نهج التعلم العميق الهجين: مستقبل دقيق لإدارة الطلب وتحسين سلاسل الإمداد

في عالم الأعمال المتقلب، تعتبر كفاءة سلاسل الإمداد وقدرتها على التكيف أمرًا حيويًا، خاصةً في القطاعات الحساسة مثل المنسوجات ومعدات الحماية الشخصية (PPE). ولكن، غالبًا ما تكون أساليب التوقع التقليدية والمعززة فعالة بشكل محدود، حيث تعمل بشكل منفصل.

تقدم ورقة بحثية حديثة إطار عمل هجين للذكاء الاصطناعي يُسمى HAF-DS (Hybrid AI Framework for Demand-Supply Forecasting and Optimization)، حيث يتكامل نموذج توقع الطلب المستند إلى الذاكرة طويلة وقصيرة المدى (LSTM) مع طبقة تحسين برمجة خطية مختلطة (MILP).

يقوم نموذج LSTM بالتقاط الاعتمادية الزمنية والسياقية للطلب، بينما تحدد طبقة التحسين قرارات التجديد والتوزيع الأكثر تكلفة فعالية. يعمل هذا الإطار على تقليل كل من خطأ التوقع والتكاليف التشغيلية من خلال استخدام تمثيل المدخلات القائم على التضمين وهياكل الشبكات العصبية المتكررة.

أظهرت التجارب على بيانات مبيعات المنسوجات وسلاسل الإمداد تحقيق مكاسب أداء ملحوظة مقارنةً بالأساليب الإحصائية وتقنيات التعلم العميق. فقد تم تقليل متوسط الخطأ المطلق (MAE) من 15.04 إلى 12.83 (انخفاض بنسبة 14.7%)، ومعامل الخطأ الجذري التربيعي (RMSE) من 19.53 إلى 17.11 (انخفاض بنسبة 12.4%)، ونسبة خطأ النسبة المطلقة المئوية (MAPE) من 9.5% إلى 8.1%.

حتى الآن، حقق النظام خفضًا في تكاليف المخزون بنسبة 5.4%، وتقليص حالات النفاد بنسبة 27.5%، في حين ارتفعت مستويات الخدمة من 95.5% إلى 97.8%.

تؤكد هذه النتائج على أهمية دمج التوقعات التنبؤية مع تحسينات وصفية لزيادة الدقة والكفاءة، مما يوفر حلولاً قابلة للتكيف لمواجهة تحديات سلاسل الإمداد المعاصرة.