عضویت تلگرام عضویت اینستاگرام

آیا یادگیری ماشینی می‌تواند زمین را نجات دهد؟

طبق ارزیابی‌های سازمان ملل، هر سال، یک‌سوم از مواد غذایی تولید شده برای مصرف انسانی در سطح دنیا از بین می‌رود. این میزان معادل ۳/ ۱ میلیارد تن است. با اینکه خیلی از ما عامل به هدر رفتن این مواد غذایی در خانه هستیم، اما مقصر اصلی‌تر این موضوع در واقع طرف عرضه است. وزارت کشاورزی آمریکا در سال ۲۰۱۰ محاسبه کرده بود که حدود ۴۰-۳۰ درصد مواد غذایی تولید شده حتی قبل از اینکه وارد بشقاب مصرف‌کننده آمریکایی شود، به هدر می‌رود. این هدرروی‌ها محدود به مواد غذایی نیست. فیلم مستندی در سال ۲۰۱۵ در مورد هزینه‌های زیست‌محیطی مد و لباس منتشر شد که نشان می‌داد هر سال حدود ۱۱ میلیون تن منسوجات تنها در آمریکا دور ریخته می‌شود. طبق گزارش «برنامه محیط زیست سازمان ملل» در سال ۲۰۱۷ بیش از ۵۰ میلیون تن ضایعات الکترونیکی انباشته خواهد شد. بیشتر ما از هزینه‌های هنگفت زیست‌محیطی ضایعات تولید آگاهیم و با بازیافت مواد و خرید آگاهانه هر کاری بتوانیم در مورد آن می‌کنیم. آگاه‌سازی مصرف‌کنندگان فردی برای ایفای نقش مثبت در این زمینه یک بخش مهم از این چالش است. اما بخش مهم و مغفول مانده کاهش ضایعات، مدیریت هوشمند انبارداری است. به عبارت دیگر، جلوگیری از کاهش تولید بیش از حد نیاز در همان مرحله اول.

 

تعیین هدف

تئوری ریاضی‌گونه مدیریت انبارداری تا پیش از این به خوبی پیش رفته بود. افراد آکادمیک زیادی از دهه ۵۰ میلادی روی این موضوع کار کرده بودند. کارهای اولیه عمدتا بر ساختار مدیریت انبارداری بهینه متمرکز بود. یکی از این افراد هربرت اسکارف است که با دید ریاضی توانست نشان دهد روش بهینه مدیریت انبارداری با دو عدد مهم امکان‌پذیر است. اگر این دو عدد را S (اس بزرگ) و s (اس کوچک) در نظر بگیریم و فرض کنیم ذخیره کالایی به s یا پایین‌تر از آن کاهش یابد، آن کسب‌وکار باید به مقدار کافی سفارش دهد تا ذخیره انبار خود را به S برساند. به عبارت دیگر، اندازه s مشخص می‌کند سفارش در چه مرحله‌ای باید صورت گیرد و S هم مقدار آن سفارش را تعیین می‌کند. کارهای بعدی اسکارف و پژوهشگران دیگر به این نتیجه رسیده که ساختار سیاست انبارداری بهینه حتی در رویکردهای کلی‌تر به همین شکل s و S باقی می‌ماند.

 

داده‌های بزرگ، فرصت‌های بزرگ

اکنون بیش از نیم قرن پس از کار اسکارف و پژوهشگران دیگر، وارد عصر «داده‌های بزرگ»شده‌ایم. در مجموعه مقالاتی جدید، پژوهشگران به این موضوع پرداخته‌اند که شرکت‌ها چگونه می‌توانند با استفاده از داده‌های خام، سیاست‌های بهینه انبارداری را در اشکال مختلف پیاده کنند. به‌طور خاص، در این مقالات نشان داده شده که الگوریتم‌های انبارداری داده‌محور در مقایسه با معیارهای بهترین عملکرد، می‌توانند هزینه کل عملیات را تا بیش از ۲۴ درصد کاهش دهند. کاهش هزینه، نتیجه سازگاری بهتر عرضه و تقاضا است. به عبارت دیگر، وقتی تقاضا پایین است کالای غیرضروری تولید نمی‌شود و وقتی تقاضا بالا است، تولید به اندازه کافی می‌رسد.

وقتی ارتباط بین داده خام و تصمیم بهینه مشخص شد، می‌توان این تصمیم‌گیری‌ها را اتوماتیک‌سازی کرد. اگرچه یادگیری ماشینی و اتوماسیون با پوشش‌های خبری و تحلیلی منفی در برخی موارد همراه بوده‌اند، اما مدیریت انبارداری هوشمند حوزه‌ای است که اتوماسیون می‌تواند مورد استقبال باشد. دلیل آن این است که مدیریت انبارداری بهینه ذاتا یک مساله ریاضی پیچیده است که مغز انسان به تنهایی نمی‌تواند از پس آن برآید. هما‌ن‌طور که اجازه می‌دهیم الگوریتم‌ها کل اینترنت را جست‌وجو کنند، تصمیم‌گیری‌های پیچیده در این مورد نیز باید طبق الگوریتم‌های هوشمند طراحی شوند. به‌طور خلاصه، شرکت‌ها حالا می‌توانند داده‌های خام را به تصمیم‌گیری‌های بهینه در مورد انبارداری تبدیل کنند. این موضوع هم سوددهی دارد و هم برای محیط زیست مفید است. بنابراین، وقت همکاری‌های آکادمیک در مدیریت انبارداری هوشمند فرارسیده است.