সরবরাহ চেইন ম্যানেজমেন্টকে পুরোপুরি পরিবর্তন করতে জেনারেটর এআই কী করতে পারে?

সরবরাহ চেইন ম্যানেজমেন্টকে পুরোপুরি পরিবর্তন করতে জেনারেটর এআই কী করতে পারে?

 

 

উদ্যোগগুলি তাদের সরবরাহ চেইনগুলি ডিজাইন এবং অনুকূলকরণের ক্ষেত্রে বিভিন্ন জটিল চ্যালেঞ্জের মুখোমুখি হয়, যার মধ্যে অভিযোজনযোগ্যতা উন্নত করা, ব্যয় হ্রাস করা এবং পরিকল্পনার মান বাড়ানো কেবল কয়েকটি দিক। বিগত কয়েক দশকে, তথ্য প্রযুক্তিতে অগ্রগতিগুলি আরও স্বয়ংক্রিয় এবং ডেটা-চালিত পদ্ধতিতে অন্তর্দৃষ্টি এবং অভিজ্ঞতার উপর নির্ভর করে ব্যবসায়ের সিদ্ধান্ত গ্রহণকে স্থানান্তরিত করেছে, যার ফলে দক্ষতা উন্নত করা, উল্লেখযোগ্যভাবে ব্যয় হ্রাস করা এবং গ্রাহক পরিষেবা বাড়ানো।

 

দুর্ভাগ্যক্রমে, ব্যবসায়ী নেতাদের এখনও সিস্টেমের প্রস্তাবিত পরামর্শগুলি, বিভিন্ন পরিস্থিতি বিশ্লেষণ করা এবং হাইপোথিসিস বিশ্লেষণ পরিচালনা করার পরামর্শগুলি বোঝার জন্য প্রচুর সময় এবং প্রচেষ্টা ব্যয় করতে হবে। ব্যবসায়ের পরিবেশের পরিবর্তনগুলি প্রতিফলিত করতে সাপ্লাই চেইন ম্যানেজমেন্ট সরঞ্জামগুলির গাণিতিক মডেলগুলি আপডেট করাও সময়সাপেক্ষ। এই সমস্যাগুলি সমাধান করার জন্য, পরিকল্পনাকারী এবং পরিচালকদের ফলাফলগুলি ব্যাখ্যা করতে বা সিস্টেমটি সংশোধন করতে ডেটা বিজ্ঞান দল বা প্রযুক্তি সরবরাহকারীদের নিয়োগ করতে হবে।

 

বৃহত্তর ভাষার মডেল (এলএলএম) একটি জেনারেটর এআই যা উপরোক্ত সমর্থন ছাড়াই এমনকি এই ক্রিয়াকলাপগুলির সমাপ্তি সক্ষম করে এবং সিদ্ধান্ত গ্রহণের সময়কে দিন বা সপ্তাহ থেকে মিনিট বা ঘন্টা থেকে হ্রাস করে, পরিকল্পনা এবং পরিচালনা কর্মীদের দক্ষতা এবং প্রভাবকে উল্লেখযোগ্যভাবে উন্নত করে। এই নিবন্ধে, আমরা কীভাবে ডেটা থেকে অন্তর্দৃষ্টি পেতে বড় ভাষার মডেলগুলি ব্যবহার করতে পারি, পরিচালকদের সরবরাহের শৃঙ্খলা পরিস্থিতি আরও ভালভাবে বুঝতে, অনুমানমূলক প্রশ্নের উত্তর দিতে এবং বর্তমান ব্যবসায়ের পরিবেশকে বিবেচনায় নিতে সরবরাহ চেইন পরিচালনার সরঞ্জামগুলি আপডেট করতে সক্ষম করে তা অনুসন্ধান করব। আমরা বড় ভাষার মডেলগুলি গ্রহণ করার সময় উদ্যোগগুলি যে চ্যালেঞ্জগুলি কাটিয়ে উঠতে হবে সেগুলি, পাশাপাশি ভবিষ্যতে তাদের প্রয়োগের সুযোগ বাড়ানোর সুযোগগুলিও জোর দিয়েছিলাম।

 

আমরা যে অভিজ্ঞতাটি ভাগ করতে চাই তা বেশিরভাগই সার্ভার এবং অন্যান্য হার্ডওয়্যার সরবরাহ পরিচালনা করতে মাইক্রোসফ্টের এলএলএম ভিত্তিক সিস্টেমের ব্যবহার থেকে আসে, যা তাদের ক্লাউড পরিষেবাগুলিকে সমর্থন করার জন্য বিশ্বব্যাপী 300 টিরও বেশি ডেটা সেন্টারে সরবরাহ করা হয়। মাইক্রোসফ্ট 2023 সালের মার্চ থেকে অক্টোবর পর্যন্ত এলএলএম ভিত্তিক সিস্টেমটি পরীক্ষা করে এবং সেই বছরের নভেম্বরে সিস্টেমটি পুরোপুরি মোতায়েন করেছিল। সেই থেকে, সিস্টেমটি দক্ষতা এবং উত্পাদনশীলতার উপর উল্লেখযোগ্য প্রভাব ফেলেছে, ঘটনার প্রতিক্রিয়া সময় এবং সিদ্ধান্ত গ্রহণের গতিতে প্রকাশিত হয়েছে, যখন এই সুবিধাগুলি সময়ের সাথে সাথে এবং সিস্টেমের আরও উন্নতির সাথে বাড়বে বলে আশা করা হচ্ছে। যাইহোক, আমরা যে বৈশিষ্ট্যগুলি নিয়ে আলোচনা করছি সেগুলি মাইক্রোসফ্ট পণ্যগুলির ব্যবহারের উপর নির্ভর করে না এবং বাজারে বর্তমানে উপলব্ধ বিভিন্ন উচ্চমানের এলএলএমগুলি এই বৈশিষ্ট্যগুলি বাস্তবায়নে ব্যবহার করা যেতে পারে।

 

এখন, এলএলএম যে সুবিধাগুলি আনতে পারে তা অন্বেষণ করুন।

 

ডেটা মাইনিং এবং অন্তর্দৃষ্টি

 

নির্দিষ্ট সংখ্যক কাঁচামাল সরবরাহকারী, উত্পাদন কারখানা এবং খুচরা বিক্রেতাদের সাথে একটি সাধারণ সরবরাহ চেইন কল্পনা করুন। এলএলএম ব্যবহার করে পরিকল্পনাকারীরা সরল ভাষায় জিজ্ঞাসা করতে পারেন, যেমন "সরবরাহকারী বর্তমানে কতগুলি টি-টাইপ কাঁচামাল রয়েছে?" বা "কারখানা এফ থেকে খুচরা বিক্রেতা আর -তে পণ্য পরিবহনের সস্তার উপায় কী?" এলএলএম এই প্রশ্নগুলিকে ডেটা সায়েন্স কোয়েরিতে রূপান্তর করতে পারে এবং তারপরে কোয়েরি ফলাফলগুলি কোম্পানির ডেটা রিপোজিটরিতে (যেমন এসকিউএল ডাটাবেস) ইনপুট করতে পারে এবং সম্পূর্ণ বাক্যে উত্তর সরবরাহ করে। গোপনীয়তার দৃষ্টিকোণ থেকে, এলএলএম ক্লাউড পরিষেবা হিসাবে ব্যবহার করা যেতে পারে, যার অর্থ মালিকানাধীন ডেটা তৃতীয় পক্ষের এলএলএমগুলিতে স্থানান্তর করার দরকার নেই।

 

কোনও সংস্থার সরবরাহ শৃঙ্খলার বর্তমান অবস্থা বোঝার জন্য একটি সরঞ্জাম হিসাবে পরিবেশন করার পাশাপাশি, এলএলএম সরবরাহ চেইন সিস্টেমের দ্বারা করা সিদ্ধান্তগুলি ব্যাখ্যা করতে এবং ট্রেন্ডগুলির তথ্য সম্পর্কিত অতিরিক্ত অন্তর্দৃষ্টি সরবরাহ করতেও ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, পরিকল্পনাকারীরা সাম্প্রতিক প্রবণতা সম্পর্কে প্রশ্ন জিজ্ঞাসা করতে পারেন, যেমন "গত সপ্তাহে কোন কারখানার সর্বোচ্চ উত্পাদন দক্ষতা ছিল?" বা "মোট পরিবহণ ব্যয়ের কত বা কত শতাংশ গত মাসে 50000 ডলার ছাড়িয়ে গেছে?" নিম্নলিখিত পাঠ্যে, আমরা ডেটা মাইনিং এবং অন্তর্দৃষ্টিগুলির জন্য এলএলএমের প্রাথমিক ব্যবহারের নির্দিষ্ট উদাহরণ সরবরাহ করব।

 

ক্রমাগত পরিবর্তন চাহিদা পরিবর্তন করুন। ক্লাউড কম্পিউটিং একটি বহু বিলিয়ন ডলারের ব্যবসা যা অ্যামাজন, মাইক্রোসফ্ট এবং গুগলের মতো পরিষেবা সরবরাহকারীদের ডেটা সেন্টার তৈরিতে প্রচুর পরিমাণে বিনিয়োগ করতে, হার্ডওয়্যার দিয়ে সজ্জিত করে এবং যে কোনও সময় ক্ষমতা সরবরাহের জন্য তাদের পরিচালনা করতে প্রয়োজন। হার্ডওয়্যার এবং অপারেশনাল ব্যয় হ্রাস করার সময় তাদের অবশ্যই এই পরিষেবাগুলির ক্রমবর্ধমান চাহিদা মেটাতে হবে। এই লক্ষ্যে, ক্লাউড পরিষেবা সরবরাহকারীরা নিয়মিত হার্ডওয়্যার পরিবহন এবং অবমূল্যায়নের মতো অনেক ব্যয় বিষয়গুলি বিবেচনা করে, পাশাপাশি হার্ডওয়্যার সামঞ্জস্যতা, ইনভেন্টরি এবং এক্সিকিউটেবল সার্ভার মোতায়েনের জন্য কর্মীদের মতো অপারেশনাল কারণগুলি বিবেচনা করে নিয়মিতভাবে হার্ডওয়্যার মোতায়েনের সিদ্ধান্ত গ্রহণ করবে।

 

মাইক্রোসফ্টে, সার্ভারগুলির চাহিদা অভ্যন্তরীণ ব্যবসায়িক ইউনিট থেকে আসে যা বিভিন্ন মেঘের পণ্য যেমন অ্যাজুর স্টোরেজ, অ্যাজুরে ভার্চুয়াল মেশিন এবং মাইক্রোসফ্ট 365 রয়েছে। প্রয়োজনীয় সার্ভারের ধরণ এবং পরিমাণ সহ, যে অঞ্চলটি সার্ভারগুলি স্থাপন করা হয়েছে এবং আদর্শ স্থাপনার তারিখ সহ অনুরোধগুলির মাধ্যমে প্রয়োজনীয়তাগুলি নির্দিষ্ট করা হয়েছে। সাপ্লাই চেইন টিম এই প্রয়োজনীয়তাগুলি ইনপুট করে এবং নিয়মিত একটি একক চাহিদা পরিকল্পনা বিকাশ করে। মাইক্রোসফ্ট ইঞ্জিনিয়াররা নিয়মিতভাবে একটি এক্সিকিউশন প্ল্যান উত্পন্ন করতে, সরবরাহের গুদাম থেকে প্রকৃত হার্ডওয়্যার বরাদ্দ করতে এবং সেগুলি কখন ডেটা সেন্টারে প্রেরণ করা হবে তা নির্দিষ্ট করার জন্য একটি কম্পিউটার অপ্টিমাইজেশন সরঞ্জাম চালায়। মাইক্রোসফ্টের পরিকল্পনাকারীরা এই পরিকল্পনাটি বিভিন্ন ব্যবসায় বিভাগের প্রয়োজনীয়তা পূরণ করে এবং এই পরিকল্পনা অনুসারে সার্ভারগুলি মোতায়েন করা হয়েছে তা নিশ্চিত করে এই পরিকল্পনা বাস্তবায়নের তদারকি করার জন্য দায়বদ্ধ। মোতায়েন করা সার্ভারগুলি সাধারণত অবসরপ্রাপ্ত এবং বাতিল না হওয়া পর্যন্ত বহু বছর ধরে ব্যবসায় বিভাগে কাজ করে।

 

পরিকল্পনাকারীদেরও মাসিক ভিত্তিতে চাহিদা পরিবর্তনগুলি পর্যবেক্ষণ করতে হবে (চাহিদা অফসেট হিসাবে পরিচিত) যাতে সংশোধিত পরিকল্পনাটি সমস্ত গ্রাহকের প্রয়োজনীয়তা পূরণ করে এবং বাজেটের গাইডেন্স মেনে চলে তা নিশ্চিত করতে। চাহিদা অফসেট মূল্যায়নের কাজটি tradition তিহ্যগতভাবে পরিকল্পনাকারীদের দ্বারা সম্পন্ন হয়েছে, যারা সাধারণত এই প্রক্রিয়াতে বিভিন্ন ব্যবসায়িক বিভাগের ডেটা বিজ্ঞানী এবং প্রকৌশলীদের জড়িত। একবার এই পরিবর্তনগুলি বোঝা গেলে, পরিকল্পনাকারীরা প্রতিটি অঞ্চলে পরিবর্তনগুলি ব্যাখ্যা করার জন্য একটি নির্বাহী সংক্ষিপ্তসার প্রস্তুত করবেন।

 

এখন, এলএলএম ভিত্তিক প্রযুক্তি এই সমস্ত কাজ সম্পাদন করতে পারে। এটি স্বয়ংক্রিয়ভাবে একটি বৈদ্যুতিন প্রতিবেদন ইমেল তৈরি করবে, কে প্রতিটি পরিবর্তন করেছে এবং এটি করার কারণগুলি বিশদভাবে বিশদভাবে তৈরি করবে। এটি পরিকল্পনাকারীদের পর্যালোচনা করার সম্ভাব্য ত্রুটিগুলিও নির্দেশ করবে। উদাহরণস্বরূপ, যদি নতুন পরিকল্পনায় চাহিদা (মোট সার্ভারের সংখ্যা) পুরানো পরিকল্পনার তুলনায় কম হয় তবে ইমেলটি চাহিদা হ্রাসের সঠিক কারণ নির্দেশ করতে পারে, যেমন আরও দক্ষ হার্ডওয়্যারগুলির একটি নতুন প্রজন্মের প্রবর্তন, যা সার্ভারের ব্যবহার হ্রাস করে। এই এলএলএম সরঞ্জামটি পরিকল্পনাকারীদের কয়েক মিনিটের মধ্যে স্বাধীনভাবে প্রয়োজনীয় প্রবাহ বিশ্লেষণ সম্পূর্ণ করতে দেয়, যেখানে অতীতে, এটি প্রায় এক সপ্তাহ সময় নেয়।

 

চুক্তি কার্যকর করুন। স্বয়ংচালিত শিল্পে, ফোর্ড, টয়োটা এবং জেনারেল মোটরসের মতো মূল সরঞ্জাম প্রস্তুতকারক (ওএমএস) হাজার হাজার সরবরাহকারী রয়েছে এবং প্রতিটি সরবরাহকারীর সাথে একাধিক চুক্তি স্বাক্ষর করেছেন। এই চুক্তিগুলি মূল সরঞ্জাম প্রস্তুতকারকের দ্বারা প্রদত্ত মূল্যগুলি, মানের প্রয়োজনীয়তা, বিতরণ সময় এবং সরবরাহকারীদের সরবরাহ নিশ্চিত করার জন্য যে নমনীয়তা ব্যবস্থা গ্রহণ করতে হবে তা বিশদভাবে নির্দিষ্ট করে। এলএলএমকে হাজার হাজার চুক্তির ডেটা খাওয়ানোর পরে, একটি মূল সরঞ্জাম প্রস্তুতকারক আবিষ্কার করেছেন যে যদি একটি নির্দিষ্ট পরিমাণের প্রান্তিকতা অতিক্রম করা হয় তবে তারা দাম হ্রাস উপভোগ করতে পারে, তবে চুক্তির পরিমাণ এবং জটিলতার কারণে ক্রয় দলকে এই সুযোগটি উপেক্ষা করে। চূড়ান্ত ফলাফলটি ছিল যে এই প্রস্তুতকারকটি ক্রয় ব্যয়ে কয়েক মিলিয়ন ডলার সাশ্রয় করেছিল।

 

অনুমানমূলক প্রশ্নের উত্তর দিন

 

পরিকল্পনাকারীরা এলএলএম বিস্তারিত প্রশ্ন জিজ্ঞাসা করতে পারেন, এখানে কয়েকটি উদাহরণ রয়েছে:

 

পণ্যটির মোট চাহিদা 15% বৃদ্ধি পেলে অতিরিক্ত পরিবহণের ব্যয় কী

 

যদি খুচরা বিক্রেতা আর কেবল ফ্যাক্টরি এফ থেকে পণ্য ব্যবহার করে তবে সংগ্রহের ব্যয় কতটা বাড়বে

 

যদি আমরা কারখানা এফ বন্ধ করি তবে আমরা কি সমস্ত দাবি পূরণ করতে পারি?

 

যদি এম-টাইপ কাঁচামালগুলির ইউনিট ব্যয় $ 1 দ্বারা হ্রাস করা হয় তবে পি পণ্য উত্পাদন করার মোট ব্যয় কত হ্রাস পাবে

 

এলএলএম কীভাবে সঠিকভাবে এবং দক্ষতার সাথে এই জাতীয় প্রশ্নের উত্তর দিতে পারে তা একবার দেখে নেওয়া যাক। অনেক অপ্টিমাইজেশন কাজগুলি গাণিতিক প্রোগ্রামগুলির আকারে লেখা হয় যা সরবরাহ চেইনের কাঠামো এবং সমস্ত ব্যবসায়ের প্রয়োজনীয়তা বিবেচনা করে এবং কার্যকর সরবরাহ চেইনের সুপারিশ তৈরি করে। এলএলএম গাণিতিক মডেলগুলি প্রতিস্থাপন করে না, বরং তাদের পরিপূরক করে। বিশেষত, এটি ম্যানুয়াল অনুসন্ধানগুলিকে গাণিতিক কোডে রূপান্তর করবে এবং পরিকল্পনা তৈরি করতে ব্যবহৃত মূল গাণিতিক মডেলটিতে সামান্য পরিবর্তন করবে। উদাহরণস্বরূপ, খুচরা বিক্রেতাদের একটি নির্দিষ্ট কারখানা থেকে পণ্য ব্যবহার করতে বাধ্য করার জন্য, একটি গাণিতিক প্রয়োজনীয়তা (অর্থাত্ একটি "সীমাবদ্ধতা") যুক্ত করা যেতে পারে যা অন্যান্য কারখানাগুলিকে এই খুচরা বিক্রেতাকে সরবরাহ করতে নিষেধ করে। তারপরে, গাণিতিক মডেলের এই সূক্ষ্ম পরিবর্তনটি একটি পরিবর্তিত পরিকল্পনা তৈরি করতে সাপ্লাই চেইন সরঞ্জামে ইনপুট হবে, যা কেবল বিদ্যমান পরিকল্পনার সাথে তুলনা করার জন্য ব্যবহৃত হয়। আগের মতোই, নতুন গাণিতিক মডেলের আউটপুট এলএলএম এর মাধ্যমে মানব ভাষার উত্তর তৈরি করবে (বর্তমান সরবরাহ চেইনের তথ্য পেতে এবং হাইপোথিটিক্যাল প্রশ্নগুলি ভঙ্গ করার জন্য এলএলএম ব্যবহারের এই পদ্ধতি সম্পর্কে জানতে, আপনি মাইক্রোসফ্টের ওপেন সোর্স কোড এবং গিটহাব/মাইক্রোসফ্ট/অপ্টিগুইডে সম্পর্কিত বেঞ্চমার্ক ডেটা খুঁজে পেতে পারেন)।

 

এখানে, আমরা মাইক্রোসফ্টের ক্লাউড সার্ভিস অপারেশনগুলিতে পরিকল্পনাকারীরা কীভাবে গুদাম থেকে ডেটা সেন্টারে সার্ভার মোতায়েন করার জন্য এক্সিকিউশন প্ল্যানগুলি বিকাশের জন্য এই ক্ষমতাটি ব্যবহার করে তা উল্লেখ করতে পারি। প্রতিটি অনুরোধের জন্য, মূল সিদ্ধান্তগুলির মধ্যে রয়েছে: (1) চাহিদা পূরণের জন্য সার্ভারের ধরণ এবং গুদাম, (2) শিপিংয়ের তারিখ, এবং (3) সার্ভার ডকিং পয়েন্ট (নির্দিষ্ট ডেটা সেন্টার এবং এর নির্দিষ্ট অবস্থান)। লক্ষ্যটি হ'ল একাধিক উপাদানগুলির মোট ব্যয়কে হ্রাস করা, যেমন পরিবহন ব্যয় এবং আদর্শ তারিখের বাইরে সার্ভার স্থাপনার বিলম্বের কারণে আনুমানিক সুযোগ ব্যয়।

 

অপ্টিমাইজেশন সরঞ্জামের আউটপুট ফলাফল গ্রহণ করার সময়, পরিকল্পনাকারীরা ফলাফলগুলি ব্যবসায়ের প্রয়োজনীয়তা পূরণ করে কিনা তা নিশ্চিত করতে পারে এবং এই ফলাফল অনুসারে পরিকল্পনাটি কার্যকর করা হয়েছে তা নিশ্চিত করতে পারে। তবে সম্ভাব্য অপ্টিমাইজেশনের সমস্যাগুলি খুব জটিল এবং সম্পূর্ণ অসম্ভব নয়, তবে প্রতিটি সিদ্ধান্তের পিছনে কারণগুলি অবিলম্বে বোঝাও কঠিন। অতএব, পরিকল্পনাকারীরা সাধারণত ইঞ্জিনিয়ার এবং ডেটা বিজ্ঞানীদের সাথে যোগাযোগ করেন যারা আরও তথ্য পাওয়ার জন্য অপ্টিমাইজেশন সরঞ্জামগুলি বিকাশ করেন। পরিকল্পনাকারী এবং ইঞ্জিনিয়ারদের প্রায়শই সমস্যা বা অনুমানমূলক পরিস্থিতিগুলি সম্পূর্ণরূপে অন্বেষণ করতে একাধিক রাউন্ড ইন্টারঅ্যাকশন প্রয়োজন, যার ফলে বেশ কয়েক দিনের বিলম্ব হতে পারে। এখন, এলএলএম ভিত্তিক সিস্টেমগুলি পরিকল্পনাকারীদের কয়েক মিনিটের মধ্যে নিম্নলিখিত প্রশ্নের উত্তর সরবরাহ করতে পারে: "অন্য তারিখের তুলনায় একটি নির্দিষ্ট তারিখের আগে আমরা যদি একটি নির্দিষ্ট অর্ডার শেষ করি তবে আমরা কত শতাংশ ব্যয় বৃদ্ধির জন্য ব্যয় করব?" এবং "আমরা যদি এক সপ্তাহের জন্য একটি গুদাম বন্ধ করে দিই তবে আমরা কত শতাংশ ব্যয় বৃদ্ধির জন্য ব্যয় করব

 

ইন্টারেক্টিভ পরিকল্পনা

 

পরিকল্পনাকারীরা বর্তমান ব্যবসায়ের পরিবেশ প্রতিফলিত করতে সরবরাহ চেইন কাঠামো এবং ব্যবসায়ের প্রয়োজনীয়তার গাণিতিক মডেলগুলি আপডেট করতে এলএলএম প্রযুক্তি ব্যবহার করতে পারেন। এছাড়াও, এলএলএম ব্যবসায়ের অবস্থার পরিবর্তনের ভিত্তিতে পরিকল্পনাকারীদের সর্বশেষ তথ্য সরবরাহ করতে পারে।

 

উদাহরণস্বরূপ, পরিকল্পনাকারীদের দ্বারা প্রাপ্ত রিয়েল-টাইম তথ্যগুলি দেখায় যে শীতকালীন ব্লিজার্ডের কারণে একটি নির্দিষ্ট প্রস্তুতকারক সাত দিনের জন্য বন্ধ হয়ে যাবে। এলএলএমের সহায়তা ব্যতীত, পরিকল্পনাকারীরা যারা বিক্রয় ও অপারেশনগুলি আপডেট করতে চান তাদের ডাউনটাইম মোকাবেলায় মোকাবেলা করতে চান তাদের পরিকল্পনার জন্য প্রয়োজনীয় সামঞ্জস্য করতে অবশ্যই এটি এবং ডেটা সায়েন্স দলগুলিকে জড়িত করতে হবে, যা সময়সাপেক্ষ প্রক্রিয়া হতে পারে। তবে, এলএলএমের সহায়তায় পরিকল্পনাকারীরা শাট ডাউন কারখানাগুলির ব্যবহার এড়িয়ে সিস্টেমকে সরাসরি একটি নতুন পরিকল্পনা তৈরি করার জন্য অনুরোধ করতে পারে। যদি নতুন পরিকল্পনাটি সমস্ত পূর্বাভাসিত দাবিগুলি পূরণ করতে না পারে তবে এলএলএম সহায়ক পরিকল্পনার সরঞ্জামটি কেবল আপডেট বিক্রয় এবং অপারেশনাল পরিকল্পনা এবং সংশ্লিষ্ট ব্যয় (যেমন সংগ্রহ এবং পরিবহন ব্যয় হিসাবে) তৈরি করবে না, তবে সরবরাহ করা যায় না এমন দাবি এবং লাভজনকতার উপর এর প্রভাবও চিহ্নিত করবে।

 

সরবরাহের পরিকল্পনার পরিবর্তনের চাহিদাও এলএলএম ভিত্তিক প্রযুক্তি দ্বারা চালিত হতে পারে। উদাহরণস্বরূপ, একটি নির্দিষ্ট সরবরাহকারীর শিপিং ডেটা বিশ্লেষণ করার পরে, এটি একটি সতর্কতা জারি করতে পারে যা ইঙ্গিত দেয় যে সরবরাহকারীর বিতরণ সময়টি গত কয়েকমাসে উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে। এছাড়াও, এলএলএম ভিত্তিক প্রযুক্তি পরবর্তী চালানের সম্ভাব্য সময়ের পূর্বাভাস দেবে এবং এটি পরিকল্পনাকারীদের কাছে প্রেরণ করবে। স্বীকৃতির কারণে যে প্রসবের জন্য দীর্ঘায়িত লিড টাইমস নির্দিষ্ট অঞ্চলে পরিষেবা স্তরের উপর নেতিবাচক প্রভাব ফেলবে যদি না সংশোধনমূলক ব্যবস্থা না নেওয়া হয়, পরিকল্পনাকারীদের নতুন তথ্য সহ পরিকল্পনার সরঞ্জামগুলি পুনরায় করার জন্য এলএলএম ভিত্তিক সিস্টেমের প্রয়োজন হতে পারে এবং নতুন পরিকল্পনা তৈরি করতে পারে। এই পরিকল্পনাটি প্রাকৃতিক ভাষায় এলএলএম দ্বারা পরিকল্পনাকারীদের কাছে পৌঁছে দেওয়া হয়েছে এবং সরবরাহকারীদের চালান ত্বরান্বিত করতে বা সংস্থার বিভিন্ন অঞ্চলে গুদাম থেকে তালিকা স্থানান্তর করার জন্য ক্ষতিগ্রস্থ অঞ্চলে স্থানান্তর করতে পারে।

 

এই নিবন্ধে আলোচিত পদ্ধতিতে এলএলএম ব্যবহারের পদ্ধতিটি এখনও তুলনামূলকভাবে নতুন। আমরা আশা করি যে এলএলএম ভিত্তিক প্রযুক্তি আগামী বছরগুলিতে শেষ থেকে শেষ সিদ্ধান্ত গ্রহণের পরিস্থিতিগুলিকে সমর্থন করবে। উদাহরণস্বরূপ, ব্যবহারকারীরা ভাষা বুঝতে সহজে সমাধান করতে চান এমন সিদ্ধান্তের সমস্যাটি বর্ণনা করতে পারেন। এটি একটি নির্দিষ্ট উত্পাদন সমস্যা হতে পারে (উত্পাদন সুবিধাগুলির একটি জটিল নেটওয়ার্ক দেওয়া, কখন এবং কোথায় একটি নির্দিষ্ট পণ্য উত্পাদন করতে হবে), বা একটি ইনভেন্টরি বরাদ্দ সমস্যা (একটি গুদামে সীমিত ইনভেন্টরি দেওয়া, কীভাবে এটি বিভিন্ন স্টোরগুলিতে চাহিদা সর্বাধিক করার জন্য বরাদ্দ করতে হবে)। আজকের প্রযুক্তি এই জাতীয় গাণিতিক মডেল এবং সুপারিশ তৈরি করতে পারে, তবে মডেলটি সঠিকভাবে ব্যবসায়ের পরিবেশকে সঠিকভাবে প্রদর্শন করে কিনা তা যাচাই করা একটি চ্যালেঞ্জ হিসাবে রয়ে গেছে।

 

বাধা অতিক্রম করা

 

যেহেতু উদ্যোগগুলি সরবরাহ চেইন ম্যানেজমেন্টে এলএলএম গ্রহণ করতে শুরু করে, কার্যকরভাবে মোতায়েন করার জন্য তাদের বিভিন্ন বাধা অতিক্রম করতে হবে।

 

ব্যবহার এবং প্রশিক্ষণ। সরবরাহ চেইনটি অনুকূল করতে এলএলএম ব্যবহার করার জন্য খুব সুনির্দিষ্ট ভাষা প্রয়োজন। উদাহরণস্বরূপ, যদি কোনও ব্যবহারকারী জিজ্ঞাসা করেন, 'আমরা কি কারখানার এফ এর আরও ভাল ব্যবহার করতে পারি?' 'আরও ভাল' শব্দটির একাধিক ব্যাখ্যা থাকতে পারে: ব্যয় হ্রাস করা, থ্রুপুট বৃদ্ধি করা, সময়ের সাথে সাথে থ্রুপুটকে অনুকূলকরণ করা ইত্যাদি each প্রতিটি ব্যাখ্যা বিভিন্ন সিদ্ধান্তের দিকে পরিচালিত করে। অতএব, সিস্টেমটি ব্যবহারকারী প্রশিক্ষণ কর্মীরা অত্যন্ত গুরুত্বপূর্ণ। পরিকল্পনাকারীদের আরও সুনির্দিষ্ট প্রশ্ন জিজ্ঞাসা করার জন্য প্রশিক্ষণ গ্রহণের প্রয়োজন হতে পারে, যখন পরিচালনা এবং প্রশাসনিক কর্মীদের এলএলএম ভিত্তিক প্রযুক্তির ক্ষমতা এবং সীমাবদ্ধতাগুলি বোঝার প্রয়োজন হতে পারে।

 

এই কারণে, মাইক্রোসফ্ট ধীরে ধীরে এই নতুন প্রযুক্তিটি মোতায়েন করছে, যখন অনুমানমূলক প্রশ্নের উত্তর দেওয়ার জন্য আগে প্রবর্তিত সরঞ্জামগুলি কেবল সাধারণ প্রশ্নের একটি সেটকে সমর্থন করে। সংস্থাটি ব্যবহারকারীর মিথস্ক্রিয়া, নির্ভুলতা এবং ব্যাকআপ প্রক্রিয়াগুলি পর্যবেক্ষণ করবে এবং ধীরে ধীরে এর কভারেজটি প্রসারিত করবে। পরিকল্পনাকারীরা প্রাসঙ্গিক প্রশিক্ষণ পেয়েছে এবং বর্তমানে সরঞ্জাম দ্বারা সমর্থিত সমস্যা সেটগুলির সাথে পরিচিত।

 

যাচাইকরণ। এলএলএম প্রযুক্তি মাঝে মাঝে ভ্রান্ত সামগ্রীকে আউটপুট করে, সুতরাং একটি সাধারণ চ্যালেঞ্জ হ'ল কীভাবে প্রযুক্তিটি "ট্র্যাক" চালানো যায়, অর্থাৎ ত্রুটিগুলি চিহ্নিত করতে এবং ট্র্যাকটিতে ফিরে আসা। সংস্থাগুলি এখন এলএলএমের আউটপুটটির যথার্থতা উন্নত করার জন্য এবং আগত অসমর্থিত প্রশ্নগুলি আগাম সনাক্ত করার জন্য প্রক্রিয়া যুক্ত করার জন্য সমৃদ্ধ ডোমেন নির্দিষ্ট উদাহরণ সরবরাহ করে এই চ্যালেঞ্জকে সম্বোধন করছে। উদাহরণস্বরূপ, যদি কেউ একটি অসমর্থিত প্রশ্ন উত্থাপন করে তবে এলএলএম ভিত্তিক সিস্টেমটি একটি ডিফল্ট উত্তর সরবরাহ করবে যেমন "দুর্ভাগ্যক্রমে, আমি আপনাকে এই সমস্যাটি সমাধান করতে সহায়তা করতে পারি না You আপনি নিম্নলিখিত প্রশ্নগুলি পরীক্ষা করতে পারেন।" অবশ্যই, আউটপুটটির জটিলতার সাথে নির্ভুলতা যাচাই করার অসুবিধা বৃদ্ধি পায়। উদাহরণস্বরূপ, যদি আমরা এলএলএমকে স্ক্র্যাচ থেকে একটি অনুকূলিত বাস্তবায়ন পরিকল্পনা তৈরি করতে একটি সম্পূর্ণ গাণিতিক প্রোগ্রাম তৈরি করতে বলি, তবে সিস্টেমটি কীভাবে তার সঠিকতা যাচাই করে? আমরা কীভাবে নিশ্চিত করতে পারি যে প্রোগ্রামটি একটি যুক্তিসঙ্গত সময়ের মধ্যে সর্বোত্তম পরিকল্পনা তৈরি করতে পারে? এই মুক্ত-সমাপ্ত বিষয়গুলির এখনও আরও গবেষণা প্রয়োজন।

 

নতুন কর্মশক্তি। এলএলএম প্রযুক্তির অত্যন্ত স্বয়ংক্রিয় বাস্তবায়নের সাথে সাথে পরিচালক এবং পরিকল্পনাকারীদের ভূমিকাও পরিবর্তিত হবে। পরিকল্পনাকারীরা আর মানব ত্রুটি প্রবণ এবং সময়সাপেক্ষ সিদ্ধান্ত গ্রহণের প্রক্রিয়াতে জড়িত থাকবে না, তবে সরবরাহ চেইন পরিকল্পনার কৌশলগুলিতে আরও অন্তর্দৃষ্টি সরবরাহ করতে এবং তাদের সুপারিশগুলি ব্যাখ্যা করতে এলএলএম প্রযুক্তি প্রয়োগ করতে সক্ষম হবে। এটি ব্যবহারকারীর আস্থা বাড়িয়ে তুলবে এবং তাদের সরঞ্জাম পরামর্শগুলি গ্রহণের উল্লেখযোগ্যভাবে বৃদ্ধি করবে। সংগ্রহ বিভাগে, কর্মীদের নতুন চুক্তি তৈরির সময়ও অনেক হ্রাস পাবে। এলএলএম নির্দিষ্ট পণ্য বিভাগগুলির জন্য চুক্তিগুলি ডিজাইন করতে সক্ষম হবে এবং পরিচালকদের উপযুক্ত সরবরাহকারীদের চয়ন করতে সহায়তা করার জন্য বিভিন্ন সরবরাহকারীদের অতীতের পারফরম্যান্সের তথ্য সরবরাহ করতে সক্ষম হবে।

 

অন্য কথায়, একটি এলএলএম সরঞ্জাম ভিত্তিক কর্মশক্তি ব্যবহার করে প্রতিদিনের পুনরাবৃত্তিমূলক কার্যগুলি থেকে কাজের ফোকাসকে মূল্য সংযোজনযুক্ত কার্যগুলিতে স্থানান্তরিত করতে পারে, যেমন বিভিন্ন সরবরাহ শৃঙ্খলা ক্রিয়াকলাপ সম্পর্কে কৌশলগতভাবে চিন্তাভাবনা করা বা কার্যকরী ক্ষেত্রগুলিতে এবং বাহ্যিক সরবরাহকারী এবং গ্রাহকদের সাথে অভ্যন্তরীণভাবে সহযোগিতা করা। উদাহরণস্বরূপ, চাহিদা পরিকল্পনাকারীরা চাহিদা পূর্বাভাসের উপর বাণিজ্যের প্রভাব বোঝার জন্য বিপণন, মূল্য নির্ধারণ এবং ছাড়ের জন্য দায়ী বাণিজ্য পরিকল্পনাকারীদের সাথে সহযোগিতা করতে পারে। আমাদের অভিজ্ঞতার ভিত্তিতে, এই সহযোগিতা বর্তমানে বেশিরভাগ সংস্থায় বিদ্যমান নেই। অবশ্যই, এখানে চ্যালেঞ্জটি হ'ল নেতৃত্বটি কার্যকরী বিভাগীয় বাধাগুলি ভেঙে দেয় এবং সহযোগিতার সুবিধার্থে ব্যবসায়িক প্রক্রিয়াগুলি সামঞ্জস্য করে তা নিশ্চিত করা।

 

উপরোক্ত চ্যালেঞ্জগুলি সত্ত্বেও, আমরা এখনও বিশ্বাস করি যে অদূর ভবিষ্যতে, এলএলএম ভিত্তিক প্রযুক্তি সরবরাহ চেইন পরিচালনকে রূপান্তর করবে, এর দক্ষতা, স্থিতিস্থাপকতা, উত্পাদনশীলতা এবং নির্ভুলতার উন্নতি করবে। এটি আজকের সাপ্লাই চেইন প্রযুক্তির পরিপূরক করবে, পরিকল্পনাকারীদের ডেটা বিজ্ঞানী বা প্রকৌশলীদের প্রয়োজন ছাড়াই সরবরাহ চেইন সরঞ্জামগুলির সাথে সরাসরি যোগাযোগ করতে সক্ষম করবে। উদ্যোগগুলি প্রচুর পরিমাণে সরবরাহ চেইন প্রক্রিয়া স্বয়ংক্রিয় করতে এবং এমনকি নতুনগুলি তৈরি করতে সক্ষম হবে যেমন বাণিজ্য এবং পূর্বাভাস প্রক্রিয়াগুলিকে সংহত করে। প্রকৃতপক্ষে, এই সংহতকরণ একটি ক্লোজড লুপ সাপ্লাই চেইন ম্যানেজমেন্ট সিস্টেম গঠন করবে, যেখানে বাণিজ্য, সরবরাহ চেইন এবং ফিনান্স ফাংশনাল বিভাগগুলি সরবরাহ পরিকল্পনা বিকাশের জন্য সহযোগিতা করবে যা সমস্ত ব্যবসায় এবং আর্থিক লক্ষ্য এবং প্রয়োজনীয়তা পূরণ করে। কয়েক বছরের মধ্যে, এলএলএম ভিত্তিক প্রযুক্তি সত্যই সরবরাহ চেইন ম্যানেজমেন্টকে বিপ্লব করবে।

 

ইশাই মেনাচে, জিভান পাঠুরি, ডেভিড সিমচিলেভি, টম লিন্টন|পাঠ্য

 

 

ইসায় মেনাশ মাইক্রোসফ্ট রিসার্চে মেশিন লার্নিং এবং অপ্টিমাইজেশন গ্রুপের একজন সহযোগী গবেষণা পরিচালক। জিওয়ান পাটুরি মাইক্রোসফ্টের ক্লাউড সাপ্লাই চেইন বিভাগের জন্য সফটওয়্যার ইঞ্জিনিয়ারিং সহযোগিতার মহাব্যবস্থাপক এবং পরিচালক। এমআইটি -র এমআইটি -র একজন উইলিয়াম বার্টন রজার্স অধ্যাপক, এমআইটি ডেটা সায়েন্স ল্যাবরেটরির প্রধান এবং অ্যাকসেন্টারের এক বিশিষ্ট ব্যক্তিত্ব। টম লিন্টন ম্যাককিন্সির সিনিয়র পরামর্শদাতা এবং এর আগে ফ্লেক্সের প্রধান প্রকিউরমেন্ট এবং সাপ্লাই চেইন অফিসার হিসাবে দায়িত্ব পালন করেছেন।