Понятный искусственный интеллект для устойчивых цепочек поставок: выбор резервных поставщиков только в случае необходимости

Сбои в цепочке поставок могут иметь быстрые и тяжелые последствия для производителей, приводя к задержкам производства, росту издержек и поиску альтернативных поставщиков.

Два исследователя из Университета Конструктора разработали систему, которая использует искусственный интеллект, основанный на логике, для поддержки более гибких и оперативных решений по выбору поставщиков.

Исследование, опубликованное в журнале Engineering Applications of Artificial Intelligence, демонстрирует, как искусственный интеллект может поддерживать масштабируемые и объяснимые решения поставщиков, учитывающие непрерывность работы, затраты, социальные и экологические требования.

Фреймворк был разработан профессором промышленной инженерии доктором Омидом Фатахи Валилаем и докторантом-исследователем Омкаром Вишвасом Патилом в рамках исследовательской группы Emerging Technologies in Industrial Engineering. В его основе лежит программирование набора ответов (ASP), форма декларативного искусственного интеллекта, которая действует как уровень принятия решений, преобразуя правила закупок, возможности поставщиков, условия перебоев в работе и требования к устойчивому развитию в четкие инструкции, которые система может прозрачно оценить.

Интегрируя ASP в системы роботизированной автоматизации процессов (RPA) и планирования ресурсов предприятия (ERP), Фатахи Валилай и Патил создали замкнутую систему, которая обеспечивает от принятия решений до их исполнения, позволяя принимать и подтверждать решения, автоматизировать повторяющиеся задачи и осуществлять закупочные операции.

"Наша цель состояла в том, чтобы выйти за рамки разработки модели искусственного интеллекта, которая просто рекомендует поставщика, и вместо этого продемонстрировать, как управляемый логикой искусственный интеллект может поддерживать весь процесс от принятия решения до его исполнения", - сказал Патил. "Благодаря созданию уровня принятия решений в ASP с четкими правилами обеспечения бесперебойной работы и устойчивости, мы можем принимать решения о выборе поставщиков, которые реагируют на изменяющиеся условия цепочки поставок, оставаясь при этом прозрачными и отслеживаемыми".

В результате получается система, которая может разумно определять, какие поставщики остаются доступными, могут ли они удовлетворить спрос и нужны ли резервные поставщики. Затем она может активировать резервных поставщиков условно, а не автоматически выбирать все возможные альтернативы. Это также может обеспечить соблюдение минимальных социальных и экологических пороговых значений, чтобы гарантировать, что выбор поставщика не будет основываться исключительно на самой низкой стоимости.

The framework is designed to make AI-supported decisions transparent and reviewable by human staff. Rather than simply recommending a new supplier, it can show the chain of reasoning behind the recommendation, such as the disruption that made a supplier unavailable, the determination that demand cannot be met through remaining suppliers and the decision to activate backup suppliers.

This audit trail allows human decision-makers like procurement managers, auditors and sustainability teams to understand, assess and, where necessary, challenge or adjust the system's recommendations—supporting human decision-making rather than replacing it.

The researchers evaluated the model using a reproducible synthetic data set containing networks of 100, 500 and 1,000 primary suppliers with corresponding backup suppliers. The experiments then simulated different scenarios, including partial supplier losses, full loss of a high-capacity supplier and multiple supplier outages across different demand levels.

Across 27 simulated scenarios involving supplier networks of up to 1,000 primary suppliers, the framework achieved a 100% fill rate while meeting the required social and environmental standards and activated backup suppliers only when needed. A proof-of-concept demonstration also showed how the resulting decisions could be checked, translated into simulated purchase orders and recorded in an audit log explaining the actions taken.

While the results are promising, Fatahi Valilai and Patil stressed that this work used synthetic data and a mock ERP environment. A full deployment with real supplier information, live disruption signals and commercial enterprise systems remains a goal for future research.

"Supply chains are increasingly expected to be resilient, sustainable, transparent and responsive at the same time," said Fatahi Valilai. "For me, the important question is therefore no longer only how AI can predict what may happen, but how intelligent systems can make operational decisions that remain explainable, auditable and aligned with sustainability policies."

The data set and supporting code are publicly available through Figshare and GitHub.