم تمایل در اشتراک اطلاعات، پیچیدگی در مدیریت زنجیره تامین در مقیاس بزرگ، صلاحیت مدیران زنجیره تامین در امر پشتیبانی، کارایی مدیریت و انگیزه نهادها در امر پشتیبانی مدیریت زنجیره تامین. توجه به پیشرفت تجارت الکترونیک و فناوری های موجود که همواره در مسیر پویایی و چابکی هستند: شرکت ها همچنان خود را محدود به روابط بلند مدت می کنند. یکی دیگر از دلایل عدم شناخت نیاز حقیقی مشتری ها، عرضه بیش از حد پیش بینی شده نسبت به تقاضاست. طریقه سنتی شناخت و پیش بینی تقاضا نسبت به موجودیت هایشان در حال حاضر با روشهای مدلسازی یادگیری ماشین جابه جا شده اند.زنجیره تامین در محیط کار موضوع پیچیده و چالش برانگیزی است و دارای کاربردهای گوناگونی از قبیل: خرید و فروش، عقد قرارداد، انبارداری، تولید، بسته بندی، انتقالات یا عرضه و البته مصرف می باشد. هر یک از کاربرد ها پیچیده هستند و وابستگی تمام کاربرد ها نیازمند صرف هزینه و وقت از سوی عوامل انسانی است. برای پاسخ سریع و موقعیت‌های پیچیده ترکیب فنون و روش ها ضروری است. پیش از این برای تصمیم گیری در مورد مسائل کوچکی همچون تحویل محصول به مشتری وقت زیادی صرف می‌شد ولی با ظهور تکنیکهای هوش مصنوعی و یادگیری ماشین این دسته تصمیم گیری ها ساده تر شده و تحویل محصول در ۲۴ ساعت انجام می شود. این مطلب به بررسی موارد مختلف استفاده صحیح از یادگیری ماشین و مسیر پیش روی مدیریت زنجیره تامین می پردازد.2. طرح مختصری از الگوریتم های یادگیری ماشیننقطه عطف یادگیری ماشین، قوی سازی برنامه های کامپیوتری از طریق تجربیات در جهت بهبود کارایی وظایف است. به دلیل پیچیدگی زنجیره تامین چالش برانگیز است، اگر بتوان راه حل و آن را از تکنیک های یادگیری ماشین جویا شد. با این حال مطالب خیلی کمی در مورد تکنیک های یادگیری ماشین در حوزه زنجیره تامین منتشر شده است. در این بخش چندین تکنیک یادگیری ماشین مطرح می‌شود و کاربردهای که موفق بودند مورد بررسی قرار می گیرند.تکنیک های یادگیری ماشین به سه دسته تقسیم می شوند که هر دسته پتانسیل برآورده کردن نیازهای صنایع را دارد. این دسته ها عبارتند از:ناظر یادگیری: تکنیکی است که شناسایی الگو آن از داده های قدیمی انجام می شود و همین الگوها از پیش بینی آینده پشتیبانی می کند. داده های ورودی و خروجی قدیمی در ارزش گذاری آینده وجود دارد. پیش بینی آینده و عاملیت انسان، بر اساس یادگیری از روند قدیمی ارائه شده است. این تکنیک ها عموماً در تولید محصولات خودکار همانند ماشین ها، کامیون ها، ربات های مجازی، تشخیص چهره و غیره استفاده می شود. ناظر های یادگیری در بسیاری از تکنیک ها حضور دارند که عبارتند از: الگوریتم دسته بندی بیز، الگوریتم پشتیبانی ماشین های جهت دار، رگرسیون و رگرسیون منطقی، درخت تصمیم گیری و جنگل های تصادفی.یادگیری تقویت شده: تمرکز این روش بر روی فرآیند دسته بندی یادگیری می باشد جایی که الگوریتم های یادگیری ماشین مجموعه ای از فعالیت ها، مولفه ها و مقادیر تمام شده را ارائه می‌کنند. همراه با وضع قوانین، الگوریتم های یادگیری ماشین سعی در کشف تفاوت بین امکانات و گزینه ها، نظارت و ارزیابی هر نتیجه به جهت تعیین گزینه های بهتر دارد. روش مبتنی بر سعی و خطا می باشد به گونه‌ای که از تجارب گذشته برای دستیابی بهترین نتیجه ممکن از تطابق رویکرد ها و عملکرد ها استفاده می کنند.یادگیری نظارت نشده: در این روش هیچ عامل انسانی مسئول ارائه دستورالعمل ها نیست. در نتیجه الگوریتم یادگیری خودش الگو های تشخیص داده شده را گروه بندی می کند داده های دسته بندی را تحلیل می کند. یادگیری نظارت نشده از قسمت های زیر تشکیل می شود:خوشه بندی: از گروه بندی داده های مشابه بر اساس معیارهای تعریف شده تشکیل شده است. مزایای گروه بندی داده ها و تحلیل هر گروه از داده ها در پیدا کردن الگو ها می باشد.کاهش ابعاد: سعی در کاستن تعداد متغیرها برای یافتن اطلاعات دقیق ضروری.برخی از تکنیک های پرکاربرد یادگیری ماشین در زنجیره تامین در ذیل آمده است است.2-1. شبکه های عصبیهمانطور که از نامش پیداست این تکنیک الهام گرفته از روش کار سلول های عصبی در مغز است. همانند سلول های عصبی که از طریق گره ها در مغز به یکدیگر متصل هستند، روش مشابه در تکنیک کار می کند به طوری که نشان را با استفاده از گره ها (سلول های عصبی) از طریق پیوند ها (لبه ها) در یک شبکه خیلی پیچیده به سرانجام می‌رساند. تکنیک های مختلفی از شبکه عصبی وجود دارد که رایج ترین آنها تغذیه پس انتشار در خطای پیشرو می باشد. سلول های عصبی ورودی به اندازه مجموع وزن خود به سلول‌های عصبی خروجی متصل هستند. فرض تکنیک بر این است که شبکه با سه لایه ورودی، مخفی و خروجی توصیف می شود. در شرایطی لایه ها می توانند به گیرنده نشان از خروجی فرستنده سازگار باشند که حداقل لایه ها می توانند لایه ورودی و خروجی باشد و این چگونگی گذشتن نشان در تمامی شبکه رو به جلو است، زمانی که بخواهیم لایه پنهان در میان لایه ورودی و خروجی قرار دهیم پیچیدگی بیشتر می شود، که البته لایه پنهان توان محاسباتی را افزایش می‌دهد. ایده دنباله الگوریتم تغذیه پس انتشار در خطا های پیش رو از Rumel hart گرفته شده است. [19]2-2. درخت های تصمیم گیری و جنگل های تصادفیدرختان تصمیم گیری شبیه به گراف است و از درخت گرفته شده است. درخت تصمیم گیری از گره ها و شاخه ها تشکیل شده است. گره ها دو نوع دارند: گره های فرصت و گره های تصمیم گیری. گره های فرصت نشان دهنده ی چگونگی جایگزین در دستان تصمیم گیرنده است در حالیکه در گره های تصمیم گیری، تصمیم گیرنده باید تصمیم خود را بگیرد. شاخه های نشات گرفته ازگره های فرصت تنوع حالات مختلف از محیط و احتمالات که با شاخه های فرست همکاری دارد را نشان می دهد در حالی که شاخه‌های گرههای تصمیم گیری تنوع تصمیم های جایگزین را نشان می‌دهد. درخت تصمیم گیری دو نوع اصلی دارد: درختان طبقه بندی و درختان رگرسیون. در درختان طبقه بندی متغیرها ماهیت طبقه بندی شده دارند و در درختان رگرسیون ماهیت متغیر ها به صورت پیوسته می باشد.جنگل های تصادفی، جنگلی از درختان تصمیم‌گیری است که در کارهای رگرسیون و طبقه بندی شده استفاده می شود که در پایگاههای داده بزرگ به صورت کارا اجرا می شود. جنگل مجموعه ای از درختان تصمیم گیری است و ایده پشت این تکنیک برگرفته از مدل سازی پیوسته داده ها با امکان جایگزینی است که در برخی درختان جایگزین می شوند و برخی جایگزین نمیشوند. این نمونه دنباله ای از درختان تصمیم گیری در حال رشد هستند که در انتها بهترین گزینه را ارائه می کنند. برای مثال درخت با نرخ پایین خطا که بهترین را ارائه می دهد.2-3. ماشین های برداری پشتیبانینوع جدیدی از توابع عمومی تقریب هستند که بر اساس اصول کاهش ساختار مخاطره برگرفته از نظریه یادگیری آماری برخلاف اصول کاهش مخاطره تجربی در شبکه های عصبی و رگرسیون خطی است. هدف ساختار کاهنده مخاطره بر اساس کاهش خطای واقعی بر روی نمونه های آزمایشی برگزیده تصادفی و مشاهده نشده می باشد. برخلاف شبکه های عصبی و رگرسیون چند خطی که خطای نمونه های که به درستی مشاهده شده اند را کاهش می‌دهد، ماشین های برداری پشتیبانی داده ها را برای فضای با ابعاد بیشتر طرح ریزی می کند و حاشیه این کلاس ها را افزایش یا حاشیه خطا در رگرسیون را کاهش می دهد.حاشیه‌ها منعطف هستند بدین معنا که راه حلی را می توان یافت با وجود اینکه هنوز نمونه های متناقض در دنباله مجموعه وجود دارد. مسئله به‌صورت برجسته‌ای فرمول شده و بهینه سازی راه‌ حلی منحصر به فرد عاری از حداقل محلی را ارائه می دهد مغایر با شبکه های عصبی انتشار مجدد می باشد که دارای چندین حداقل محلی هستند و دستیابی به حداقل سراسری را تضمین نمی کند. پارامترهای پیچیده قابلیت تنظیم تعداد خطاها را در مقابل مدل های پیچیده دارد و در هسته های مختلف مانند هسته توابع مبتنی بر پرتو میتوان از از فضاهای با ابعاد بیشتر به جای نگاشت غیر خطی استفاده کند.3. اختیارات و حالات یادگیری ماشینتکنیک های یادگیری ماشین برای رشد عملکرد با استفاده از روش های هوشمند تر و صرفه جویی در زمان برای حل مشکلات پیچیده لزوم صنایع شده است. یکی از بزرگترین کاربرد های یادگیری ماشین در زنجیره تامین پیش بینی تقاضای مشتریان است. با توجه به مطالعات انجام شده توسط موسسه جهانی McKinsey [12]، تکنولوژی های جدیدی همچون یادگیری ماشین و یادگیری عمیق بر حوزه های بازاریابی و فروش تاثیرات فراوانی داشته که مزایای زیادی برای آنها داشته است. طبق یکی از گزارشات انجام شده توسط Forbes [13]، "۶۱ درصد از سازمان ها یادگیری ماشین را به عنوان مهم‌ترین داده های اولیه برای سال بعد انتخاب کرده‌اند." برخی از مهمترین حوزه‌هایی که زنجیره تامین به همراه کاربرد الگوریتم های یادگیری ماشین در حال حاضر به کار می روند در ذیل آمده است:پیش بینی عرضه و تقاضا مبتنی بر یادگیری ماشیناین شخصی سازی تولیدات توصیه شدهتوصیه هایی در قیمت گذاری و ترفیع ها برای بهبود حاشیه ها و نشانه گذاری هابهینه سازی فهرست اموال طبق سطوح صحیح موجودیبهینه سازی توان عملیاتی محیط کار و انبار در طرح های آمادیساخت چشم انداز ۳۶۰ درجه مصرف کنندگاندرون یابی مشتریان (تحلیل تمایلات، ترجیحات و شنوایی اجتماعی) با استفاده از سرویس های شناختیبهینه سازی بازده کارگاهیپیشگویی نگهداشت تجهیزات کارخانه هاپیشگویی امتیازات راه بر برای بهبود فراگیری، اولویت بندی و صلاحیت راهوربرخی از موارد مطالعاتی که در بالا ذکر شد در بخش های دیگر بدان اشاره می شود با توجه به محرمانه بودن داده ها، نام سازمان ها گفته نخواهد شد.3-1. تحلیل پیش بینی برای پیش بینی تقاضا: پیش بینی زنجیره ای خرده فروشیمطلب در مورد زنجیره خرده فروشی یک مصالح فروشی است که پیش‌ بینی آن‌ها بر اساس رفتار خرید و شرایط آب و هوایی می باشد. این شرکت تقاضای هر روزه برای مدل‌های مختلف نمایشگاهی در یکی از فروشگاههای آجر و ملات را پیش بینی می کند. این مدل‌ها شامل پارامترهای مختلفی از قبیل زمان و تاریخ خرید و تعداد اقلام خریداری شده را برای تعیین الگوی فروش می شود. با استفاده از مدل های مختلف یادگیری ماشین، شرکت در لحظه قادر به شناخت الگوی رفتاری و فصلی خرید است. در فصل تعطیلات شرکت شاهد افزایش خرید می‌شود و همچنین شاهد افزایش یا کاهش به دلیل شرایط آب و هوایی و خبرهای روز است که چه ارتباطی میان این دو وجود دارد. با توجه به تشخیص آب و هوا (مانند دما، میزان بارش یک شهر و تلفیق داده های دریافتی) و مجموعه داده های اقتصادی سری زمانی شرکت شروع به شناسایی دلایل و تاثیرات نسبت به پیش بینی میزان تقاضای آینده کرده است.3-2. بهترین گزینه مسیریابیدر زمینه مدیریت انرژی، راهکارهای اتوماسیونی پوشش سرویس های سخت افزاری و نرم افزاری خواستار کاهش هزینه در مورد زنجیره تامین موجود برای ۲۴۰ تاسیسات تولیدی در سراسر جهان و 110 مرکز عرضه و تحلیل فرصت های بالقوه برای جذب واحدهای تجاری پویا که به تازگی به دست آورده‌اند، شده است. این شرکت یک مدل پیش‌بینی زنجیره ‌تامین ساخته است که قادر است به صورت خودکار بهترین گزینه مسیریابی برای بزرگترین زنجیره تامین مواد اولیه که شامل تمامی اجناس کوچک (به اندازه قرار گرفتن در قفسه مغازه) و بزرگ (به اندازه یک اتاق) است و محدودیتی در اندازه ندارد. آنها از مدل های یادگیری ماشین برای تغذیه داده های زنجیره تامین سازمانی استفاده می کنند، مانند نرخ انتقال و سیاست های انتقال، داده های مسیر فروش محصولات و... در ابتدا مهندسین داده از چندین واحد تجاری یک ابزار استخراج می سازند و تمامی داده‌های سازمانی از همه سیستم‌های منابع طرح سازمانی (ERP) "Enterprise Resource Planning" را جمع آوری، بازبینی و پاکسازی می کنند. ۲۰۰ هزار داده سیاست ‌های نقل و انتقال، ۱۳۰ هزار نقطه محدودیت جریان و مسیریابی و بیش از ۱۵۰ طرح اولیه را مدل سفارشی تجزیه و تحلیل کرده صرفه‌جویی سالیانه ۹.۳۲ میلیون دلاری را تشخیص داده که به صورت بالقوه برگرفته از تغییر روند تولید در زنجیره تامین می باشد.3-3. هوش مصنوعی در مدیریت انباراز سال ۱۹۵۰ حامل های خودران در محیط های صنعتی فعالیت می کنند و تا همین اواخر عمدتا بدون استفاده از سیم ها، مسیر ها و نوار مغناطیسی قادر به هدایت خودکار نبودند. با افزایش پیشرفت هوش مصنوعی و فناوری های ناوبری همانند همزمانی نقشه برداری و مکان یابی و بینایی ماشین، حامل های خودران قادر می سازد مرز های تولید صنعتی در انتقال خودکار مواد اولیه را جابجا کند. امروزه با ادغام حامل های خودران، داده های موجود در انبارداری و سیستم های کنترلی که از طریق لایه نرم افزاری متصل هستند (سیستم اجرای انبارداری نامیده می شود)، پتانسیل استقلال نسبتا افزایش پیدا می‌کند. سیستم اجرای انبارداری از هوش مصنوعی برای کاراتر کردن تدریجی سیستم های تدارکاتی موجود استفاده می کنند و بیشتر راهبران رده بالای حامل های خودران تصمیم های راهبردی روشنی به سوی دستیابی به قابلیت های سیستم اجرای انبارداری می گیرند. بحث ما بعضی از موارد کاربردی برخی از کارخانه داران حامل های خودران است که از هوش مصنوعی جهت ارائه سرویس های سیستم اجرای انبارداری استفاده می‌کنند. یک شرکت مشهور بر اساس علم توزیع سیستم اجرای انبارداری خودش را ایجاد کرده است که این بستر می تواند کمکی در عملیات مدیریت انبارداری در شناسایی کارآمد تر تراکم چینش برای ربات های انباردار و یا بهینه سازی جریان کار حواله ترخیص می باشد. در این بخش مطالعه بر روی تولیدکنندگان جزئی پوشاک می باشد که به منظور حمایت از تکمیل مغازه های خرده فروشی (جابجایی اجناس در مغازه ها) از سیستم اجرای انبارداری استفاده می‌کنند. سیستم اجرای انبارداری در جهت توسعه مرکز توزیع برای پر کردن ۳۹۰۰ مغازه خرده فروشی استفاده می شود. خرده فروش پوشاک نیاز داشت تا عملیات پر کردن مغازه ها برای هشت شعبه مجزا را به یک مرکز توزیع تغییر دهد که بدان معنا بود مرکز توزیع نیاز به ذخیره سازی با تراکم بالا و تضمین فوری پرکردن محصولات را داشت. اجرای انبارداری برای بهینه سازی فرایندهای موثر برای کل مرکز توزیع از دریافت سفارش (از داده‌های موجود در سیستم ERP مشتری) تا ارسال و برنامه ریزی، استفاده می شد. این شرکت ادعا می‌کند که سیستم درباره پر کردن مغازه های خرده فروشی به خرده ‌فروشان کمک کرده که روزانه تا ۶۰۰ هزار قطعه که در هر مغازه قرار بگیرد که در گذشته تقاضای ضروری همه ۸ شعبه بوده (با احتساب شرایط حاد) همچنین سیستم آنها هزینه پردازش را کاسته و ظرفیت مغازه ها را افزایش داده است.3-4. تدارکات به وسیله هوش مصنوعیراحت ترین روش برای درک چگونگی تحول انقلابی خرید کردن به وسیله برنامه های فروشگاهی مانند: Amazon's Alexa می‌باشد. جایی که پس از قرار گرفتن سفارش مراحل پس از آن به صورت خودکار هستند. خریداران نمایندگی ارتباط تامین کننده را به دستیاران مجازی، ربات های سخنگو و یا به سیستم هایی که مسئول پاسخ به هرگونه درخواست که در ارتباط با تراکنش ها، تدارکات، هزینه ها، پرداخت و... هستند می‌دهد. خریداران تصمیم خرید را بسط می‌دهند و یا سفارش جدیدی ثبت می کنند. پس از ثبت فاکتورها، سیستم هوش مصنوعی جستجویی در مورد وضعیت بحرانی انجام می دهد که ممکن است نشان دهنده مشکلات داخلی در تامین کننده نهایی باشد. در تحلیل مخارج، سیستم قادر به بررسی هر کدام از فاکتور هاست که به سرعت در هنگام وجود خطا یا ناسازگاری خبر می دهد و سریعا به مسئول مربوطه در صورت وجود هر یک از دو مشکل، اطلاع رسانی می کند در صورتی که این کار معمولا اگر به صورت دستی انجام شود، چند روز طول می‌کشد.3-5. استفاده هوش مصنوعی از ربات های سخنگوشرکتی یک ربات سخنگو راه اندازی کرده است که می‌تواند واسطی محاوره‌ای میان عامل انسانی و سرویس های اتوماسیون فروش یا بازاریابی به عنوان توانایی عامل فروش باشد. به عنوان مدیریت تدارکات در صنعت نوشیدنی استفاده می شود. کارخانه نوشیدنی برای به دست آوردن نیاز تدارکات، کارمندانی برای تماس با عوامل راهنمای میز نیاز داشت. در اکثر مواقع این به معنای انتظار اجباری برای بازیابی اطلاعات است. راه حل ربات سخنگو جای کارمندان را گرفت و تامین کننده بر اساس گزارشاتی که در اختیار داشت قادر به ارائه پاسخ به درخواست هایی در مورد سفارش و وضعیت ارسال کالا، موجودی انبار، موجودی سرمایه، وضعیت تامین کننده و جزئیات قرارداد بود.3-6. بهینه سازی پهپاد های بارکش در شبکه تحویل جمعیدر اینجا حداقل زمان تحویل از خوشه بندی K-means برای پیدا کردن موقعیت شروع استفاده میشود، همانند الگوریتم ژنتیک برای حل مسئله مسیریابی بارکش که به عنوان یکی از مسائل فروشنده دوره گرد استفاده می شود. راه حل بهینه به وسیله پیدا کردن حداقل هزینه مشخص می شود که با هزینه تابع برجستگی سهمی ارتباط دارد. برای ارزیابی موقعیت شروع و یافتن حداقل هزینه بهینه الگوریتمهایی تحت عنوان K-meansبه کار گرفته می شود، در حالی که الگوریتمهای ژنتیک برای تعیین مسیر بارکش مورد استفاده قرار می گیرد، در نهایت سیستم های مستقل برخلاف تلاش‌های تحویل جمعی، نتایج رضایت بخشی را ارائه نمی‌دهند.4. نکته مهم موارد کاربردی آیندهیادگیری ماشین و ساختار اصلی آن به طور ایده آل مناسب برای ارائه بینش بهبود یافته مدیریت کارایی زنجیره تامین هستند در حالی که فناوری های پیشین مناسب نبودند. ثابت شده است که ترکیب نقاط قوت یادگیری نظارت نشده، ناظر یادگیری، یادگیری تقویت شده و یادگیری ماشین فناوری مفیدی می شوند که دائما درجستجوی یافتن عوامل کلیدی تاثیر زیادی بر کارایی زنجیره تامین می باشد. گردآوری توابع کلیدی کاربردهای هوش مصنوعی، در حال حاضر شروع به تجاری شدن یا تحت آزمایشات تحقیقاتی هستند. روش های پیش بینی غیرخطی برای پیش بینی رفتار سیستم استفاده می شود، مانند پیش بینی تراکم ترافیک. توابع کنترلی هوش مصنوعی همچنین در چهار راه ها و هدایت مسیر مورد استفاده قرار می گیرد. شناسایی الگو در شناخت رفتار مشتری و نیازهایش و کشف خودکار حادثه مفید هستند. کاربرد فناوری های یادگیری ماشین با ظهور پیشرفتهای بیشتر زنجیره تامین و هماهنگی نهادها دائما درحال افزایش است.5. نتیجهرقابت های زیادی در میان سازمانها با توجه به اتصال جهانی و تغییر زمان وجود دارد. پیشرفت های فناوری در مقیاس فزاینده‌ای در حال وقوع هستند و شرکت ها برای رشد و رونق تولید با یکدیگر رقابت می کنند که در بسیاری از بخش ها ما شاهد به کارگیری ربات ها در انجام وظایف دشوار هستیم. شرکت‌ها در هر زمینه‌ای از اتوماسیون استفاده میکنند تا کار انسان و ماشین را در کنار یکدیگر قرار دهند با این حال وجود تکامل هوش مصنوعی پیچیده تر از گذشته خواهد بود، اما در این نوع همکاری میان انسان و هوش مصنوعی تشدید شده و در مراتب بالاتری قرار گرفته که فقط به معنای پیش روی در زنجیره تامین نمیباشد، بلکه در بخش های مهم دیگر نیز می باشد.نویسندگانSandhya Makkar from Lal Bahadur Shastri Institute of ManagementVijender Kumar Solanki from CMR Institute of Technology Hyderabad TS IndiaG. Naga Rama Deviمنابع1. Gunasekaran, A., 2004. Supply chain management: Theory and applications. European Journal of Operational Research 159(2), 265–268.2. Herbrich, R., Keilbach, M.T., Graepel, P.B.-S., Obermayer, K.,2000. Neural networks in economics: Background, applications and new developments. Advances in Computational Economics: Computational Techniques for Modeling Learning in Economics 11, 169–196.3. Pelckmans, K., Suykens, J.A.K., Van Gestel, T., De Brabanter, J., Lukas, L., Hamers, B., De Moor, B., Vandewalle, J., 2002.4. Marr, Marr. "A Short History of Machine Learning - Every Manager Should Read". Forbes. Retrieved 28 Sep 2016.5. Leon, S. (2017) ‘Integrating the Chatbot’. Retrieved from: https://www.capgemini.com, accessed on 15/09/2017.6. Bhardwaj, R. (2018) ‘AI in Transportation – Current and Future Business- Use Applications’ https://www.techemergence.com/ last accessed on 28/11/20187. Bhardwaj, R. (2018) ‘Artificial Intelligence in Supply Chain Management – Current Possibilities and Applications’ https://www.techemergence.com/ last accessed on 28/11/20188. https://www.techemergence.com/cognitive-procurement-enterprise/9. https://www.visionetsystems.com/blog/where-to-apply-machine-learning- supply-chain-optimization10. https://www.forbes.com/sites/louiscolumbus/2018/06/11/10-ways-machine- learning-is-revolutionizing-supply-chain-management/#641245933e3711. Pham, D.T, A.A. Afify, Machine-learning techniques and their applications in manufacturing,April 2005,Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture 219(5):395-41212. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes- from-the-ai-frontier-applications-and-value-of-deep-learning-3313. https://www.forbes.com/sites/louiscolumbus/2018/02/18/roundup-of- machine-learning-forecasts-and-market-estimates-2018/#2ad15baf2225-3414. Rumelhart, David E., Hinton, Geoffrey E., Williams, Ronald J., Learning representations by back-propagating errors, Nature-3515. Ferrandez S.M et.al. “Optimization of a Truck-drone in Tandem Delivery Network Using K-means and Genetic Algorithm” Journal of Industrial Engineering and Management, 9(2): 374-388, 2016Reza ChopannavazReza ChopannavazThu, 03 Dec 2020 20:27:10 +0330