Helmut Prieschenk از Witron (تصویر) و Franziskos Kyriakopoulos، بنیانگذار 7LYTIX از Linz، اتریش، در مورد ChatGPT، یادگیری ماشین در تدارکات و پیش بینی تقاضا برای خرده فروشان مواد غذایی بحث کرده اند. هر دو موافق هستند - فناوری هوش مصنوعی طیف گسترده ای از پتانسیل بهینه سازی را برای بهینه سازی فرآیندها در مرکز توزیع و همچنین کل زنجیره تامین ارائه می دهد. اما کیفیت بالای داده تنها عامل مهم نیست. به همان اندازه برای مدل های داده، تجربیات افراد و نیازهای مصرف کنندگان مهم است.
#Freightforgerer #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
حمل و نقل بار 3pl dropshipping DoortoDoor نمایندگی AirFreight نمایندگی اردن حمل و نقل چین مرکز انجام نمایندگی حمل و نقل
kapoklog حمل و نقل هوایی لجستیک از چین به بریتانیا DoortoDoor Amazon ExportAirFreight حمل و نقل اردن حمل و نقل چینی به اردن کشتی باربری جردن
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
خدمات آرایشی و بهداشتی، عربستان سعودی به صورت هوایی و دریایی خدمات درب به درب
#نماینده خرید چین #نماینده حمل چین
#تمرکز تحقق #بازاریابی آنلاین #3pl #dropshipping #doortodoor #تلفیقی حمل و نقل #chinashipping #freightforwarderchina #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #DDP
شنژن کاپوکلوگ تدارکات عربستان سعودی از درب به درب DDP
DDP چین به عربستان سعودی
شنژن kapoklog لجستیک دبی ترخیص سفارشی درب به درب خدمات DDP
DDP چین به دبی
Shenzhen kapoklogLogistics Co., Ltd
شنژن kapoklog تدارکات قطر ترخیص سفارشی درب به در خط DDP
DDP چین به قطر
شنژن kapoklog تدارکات پاکستان DDP
DDP چین به پاکستان
شنژن kapoklog لجستیک اردن ترخیص کالا از گمرک درب به در DDP چین به اردن
شنژن kapokloglogistics مصر ترخیص دو برابر سفارشی درب به در DDP
ترخیص سفارشی لجستیک شنژن kapoklog جده، DDP جده، حمل و نقل DDP از چین به جده
Shenzhen Kapoklog لجستیک عمان ddp، چین به عمان DDP، عمان حمل و نقل DDP
شنژن kapoklog ترخیص کالا از گمرک عراق، چین به عراق DDP
شنژن کاپوکلوگ تدارکات اسرائیل ترخیص گمرکی DDP , چین به اسرائیل درب به در , اسرائیل درب به در , چین به اسرائیل DDP
Prieschenk، مدیر عامل Witron به شوخی گفت: «و بعد از آن یک شبه همه یک تأثیرگذار هوش مصنوعی بودند. او می خواست در مورد هوش مصنوعی صنعتی، پیش بینی تقاضا و کمی در مورد ChatGPT صحبت کند. کیریاکوپولوس و تیمش راه حل های یادگیری ماشینی را برای بخش خرده فروشی و صنعت توسعه می دهند. او فیزیکدان است، در حالی که پریشنک یک ریاضیدان است. "این یک مخلوط خطرناک است." پریشنک هشدار داد. "البته، ما قبلاً با LLM ها (مدل های زبان بزرگ) در ویترون سروکار داشته ایم. با این حال، من می خواهم آرامش خاصی داشته باشیم. جهان با استفاده از آنها به پایان نخواهد رسید - و ما به طور مداوم در حال بررسی مناسب بودن چنین ابزارهایی هستیم. تا به طور منطقی به مشتریان یا توسعه دهندگان خود در اجرای الزامات مشخص مشتری کمک کنیم."
کیریاکوپولوس موافقت کرد، اما از قبل برنامه های کاربردی را تشریح کرده است. "LLM ها در پردازش توالی ها - سفارش ها، بدهی ها، فروش ها، یا ارتباطات مشتری خوب هستند. می توان از آنها در تدارکات داخلی نیز استفاده کرد. تبلیغات زیادی وجود دارد، بسیاری از اینفلوئنسرها در حال پخش نیمه حقیقت هستند." پریشنک می گوید که ویترون قبلاً این را تجربه کرده است. رقبای سیستم OPM هوش مصنوعی را در الگوریتم انباشتگی تبلیغ می کردند. "اما نتایج نمی تواند عملکردهای Witron OPM ما را شکست دهد. اینها با هوش مصنوعی توسعه نیافته اند، بلکه با مقدار زیادی هوش انسانی، مبتنی بر توسعه نرم افزار قوی، ارتباط فشرده با کاربران و سال ها تجربه عملی ساخته شده اند. ما همیشه باید یک رویکرد هوشیارانه داشته باشیم. مشتریان ما اساساً به دنبال ابزار جدیدی نیستند. آنها یک مشکل دارند و به یک راه حل کاری نیاز دارند که فرآیند لجستیک را در مرکز توزیع یا زنجیره تامین بهینه کند و در استفاده عملی پایدار کار کند. و می تواند به طور مفیدی در یک ساختار رشد یافته ادغام شود."
اما آیا این هوشیاری ما را در آلمان و اروپا باز نمی دارد؟ پریشنک به شدت تأکید می کند: "من مطمئناً به ROI نیاز دارم". کیریاکوپولوس گفت: توسعه دهندگان LLM سالانه 500 میلیون دلار سوخت دارند و به چند میلیارد دیگر نیاز دارند. این در آلمان یا اتریش غیرقابل تصور است.
آیا ما خیلی کم ریسک می کنیم؟ پریشنک بدبین است. برای مثال، وقتی به سرمایهگذاریها در تجارت Q نگاه میکنم، سرگیجه میگیرم. اینجاست که بسیاری از سرمایهگذاران کاملاً ریسک کردند. اما بازار به سمتی کاملاً متفاوت توسعه یافته است. رشد پیشبینی شده است. نرخها ظاهر نشدند. در این بین، ادغام در حال انجام است. سرمایهگذاران حرکت کردهاند. خردهفروشان ما هوش مصنوعی میخواهند و در این فناوری سرمایهگذاری میکنند. اما ما و مشتریانمان به ابزارهای هوش مصنوعی مانند شناسایی نمونه یا تصویر نیاز داریم که شفاف باشد. سپس مشکلاتی را که قبلاً نمی توانستیم حل کنیم یا فقط با تلاش زیاد می توانستیم حل کنیم را حل کنیم."
توسعه دهندگان 7LYTIX با LLM کار می کنند، اما تمرکز بر پیش بینی تقاضا است. ما میتوانیم ارزشهای افزوده ارائه کنیم، اما برخی از شرکتها اغلب در ابتدا نمیدانند ارزش افزوده مدل چقدر خواهد بود. فروش بیشتر از طریق ارتباط بهتر با مشتری یا فروش از دست رفته؟ بسیاری از مردم نمیتوانند آن را محاسبه کنند. اینجاست که آنها به کمک ما نیاز دارند.» پریشنک می افزاید: "مشتریان ما ویترون می توانند به خوبی محاسبه کنند و کسب و کار خود را در طول چندین دهه به کمال رسانده اند. اما من منظور آقای کیریاکوپولوس را می فهمم: اول، ما باید روشن کنیم که چه چیزی باید بهینه شود. خرده فروشان از خود می پرسند که آیا می خواهند بهینه سازی کنند. شبکه زنجیره تامین،انباراندازه، چه بخواهند به مشتری نزدیکتر باشند، چه زمانهای خروجی را کاهش دهند، چرخههای تحویل را تغییر دهند، ضایعات مواد غذایی را کاهش دهند و انبارها را کاهش دهند، یا ذخیره کمتری در انبار داشته باشند. در این راستا، ما همراه با مشتریان خود از نقاط مختلف جهان چیزهای زیادی یاد گرفته ایم. همچنین یاد گرفتیم که الزامات تعطیلات بانکی در فنلاند با موارد مورد نیاز در ایالات متحده متفاوت است، یا اینکه روز دوشنبه شرایط متفاوتی نسبت به پنجشنبه دارد.» کیریاکوپولوس موافق است. «ما ابتدا به یک شرط و سپس یک ابزار هوش مصنوعی مربوطه نیاز داریم. و ما به یادگیری عمیق همه جانبه نیاز نداریم."
چقدر دقت لازم است؟
پیش بینی تقاضای او چگونه کار می کند؟ "ابتدا، ما باید یک نمای کلی از داده ها به دست آوریم. این کار برای بسیاری از خرده فروشان کار پر زحمتی است. این فقط در مورد کالاهای ذخیره شده نیست، بلکه در مورد مقدار کالا در فروشگاه، میزان فروخته شده و عوامل موثر مانند تبلیغات است. کیریاکوپولوس توضیح داد که چه تعداد فروش از دست رفته در فروشگاه وجود دارد و موارد دیگر. علاوه بر این، کارت های مشتری، فصل ها، محل فروشگاه یا پیشنهادات ویژه وجود دارد. و ما باید بدانیم که در مرکز توزیع، در اتاق پشتی فروشگاه، در کامیونهای جادهای چه چیزی وجود دارد، زیرا بهینهسازی به فروشگاه ختم نمیشود. همچنین مهم است که از محدودیتهای بین شرکتی یا فرابخشی خودداری کنیم. بخش عمده ای از داده های مورد نیاز بیشتر شناخته شده است، اما بخش های مختلف متاسفانه علایق متفاوتی را دنبال می کنند." پریشنک موافقت کرد: "حتی طراحی لجستیک کل نگر نباید تنها بر مرکز توزیع یا منافع کلیدی مناطق لجستیکی منفرد، یا بخش های تاثیرگذار بر فرآیند مانند خرید یا حمل و نقل تمرکز کند. مهم است که کل زنجیره تامین را در فرآیند بهینه سازی شامل شود - هر دو. به صورت داخلی و خارجی – و تا حد امکان از سیلوها، هم از نظر فیزیکی و هم از نظر فناوری اطلاعات اجتناب کنید.»
کیریاکوپولوس ادامه داد: "داده ها به مدل های بسیار ساده تبدیل می شوند." "خط پایه تجربیات مردم است. این هنوز هوش مصنوعی نیست. ما در مورد رگرسیون ها صحبت می کنیم. سپس از خود می پرسیم که آیا بهتر شده ایم یا نه. این با تجزیه و تحلیل سری های زمانی و روش های یادگیری ماشین اول دنبال می شود. ما همیشه باید دقت کنیم که چقدر دقت داریم. می تواند از طریق سطح بعدی در مقابل ارزش افزوده برای مشتری و کاربر به دست بیاورد."
و ویترون؟ "ما باید مطمئن شویم که مکانیک ها متناسب با مدل هستند. زیرا فیزیک باید به همان روش کار کند. آیا ما کیس ها یا قطعات را عرضه می کنیم؟ یا یک کالا با هر دو گزینه؟ هر چند وقت یکبار یک فروشگاه تحویل داده می شود؟ وقتی محدوده محصول تغییر می کند چه اتفاقی می افتد. ؟" پریشنک پاسخ داد.WITRONمراکز لجستیک برای فروشگاه و تجارت الکترونیک انعطاف پذیری ایجاد می کنند. با این حال، کلید اجرای موفقیتآمیز این است که فرآیند را در تمام کانالها به عقب بیندیشیم - از مصرفکننده تا مرکز توزیع و در صورت لزوم، حتی دورتر، تا تامینکننده. او چالشی را به ویژه در توضیح پذیری مدل می بیند. ما سیستمهای فشار و کشش را با مشتریان خود تجربه میکنیم. برخی بهتر از دیگران کار میکنند.»
آیا مدیران فروشگاه به یک مدل هوش مصنوعی اجازه خواهند داد تا سفارشات خود را در آینده مشخص کند؟ کیریاکوپولوس این بحث را از صنعت مد می داند. "اگر شخصی به مدت 20 سال از آنجا خرید می کند، توضیح فوری ارزش افزوده یا متقاعد کردن مصرف کننده که این مدل ممکن است بهتر باشد دشوار است. اما ما آن را شفاف می کنیم - می گوییم از چه عواملی استفاده می کنیم، چگونه آنها را وزن می کنیم. و جایی که فاکتور مربوطه اعمال می شود."
انسان کنترل دارد
کارشناسان اتریشی می توانند 18 ماه آینده را ببینند. آنها از واسط ها برای اتصال مدل به سیستم های موجود خرده فروش، سازنده فولاد یا خرده فروش کفش استفاده می کنند. کیریاکوپولوس خندید: «من نمیخواهم همه چیز را برای استفاده از یک مدل هوش مصنوعی خراب کنم». پریشنک تأیید کرد: "این راه درست است - ادغام در معماری های موجود".
اما این مدل چقدر قوی است؟ کلمه کلیدی: کووید 19. کارشناس اتریشی توضیح داد: "ما هم نتوانستیم آن را ببینیم." ما در آن زمان با مدل در لجستیک منجمد کار میکردیم. پیشبینی کوتاهمدت در ابتدا خوب نبود، اما پس از یک هفته، مدل دوباره کار کرد. پس از دو هفته، پایدار بود. اما پیشبینی به تنهایی است. کافی نیست. مشتری باید با آن کار کند - برای مثال کانال های بازاریابی را تقویت کند، تبلیغات را اجرا کند یا در صورت لزوم قیمت ها را تعدیل کند."
پریشنک گفت: «این بسیار مهم است. "این زمانی است که مردم کنترل را به دست می گیرند. هرگز احساسات یک مدیر تدارکات، تکنسین خدمات یا اپراتور فروشگاه را دست کم نگیرید. تجربیات افراد و یک مدل داده با عملکرد خوب، مبنایی برای تصمیم گیری هوشمندانه است - یعنی تصمیمات درست در طولانی مدت در مرکز توزیع، این امر در مورد اجرای استراتژی های تعمیر و نگهداری یا "عملکرد صحیح" سیستم نیز صدق می کند و مهمتر از همه، مدل ها، ابزارها و راه حل ها باید پایدار باشند و خود را در استفاده عملی ثابت کنند و افزوده های واقعی را ارائه دهند. ارزش ها در کسب و کار روزمره.
هوش مصنوعی اطلاعاتی را ارائه میکند، فرد مسئول تصمیم میگیرد و به کنترل فرآیند ادامه میدهد. ما بیش از 20 سال پیش فیزیک را در مرکز لجستیک متحول کردیم. با راهحل OPM، ما موفق شدیم که کالاها بهطور خودکار روی پالتها و ظروف رول بدون خطا و به شیوهای مناسب فروشگاهها چیده شوند. اکنون قدم بعدی را برمیداریم و انتخاب میکنیم. برای دادهها و مدلهای لجستیک انتها به انتها. و من مطمئن هستم که هنوز یک مدل هوش مصنوعی ویترون را برای انبار تجربه خواهم کرد."
