用人工智能解决零售缺货问题

用人工智能解决零售缺货问题

挑战:

Element AI将尖端的人工智能研究和行业专业知识转化为软件解决方案,以指数方式学习和改进。该公司正在研究将模拟与人工智能结合起来的潜在方式,并确定了在AnyLogic的帮助下需要解决的三个挑战:

  1. 模拟能帮助生成有价值的数据集来预训练人工智能模型吗?
  2. 人工智能能否帮助改善模拟中代理的行为?
  3. 强化学习技术能否应用于真实的行业用例?

需要强调的是,深度学习通常需要非常大的数据集才能成功地进行模型训练。神经网络不是构建广泛的基于规则的系统,而是通过根据尽可能多的数据点做出决策,从大量数据中学习。神经网络是人工智能中使用的一系列模型。然而,数据可能会受到以下几个问题的影响:

出于所有这些原因,当AI团队想要与客户联系或构建核心功能时,它需要通过数据审核阶段或数据收集和标签阶段来弄清楚项目早期的数据要求。这一步可能需要很长时间并且非常昂贵。因此,这是元素AI的第一个挑战用仿真解决。

作为第二个挑战,Element AI着眼于AI如何帮助模拟做出更好的决策,并发现了一些有趣的应用:

最后,由于上述前两个挑战中列出的未开发价值,因此AI决定延迟延迟加强学习技术的行业测试,以便进行后期和案例研究。

解决方案:

元件AI AnyLogic仿真模型截图
元素AI存储仿真模型

为了解决所识别的挑战,Element AI选择了一个行业用例,这些情况会受益于上面突出显示的模拟想法。该公司专注于复制杂货店的运营;更具体地说,重点是对货架补充的产品需求预测和员工任务优先级。

第一个目标是生成5年的价值,具有显着的可变性,噪音和不规则事件的多重产品需求数据。关键是为时间序列预测(AI)算法创建足够的数据,以便在复杂程度中学习,该级别根据传统的基于规则的公式使用AI的使用。

这种方法的一个已知风险是,人工智能模型可能会过度拟合模拟数据,当插入新参数或与现实数据比较时,无法泛化。这通常是克服或最小化域随机化。

第二个目标是使用AI在模拟中指导员工任务优先级。更具体地说,帮助杂货店货架补货任务负责的虚拟员工(代理人)了解他们应该优先考虑的产品,以避免或最大限度地减少昂贵的储蓄活动。

为了调查这两个目标,杂货店仿真模型包括三种基本代理类型,每种基本代理类型,每种类型是随机接种参数,以确保所需的复杂程度。

1.客户被建模为行人代理,包括:

2.产品种类繁多:

3.与各员工:

最后,Element AI将其AI模型与模拟执行同步。

开发的解决方案包括四个简单的步骤:

这种方法的主要好处是,它对于AI和编码语言的复杂程度(在这种情况下Python)是不可知的,其成本是必须以规则的间隔简要暂停模拟。

结果:

通过模拟产生的5年数据,Element AI的科学家可以训练时间序列预测模型,以满足每分钟的产品需求。这是通过分割数据完成的,前四年用于训练人工智能,而第5年用于测试预测的准确性。

每小时产品需求预测的基线被设定为Lag-0这预示着前一小时会重演。然后根据该基线评估其他时间序列模型的准确性。

每小时产品需求预测的时间序列模型比较。

每小时产品需求预测的时间序列模型比较。基线Lag-0

本表中列出的结果表明,如果他/她使用过去的小时作为参考,则尝试预测的商店经理预测将在下个小时内将销售将是61%。如果他/她利用AI需求预测工具,同样的商店所有者将准确到达80%。

然而,这个结论也有一个警告。虽然在仿真模型中引入了多种可变性和复杂性的来源,但生成的数据仍然缺乏真实性。

例如,没有不规则的事件可能会迫使商店关闭一段时间,没有员工未能出现在工作,总是有足够的产品在商店补充货架上,简化了需求预测问题,最终通过避免引入新产品。

由于这些原因,将这种模拟生成的数据用于数据增强可能会很棘手,因为人工智能还没有学会处理额外的噪音,可能无法适应现实世界的数据。这就是领域随机化技术和模拟到真实学习或迁移学习的最新进展所带来的好处。

然而,即使它不能保证一旦暴露在真实数据下的结果,使用这种模拟方法训练的人工智能可以帮助研究人员排除不合适的预测模型,并评估一个用例是否会受益于额外的传感器或数据源。

正如第二个目标所确定的那样,仿真模型还允许Element AI根据每个定义的时间段(天、周、月、年)的一组指标来比较各种AI策略对任务优先级的影响:

样品结果为商店的日常利润

样品结果为商店的日常利润

队列策略意味着按照产品用完的顺序重新进货。然后将其他策略与该基线进行比较,以评估利润的最佳策略,但也可以用于优化其他kpi,如员工时间利用率。事实证明,在定义的参数下,任务的优先级的影响远远小于预测需求的能力,但不同的参数或数据集可能会导致不同的结论。

最后,利用仿真生成数据来提高人工智能的预测能力,并作为不同人工智能agent策略的测试平台。一旦部署在零售商店中,该解决方案可以帮助商店经理更好地了解每小时预期销售多少产品,以及员工应该把货架补充工作集中在哪里。

总的来说,这个项目让Element AI熟悉了离散事件和基于agent的模拟世界,以一种新的方式吸引客户,并为内部团队生成数据。最重要的是,模拟给出了使用元素的人工智能当处理更复杂的未来项目,包括强化学习、模拟到现实、转移学习和数字孪生时,可以利用这一构件。

发现更多关于结合模拟和人工智能

类似的案例研究

多案例研究

准备一份行业案例研究的小册子

下载
Baidu