سامانه‌های چندعاملی هوش مصنوعی وارد اجرای زنجیره تأمین می‌شوند

برخی شرکت‌ها از داشبوردهای پیش‌بینی فراتر رفته‌اند و سامانه‌های چندعاملی هوش مصنوعی را برای اجرای مستقیم بخشی از عملیات زنجیره تأمین آزمایش می‌کنند. این عامل‌ها داده‌های لحظه‌ای مانند زمان رسیدن حامل‌ها، دوربین‌های محوطه و رویدادهای سامانه مدیریت انبار را دریافت می‌کنند و در محدوده‌های تعریف‌شده، کارهایی مانند تغییر مسیر محموله، تنظیم موجودی اطمینان و تخصیص سکوی بارگیری را در نرم‌افزارهای سازمانی انجام می‌دهند.

نمونه‌های گزارش‌شده در صنعت

لنوو می‌گوید در زیرساخت جهانی iChain خود، یک عامل تکمیل سفارش و یک عامل مدیریت ریسک را به سامانه‌های تراکنشی متصل کرده است. بر اساس آمار خود این شرکت، تصمیم‌های تکمیل سفارش سه برابر سریع‌تر، واکنش به اختلال چهار برابر سریع‌تر و ارزیابی ریسک با دقت ۸۵ درصد انجام شده و دقت تحویل ۳۰ درصد افزایش یافته است. این ارقام گزارش شرکتی‌اند و نباید بدون ارزیابی مستقل، نتیجه‌ای عمومی برای همه زنجیره‌های تأمین تلقی شوند.

در نمونه‌ای دیگر که Simor Consulting مستند کرده، یک تولیدکننده متوسط قطعات خودرو پنج عامل تخصصی را در ۱۵ کشور و میان ۲۰۰ تأمین‌کننده به کار گرفته است. طبق این گزارش، تحویل به‌موقع طی یک دوره ۱۸ماهه از ۸۲ به ۹۴ درصد رسیده و عامل تشخیص اختلال، برخی تهدیدهای عرضه را ۴۸ ساعت زودتر از تیم‌های پایش دستی شناسایی کرده است. با این حال، عامل ارتباطی در تعامل با فروشندگان ناآشنا تا زمانی که الگوهای پاسخ آن‌ها را یاد نگرفته بود، عملکرد قابل اتکایی نداشت.

فوجیتسو و Rohto Pharmaceutical نیز در یک آزمایش شبکه مجازی، کاهش هزینه حمل‌ونقل تا ۳۰ درصد را گزارش کرده‌اند. آزمایش گسترده‌تر روی زنجیره فیزیکی Rohto برای بازه ژانویه ۲۰۲۶ تا مارس ۲۰۲۷ برنامه‌ریزی شده است؛ بنابراین نتیجه عملی آن هنوز نهایی نیست.

استقلال محدود، نه اختیار نامحدود

اجرای خودکار در سامانه‌های خرید و حمل‌ونقل می‌تواند خطا را با سرعت بیشتری در چند بخش گسترش دهد. به همین دلیل، این معماری‌ها به مرزهای روشن نیاز دارند: تغییر مسیر تنها زیر سقف هزینه و سطح خدمت مشخص مجاز باشد؛ تغییرات بزرگ موجودی برای تأیید انسانی متوقف شود؛ و عامل‌های ارتباط با تأمین‌کننده برای حساب‌های ارزیابی‌نشده فقط پیش‌نویس تولید کنند.

خودکارسازی انبار نیز هنوز در بسیاری از موارد به شبیه‌سازی محدود است. پژوهش MIT و Symbotic افزایش ۲۵ درصدی توان عملیاتی را با هماهنگی مسیر چند ربات در یک محیط شبیه‌سازی‌شده تجارت الکترونیک نشان داده است. این نتیجه با اجرای کاملاً مستقل در یک انبار واقعی برابر نیست. معماری مرجع انبار چندعاملی انویدیا هم روشی برای برنامه‌ریزی میان چند ناوگان ارائه می‌دهد، اما در محیط‌های تولیدی معمولاً حرکت ربات‌ها از تأیید خودکار تراکنش‌ها جدا نگه داشته می‌شود.

جمع‌بندی

سامانه‌های چندعاملی می‌توانند فاصله میان توصیه تحلیلی و اقدام عملیاتی را کاهش دهند، ولی شواهد فعلی ترکیبی از گزارش شرکت‌ها، آزمایش‌های محدود و شبیه‌سازی است. ارزش واقعی آن‌ها به کیفیت داده، تعریف دامنه اختیار، توقف خودکار در شرایط پرریسک و امکان مداخله انسان وابسته خواهد بود.