Остання редакція: 2024-12-08
Анотація
Розглянуто сучасні особливості логістичної складової та ключові сучасні тенденції в сфері логістики. Особлива увага приділена аналізу проблем, які успішно вирішуються за допомогою методів машинного навчання, таких як оптимізація логістичних маршрутів, точне прогнозування попиту, ефективне керування складськими запасами, прогнозоване технічне обслуговування, контроль якості продукції, оптимізація доставки «останньої мил», управління ризиками, а також екологічний розвиток компаній. У роботі проаналізовано найбільш поширені та ефективні підходи, що використовуються в машинному навчанні, зокрема штучні нейронні мережі та дерева рішень.
Описано переваги застосування штучних нейронних мереж у прогнозуванні попиту, висвітлено сутність методології дерев рішень, а також наведено переваги їх застосування, зокрема можливість прийняття обґрунтованих управлінських рішень, зменшення ризиків, підтримка стратегічного планування, простота та зрозумілість використання, а також непараметрична природа цього методу, що дозволяє уникати помилок, пов'язаних з неправильними припущеннями щодо розподілу даних.
Окремо проаналізовано практичне застосування штучних нейронних мереж та дерев рішень у бізнесі, що дозволило продемонструвати їх ефективність у вирішенні реальних завдань в умовах сучасної логістичної системи. Описано методологію ККD, яка охоплює різні ключові етапи, такі як збір, очищення та обробка даних, видобування корисної інформації та інтерпретація виявлених закономірностей. Важливу увагу приділено результатам, які демонструють значне покращення в точності прогнозування, а також суттєве зменшення відповідних похибок. Крім того, розглянуто модель регресії на основі дерева рішень, яка, завдяки своїй здатності ефективно працювати з нелінійними даними, дозволяє підвищити загальну продуктивність підприємства, оптимізуючи процеси прийняття рішень та покращуючи ефективність управління ресурсами.
Ключові слова
Посилання
[1] Машинне навчання: що це, його методи, типи, які завдання вирішує та приклади застосування ML на практиці |
De Novo. Провайдер хмарних сервісів та технологій IaaS, PaaS, ЦОД в Києві та Україні | De Novo. URL:
https://denovo.ua/resources/what-is-machine-learning (дата звернення: 23.07.2024).
[2] Grygor, Oleg, Eugene Fedorov, Olga Nechyporenko, and Mykola Grygorian. “Neural Network Forecasting Method for
Inventory Management in the Supply Chain.” Proceedings of CMIS-2022: The Fifth International Workshop on Computer
Modeling and Intelligent Systems, CEUR Workshop Proceedings, 2022.
[3] Machine Learning in Logistics & Supply Chain [6 Use Cases]. Bespoke Software Development Company – Acropolium.
URL: https://acropolium.com/blog/adopting-machine-learning-in-supply-chain-and-logistics-for-successful-automation/
(date of access: 07.08.2024).
[4] Терейковський, І.А., Д.А. Бушуєв, та Л.О. Терейковська. Штучні нейронні мережі: базові положення.
Навчальний посібник. Електронне мережне навчальне видання, Київ: КПІ ім. Ігоря Сікорського, 2022.
[5] Soori, Mohsen, Behrooz Arezoo, and Roza Dastres. "Artificial neural networks in supply chain management, a review."
*Journal of Economy and Technology*, vol. 1, 2023, pp. 179-196. DOI: 10.1016/j.ject.2023.11.002.
[6] Decision Tree Analysis in Risk Management | Miro. https://miro.com/. URL: https://miro.com/diagramming/decision-
tree-analysis-in-risk-management/ (date of access: 12.08.2024).
[7] Aquino, Bruno Kevin-Flores, Ángel Eduardo-Córdova Baquijano, and Christian Ovalle. “Algorithm based on deep
learning to improve the logistics management of a company that distributes reading material.” Proceedings of CECNet 2022,
edited by A. J. Tallón-Ballesteros, IOS Press, 2022, pp. 281-286. DOI: 10.3233/FAIA220544.
[8] Kasturi, K., and J. Jebathangam. “Supply Chain Management for Business Process Optimization using Decision Tree
Regression Model.” International Journal of Advanced Research in Science Communication and Technology, vol. 3, no. 5,
June 2023, pp. 548-554. DOI: 10.48175/IJARSCT-11683.