ما أفضل ذكاء اصطناعي لسلاسل الإمداد؟

ما نوع الذكاء الاصطناعي المستخدم في تحسين سلاسل الإمداد؟

تقوم عمليات سلاسل الإمداد على فئتين رئيسيتين من الذكاء الاصطناعي: أنظمة تنبّئية تحلّل الأرقام لتتوقّع النتائج، وأنظمة وكلاء توليدية تعالج اللغة غير المنظّمة لتنفّذ المعاملات الروتينية في المكاتب الخلفية.

والتحليلات التنبّؤية فرع من التحليلات المتقدّمة يتنبّأ بالنتائج المستقبلية باستخدام البيانات التاريخية مقترنةً بالنمذجة الإحصائية وتقنيات التنقيب في البيانات وتعلّم الآلة. وتطبّق فرق العمليات هذه الحسابات للتنبّؤ بأحجام الطلبات، وتقدير مُهل التوريد، وتقييم مدى انتظام المورّدين في التسليم.

وبحسب IBM، تشمل نماذج التحليلات التنبّؤية نماذج التصنيف والتجميع والسلاسل الزمنية. فخوارزميات التصنيف تفرز العناصر في فئات، وخوارزميات التجميع تحدّد المجموعات المترابطة من المورّدين أو القطع، فيما تقيّم خوارزميات السلاسل الزمنية الاتجاهات عبر فترات متتالية.

وتذكر IBM من أنواع نماذج التصنيف: الانحدار اللوجستي، وتحليل الانحدار، وأشجار القرار، والغابات العشوائية، والشبكات العصبية، ومصنِّف بايز الساذج (Naive Bayes). ويمكن لمركز الاتصال أن يستخدم نموذج سلاسل زمنية للتنبّؤ بعدد المكالمات التي سيتلقّاها في كل ساعة في أوقات مختلفة من اليوم، وتستخدم فرق سلاسل الإمداد نماذج السلاسل الزمنية نفسها لتوقّع أحجام الاستلام اليومية في المستودعات.

ما النتائج التشغيلية التي تحقّقها المؤسّسات العالمية بالذكاء الاصطناعي؟

تُثبت شركات الخدمات اللوجستية العالمية وإدارات المشتريات في المؤسّسات قيمة الذكاء الاصطناعي في عملياتها اليومية الفعلية، وتبيّن هذه التطبيقات كيف يحقّق الابتعاد عن الإدخال اليدوي للبيانات مكاسب مالية وتشغيلية قابلة للقياس.

فقد واجهت C.H. Robinson في السابق تأخيرات كبيرة عند الارتفاعات المفاجئة في طلبات حجز الشحن، إذ تقول الشركة إن طلب الشحن الوارد بالبريد الإلكتروني كان يمكن أن ينتظر ما يصل إلى 4 ساعات قبل أن يتولّاه أحد الموظّفين. أما اليوم، فيقرأ وكلاء الذكاء الاصطناعي التوليدي طلبات الشحن الواردة مباشرةً من رسائل العملاء، ويملؤون سجلّات التوزيع تلقائياً.

وأدّى الذكاء الاصطناعي التوليدي دوراً كبيراً في رفع القدرة على معالجة المعاملات خلال مواسم ذروة الشحن، وتبيّن هذه المؤشّرات من بيئة الإنتاج كيف ترتفع سرعة العمليات حين تزول الاختناقات الإدارية.

وتفيد فرق المشتريات في المؤسّسات بمكاسب مماثلة في التعامل مع مستندات المورّدين، إذ يذكر فريق الهندسة في Uber أن قراءة فواتير المورّدين بالذكاء الاصطناعي التوليدي خفّضت متوسط زمن معالجة الفاتورة بنسبة 70%. كما تفيد Uber بأن الوفورات في التكلفة تراوحت بين 25 و30% مقارنةً بالمعالجة اليدوية للفواتير.

انخفاض بنسبة 70%: تفيد Uber بأن نظامها لمعالجة الفواتير بالذكاء الاصطناعي التوليدي خفّض متوسط زمن معالجة الفاتورة بنسبة 70%.

3,000,000 مهمة: تفيد C.H. Robinson بأن وكلاء الذكاء الاصطناعي لديها نفّذوا 3,000,000 مهمة شحن.

كيف يُستخدم الذكاء الاصطناعي في المشتريات؟

تتعامل إدارات المشتريات مع آلاف المستندات الخارجية، من اتفاقيات المورّدين وأوامر الشراء إلى قوائم الشحن وطلبات الدفع. ومعالجة هذه المستندات يدوياً تستنزف ساعات عمل الموظّفين، وتُدخل أخطاء في بيانات برامج المحاسبة.

وتصل فواتير المورّدين إلى Uber بأكثر من 25 لغة، وكان التعامل مع هذا التنوّع في التنسيقات الدولية يتطلّب في السابق فرقاً إدارية كبيرة تنقل البنود يدوياً. أما اليوم، فتفيد Uber بأن دقّة استخراج بيانات الفواتير بالذكاء الاصطناعي التوليدي تبلغ 90% إجمالاً.

ونطوّر أنظمة لاستخراج بيانات المستندات والفواتير، تقرأ الملف الوارد وتكتب حقوله في النظام الذي يحتاج إليها. وتنقل هذه الأتمتة المخصّصة إجماليات الفواتير وأسماء المورّدين ومبالغ الضرائب وبنود الشحن مباشرةً إلى قاعدة بيانات مؤسّستكم، دون تدخّل يدوي.

وإذا كان فريقكم يعيد كتابة الفواتير أو طلبات الشحن يدوياً كل يوم، فاحجزوا مكالمة تمهيدية مجانية، وسنراجع معكم إجراءات عملكم خطوة بخطوة.

كيف يُستخدم الذكاء الاصطناعي في سلاسل الإمداد؟

تشمل إدارة سلسلة الإمداد تتبّع المخزون، وحجز النقل، والتحقّق من المستندات، والتنسيق مع المورّدين. ويؤتمت الذكاء الاصطناعي الحديث الفجوات التشغيلية التي ينقل فيها الموظّفون المعلومات عادةً بين جداول البيانات والبريد الإلكتروني وأنظمة ERP.

ونطوّر وكلاء ذكاء اصطناعي يديرون إجراءات العمل، من التواصل الخارجي والبحث إلى معالجة المستندات ومهام المكاتب الخلفية. فبدل أن تساعد البرمجيات الموظّف، تنفّذ المهمة كاملةً من بدايتها إلى نهايتها.

كما نطوّر أدوات للتنبّؤ ودعم القرار تعمل على بياناتكم التاريخية. فمن خلال تحليل الطلب الموسمي السابق، وتفاوت مُهل التوريد لدى المورّدين، وأحجام الشحنات، تقترح أدوات التنبّؤ المخصّصة أوامر لإعادة تعبئة المخزون تواكب الإيقاع الفعلي لأعمالكم. ويمكنكم الرجوع إلى أدلّتنا في أتمتة الذكاء الاصطناعي للتعرّف إلى طريقة عمل هذه البنى في العمليات الحديثة.

ونطوّر ذكاءً اصطناعياً مخصّصاً يحلّ محلّ الإجراء اليدوي بدل أن يساعد فيه. ومن خلال خدماتنا في تطوير الذكاء الاصطناعي وتعلّم الآلة، تتخلّص شركات الخدمات اللوجستية من التنسيق المتكرّر للبيانات، فيتفرّغ المنسّقون للتفاوض مع المورّدين ومعالجة استثناءات الشحن العاجلة.

كيف نمنع أتمتة سلسلة الإمداد من اختلاق بيانات خاطئة؟

تتطلّب أتمتة مهام سلسلة الإمداد دقّة تامة في الوقائع، فرقم قطعة خاطئ، أو كمية مكرّرة، أو عنوان شحن غير صحيح، يربك تنفيذ الطلبات في المستودع ويقود إلى نزاعات تجارية مكلفة.

لذا ترفض أتمتة الذكاء الاصطناعي التي نطوّرها في innopalm أي مورّد أو رمز صنف أو عميل غير موجود في بياناتكم الرئيسية (master data)، بدل أن تختلق واحداً. ويجب أن يطابق كل كيان يُستخرج من طلب وارد سجلّاتكم الرئيسية القائمة تماماً قبل أن تتابع البرمجيات العمل.

وتشير كل قيمة تكتبها أتمتة الذكاء الاصطناعي لدينا إلى المستند والصفحة والموضع الذي أُخذت منه. فحين يفحص الموظّف سجلّاً معالَجاً، تعرض الواجهة مقتطف الملف الأصلي جنباً إلى جنب مع النص المستخرج، فينشأ مسار أدلّة قابل للتدقيق.

وحين ترد المعلومة نفسها في عدّة مستندات وتختلف فيما بينها، توقف الأتمتة السجلّ وتحيله إلى موظّف. فإذا اختلف إجمالي بوليصة الشحن عن الفاتورة التجارية أو أمر الشراء المقابل، يتوقّف النظام وينبّه المختصّ لديكم لمراجعته.

كيف نحمي بيانات سلسلة الإمداد ونحافظ على استمرارية الأعمال؟

تحمل بيانات سلسلة الإمداد معلومات تجارية حسّاسة، منها هياكل أسعار المورّدين ومسارات التجارة وأحجام العملاء وشروط التسليم التعاقدية. وتتطلّب حمايتها ضوابط أمنية صارمة في البنية الهندسية كلّها.

وتُشفَّر البيانات في الأنظمة التي نطوّرها أثناء التخزين وأثناء النقل، فتبقى الملفات محميّة من الاعتراض أثناء انتقالها عبر الشبكات العامة أو تخزينها في قواعد البيانات السحابية. ونعالج البيانات الشخصية بما يستند إلى قانون حماية البيانات الشخصية الإماراتي (PDPL) منذ مرحلة تصميم البنية، وحين لا يجوز أن تغادر البيانات الدولة أو شبكتكم، نستضيف النظام في الإمارات أو على خوادمكم الخاصّة.

وتحتفظ الأنظمة التي نطوّرها بسجلّ تدقيق كامل يبيّن من فعل ماذا ومتى. وتُحفظ النسخ الاحتياطية في موقع منفصل، ونختبر استعادة كاملة قبل التشغيل الفعلي، ويكفل هذا الإجراء استعادة العمليات إذا تعطّلت أجهزة التخزين على نحو مفاجئ.

وإذا توقّفت خدمة ذكاء اصطناعي يحتاج إليها النظام، تُحفظ المهام بأمان في قائمة انتظار، ويواصل الفريق العمل يدوياً. وتبقى المهام المعلّقة محميّة حتى يعود الاتصال بخدمة المعالجة، فلا تضيع إشعارات الشحن ولا تتكرّر طلبات العملاء.

لماذا تفشل مشاريع الذكاء الاصطناعي الوكيلي، وكيف نتجنّب ذلك؟

تتعثّر كثير من مبادرات الذكاء الاصطناعي في المؤسّسات حين تتبنّى الفرق أدوات لم تُختبر، دون قواعد صارمة تحدّ نطاق عملها أو جدوى أعمال مثبتة. فالتوقّعات غير الواقعية والنطاقات الغامضة تعرّض المؤسّسات المشترية لمخاطر تقنية كبيرة.

وتشير شركة الأبحاث Gartner إلى أن تصاعد تكاليف التطوير دون ضابط، وعدم ثبوت القيمة التجارية، وضعف التحكّم في المخاطر، هي الأسباب الرئيسية وراء إلغاء مشاريع الذكاء الاصطناعي الوكيلي.

ونتجنّب هذه العثرات بتحديد معايير تقييم أساسية صارمة ونقاط مراجعة بشرية في كل نظام نطلقه، فكل ما يخفق في أي فحص يُحال إلى موظّف لمراجعته. وعلى النهج نفسه، يحيل نظام الفواتير لدى Uber كل عملية استخراج إلى موظّف لمراجعتها قبل ترحيلها إلى نظام ERP.

ونقيس الدقّة على مجموعة اختبار مسجّلة من مستنداتكم الفعلية قبل أن تقبلوا العمل. فاختبار نماذجنا على مئات من كشوف الشحنات والفواتير السابقة لديكم يكفل التحقّق من أداء النظام رقمياً قبل نشره.

كم يستغرق نشر نظام أتمتة بالذكاء الاصطناعي؟

يتطلّب تطوير نظام موثوق لأتمتة أعمال المكاتب الخلفية إعداداً متأنّياً، وجمعاً لبيانات من الواقع الفعلي، وقياساً دقيقاً لأداء الخوارزميات، ويزيل الجدول الزمني المنظّم للإطلاق المخاطر قبل أن تدخل الشيفرة بيئة الإنتاج.

ونخطّط عادةً لمشروع الأتمتة بالذكاء الاصطناعي على أن يستغرق من 8 إلى 12 أسبوعاً من الانطلاق. ويتيح هذا الجدول لفريقنا الهندسي بناء مسارات البيانات (data pipelines)، وضبط حدود التحقّق، والربط المباشر بأنظمة أعمالكم الأساسية.

وخلال مرحلة تحديد المتطلبات الأولى، نخطّط عادةً لجمع 100 مستند على الأقلّ من مستنداتكم الفعلية في مجموعة الاختبار المسجّلة، لتكون المرجع المعياري (ground truth) الذي يُقاس عليه قبول المشروع.

وعند التسليم، تتسلّمون الشيفرة المصدرية والوثائق الفنية والاختبارات وكل بيانات الدخول، فلا ارتهان للمورّد (Vendor Lock-in)، ويمكنكم الاستعانة بفريق آخر لاحقاً. وإن أردتم مراجعة سير العمل اللوجستي ومتطلبات البيانات لديكم، فاحجزوا مكالمة تمهيدية مجانية لنرسم معاً ملامح مشروعكم.

يندرج هذا المقال ضمن عملنا في تطوير الذكاء الاصطناعي وتعلّم الآلة، ويعكس منهجية التخطيط التي تقوم عليها طريقة عملنا.

أبرز النقاط

• يجمع أفضل نهج للذكاء الاصطناعي بين النماذج التنبّؤية للتنبّؤ بالطلب، والوكلاء التوليديين لسير العمل الإداري القائم على المستندات.
• يزيل الوكلاء التوليديون العقبات التشغيلية بقراءة رسائل العملاء والفواتير غير المنظّمة وتحديث أنظمة المؤسّسة مباشرةً.
• يمنع التحقّق من السجلّات مقابل البيانات الرئيسية، والتحقّق المتقاطع بين المستندات، أدواتِ الأتمتة من إنشاء بيانات تشغيلية غير دقيقة.
• تتحقّق مجموعات الاختبار المنظّمة، المبنية من مستنداتكم التشغيلية السابقة، من دقّة الاستخراج قبل تسليم النظام.
• تحميكم الملكية الكاملة للشيفرة المصدرية للتطبيق وبيانات الدخول إلى بيئات النشر من الارتهان للمورّد على المدى الطويل.

المصادر

1. كيف تستخدم C.H. Robinson وكلاء الذكاء الاصطناعي في طلبات الشحن وعروض الأسعار الواردة بالبريد الإلكتروني (chrobinson.com)
2. تعريف الذكاء الاصطناعي التنبّؤي واستخداماته (ibm.com)
3. كيف تعالج Uber فواتير المورّدين بالذكاء الاصطناعي التوليدي (uber.com)
4. تعريف التحليلات التنبّؤية وأنواع نماذجها وخوارزمياتها (ibm.com)
5. توقّع Gartner بشأن إلغاء مشاريع الذكاء الاصطناعي الوكيلي بحلول نهاية 2027 (gartner.com)