Według Gartnera, poziom automatyzacji w procesach łańcucha dostaw podwoi się w ciągu najbliższych pięciu lat. Jednocześnie, według najnowszych badań, globalne wydatki na platformy IIoT mają wzrosnąć z 1,67 mld USD w 2018 r. do 12,44 mld USD w 2024 r., osiągając 40% CAGR w ciągu siedmiu lat. Ponieważ globalne łańcuchy dostaw stają się coraz bardziej złożone, margines błędu gwałtownie się kurczy. Wraz z rosnącą konkurencją w połączonym cyfrowym świecie, jeszcze bardziej krytyczne staje się maksymalizowanie wydajności poprzez ograniczanie wszelkiego rodzaju niepewności. Rosnące oczekiwania dotyczące prędkości i wydajności między dostawcami i wszelkiego rodzaju partnerami biznesowymi jeszcze bardziej podkreślają potrzebę wykorzystania przez branżę możliwości sztucznej inteligencji (AI) w łańcuchach dostaw i logistyce.
Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw:
Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.
W oparciu o zbiory rozmyte można zbudować rozmyty system wnioskowania. W takim systemie do modelowania implementowane są reguły rozmyte, które z kolei umożliwiają prowadzenie procesu wnioskowania rozmytego.
Niepewność jest obecna we wszystkich dziedzinach działalności człowieka, jest nieodłącznym elementem rzeczywistości. Oznacza to, że jakakolwiek próba opisu tej rzeczywistości powinna uwzględniać występowanie niepewności. To właśnie w potrzebie modelowania niepewności należy upatrywać impulsu dla rozwoju teorii zbiorów rozmytych i jej późniejszym uogólnieniom.
Dla przypomnienia CPFR (ang. Collaborative Planning, Forecasting and Replenishment) to wspólne prognozowanie, planowanie i uzupełnianie zapasów, które opiera się na porozumieniu partnerów biznesowych w zakresie stałej wymiany informacji na temat prognoz sprzedaży, zakupów i zapasów oraz planów promocji, produkcji i dostaw wraz z ustaleniem sposobów identyfikacji i wyjaśniania zaistniałych odchyleń.