برترین متخصصین

از سراسر دنیا

مجموعه وبینارهای مدل‌های بزرگ زبانی (LLM)

Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش خبری
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
گزارش
مصاحبه
 هوش مصنوعی، انقلاب در مدیریت زنجیره تامین و لجستیک

هوش مصنوعی، انقلاب در مدیریت زنجیره تامین و لجستیک

زمان مطالعه: 3 دقیقه

«مینا ربطی»، دانشمند داده و متخصص یادگیری ماشین، در رویداد پاندورا در سخنرانی با عنوان «هوش مصنوعی و مدل‌های زبانی در تحول مدیریت زنجیره تامین و لجستیک» به بررسی چالش‌ها و راهکارهای این حوزه پرداخت. او با اشاره به پتانسیل‌های بزرگ هوش مصنوعی در بهینه‌سازی مسیرها، مدیریت تقاضا و تحلیل رفتار مشتری، تاکید کرد که داده‌ها در این مسیر حکم طلا را دارند. این پنل فرصتی بود برای بررسی عمیق‌تر نقش هوش مصنوعی در بهبود عملکرد زنجیره تامین.

داده‌ها، طلای زنجیره تامین

در سخنرانی «هوش مصنوعی و مدل‌های زبانی در تحول مدیریت زنجیره تامین و لجستیک» که با حضور سرکار خانم «مینا ربطی» برگزار شد، قابلیت‌های هوش مصنوعی در این حوزه مورد بررسی قرار گرفت. به گفته ربطی، «یکی از کاربردهای مهم هوش مصنوعی، بهینه‌سازی فرآیندها در زنجیره تامین است.» او توضیح داد که این فناوری می‌تواند در مدیریت لجستیک، بهینه‌سازی مسیرهای حمل و نقل و پیش‌بینی زمان و هزینه‌ها نقشی کلیدی ایفا کند. همچنین تحلیل رفتار مشتری و شناسایی روندهای بازار از دیگر دستاوردهای استفاده از این فناوری است.

ربطی تاکید کرد که «داده‌ها نقش حیاتی در موفقیت مدل‌های هوش مصنوعی دارند و کیفیت داده‌ها به شدت بر خروجی مدل‌ها تاثیر می‌گذارد.» او بیان کرد که پاکسازی، پیش‌پردازش و سازماندهی داده‌ها مرحله‌ای اساسی در پیاده‌سازی هوش مصنوعی است و بدون داده‌های باکیفیت نمی‌توان انتظار نتایج مطلوب داشت. او با جزئیات بیشتر افزود: «اگر داده‌ها پراکنده یا ناقص باشند، مدل هوش مصنوعی نمی‌تواند به درستی عمل کند. به همین دلیل، یکپارچه‌سازی داده‌ها از منابع مختلف بسیار حیاتی است.»

چالش‌های اصلی: از پراکندگی داده‌ها تا تغییرات بازار

یکی از چالش‌های کلیدی که در این پنل مطرح شد، پراکندگی داده‌ها در سازمان‌های مختلف و عدم هماهنگی میان آن‌ها بود. این موضوع می‌تواند به پیچیدگی و زمان‌بر بودن فرایند هماهنگ‌سازی منجر شود. ربطی همچنین به تغییرات ناگهانی در بازار، مانند تغییر سلیقه مشتری و تاثیر عوامل خارجی مثل نوسانات نرخ ارز و شرایط اقتصادی اشاره کرد. او توضیح داد: «ما با تغییرات غیرقابل پیش‌بینی مواجه هستیم و مدل‌های هوش مصنوعی باید به اندازه کافی انعطاف‌پذیر باشند تا بتوانند این تغییرات را مدیریت کنند. این امر مستلزم به‌روزرسانی مداوم مدل‌ها و توجه به داده‌های لحظه‌ای است.»

او همچنین به موضوع الگوریتم‌های پیشرفته اشاره کرد و گفت: «الگوریتم‌هایی که بتوانند ترندهای جدید را شناسایی کنند، به شرکت‌ها کمک می‌کنند تا از رقبا جلو بیفتند. به عنوان مثال، در بازارهای پویا، مدل‌هایی که می‌توانند تغییرات سلیقه مشتری را به سرعت تحلیل کنند، نقش کلیدی ایفا خواهند کرد.»

مینا ربطی در رویداد پاندورا - سخنرانی «هوش مصنوعی، انقلاب در مدیریت زنجیره تامین و لجستیک»

توصیه‌های کلیدی برای مدیران کسب‌وکار

ربطی توصیه کرد که «مدیران کسب‌وکار پیش از استفاده از هوش مصنوعی، باید با مفاهیم پایه این فناوری آشنا شوند.» او افزود: «فهم عملکرد یادگیری ماشین و شناخت محدودیت‌های آن می‌تواند به مدیران کمک کند تا انتظارات واقع‌بینانه‌تری داشته باشند و منابع لازم را به درستی تخصیص دهند.»

همچنین فراهم کردن زیرساخت‌های لازم برای ذخیره و تحلیل داده‌ها و همکاری با تیم‌های متخصص، از الزامات موفقیت در این حوزه است. ربطی تاکید کرد که «تیم‌های داده باید با سایر بخش‌های سازمان هماهنگ باشند تا خروجی مدل‌ها بتواند مستقیماً در تصمیم‌گیری‌های استراتژیک مورد استفاده قرار گیرد.»

آینده زنجیره تامین با هوش مصنوعی بلادرنگ

یکی از نمونه‌های موفقیت هوش مصنوعی که در این پنل مطرح شد، استفاده شرکت آمازون از ربات‌های هوشمند در مدیریت انبار و تحلیل رفتار مشتری بود. این سیستم‌ها توانسته‌اند تقاضا را به صورت بلادرنگ پیش‌بینی کنند و موجودی کالا را بهینه مدیریت کنند. ربطی بیان کرد که «نمونه‌های مشابهی در ایران نیز مشاهده شده است که در آن‌ها از الگوریتم‌های پیشرفته برای پیش‌بینی هزینه‌ها و بهینه‌سازی حمل و نقل استفاده می‌شود.»

او در مورد مدل‌های بلادرنگ توضیح داد: «این مدل‌ها توانایی تحلیل داده‌های لحظه‌ای را دارند و می‌توانند به سرعت به تغییرات بازار پاسخ دهند. برای مثال، در صورتی که یک رویداد پیش‌بینی نشده باعث افزایش ناگهانی تقاضا شود، مدل‌های بلادرنگ می‌توانند راهکارهای جایگزین ارائه دهند و از ایجاد اختلال در زنجیره تامین جلوگیری کنند.»

ربطی در پایان به اهمیت مدل‌های توضیح‌پذیر (explainable AI) اشاره کرد و گفت: «مدیران نه تنها نیاز دارند که نتایج مدل‌های هوش مصنوعی را ببینند، بلکه باید بفهمند که این نتایج چگونه به دست آمده‌اند. مدل‌های توضیح‌پذیر به آن‌ها کمک می‌کنند تا اعتماد بیشتری به تصمیمات اتخاذ شده داشته باشند و بتوانند این تصمیمات را به تیم‌های خود توضیح دهند.»

هوش مصنوعی، اگر به درستی پیاده‌سازی شود، می‌تواند انقلابی در مدیریت زنجیره تامین و لجستیک ایجاد کند. با این حال، موفقیت در این حوزه مستلزم داده‌های باکیفیت، زیرساخت مناسب و تیم‌های تخصصی است. همان‌طور که در این پنل توضیح داده شد، آینده این حوزه به سمت مدل‌های بلادرنگ و توضیح‌پذیر پیش می‌رود که می‌توانند پیچیدگی‌های زنجیره تامین را بهتر مدیریت کنند. به گفته ربطی: «در نهایت، هدف اصلی همه این تلاش‌ها، افزایش رضایت مشتری و ایجاد مزیت رقابتی پایدار برای سازمان‌ها است.»


سری رویداد‌های «پاندورا» با هدف ایجاد یک فضای تخصصی و حرفه‌ای برای شبکه‌سازی بین صنعت‌گران و فعالان در حوزه هوش مصنوعی برگزار می‌شود.
هدف اصلی مجموعه استیم (S team) از برگزاری این رویداد، تسهیل ارتباطات بین صنایع و بهره‌برداری از نوآوری‌های حوزه هوش مصنوعی است. استیم (S team)به دنبال ایجاد پلی میان دانشگاه، صنعت و استارتاپ‌ها هستیم تا به این ترتیب، تمامی ذی‌نفعان بتوانند سهم خود را در توسعه این فناوری‌های پیشرفته ایفا کنند.

سومین رویداد شبکه‌سازی صنایع با فعالان هوش‌مصنوعی - پاندورا ۳
سومین رویداد شبکه‌سازی صنایع با فعالان هوش‌مصنوعی – پاندورا ۳

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]