CC BY
23
Управление цепями поставок в структурных формах развития предприятий Supply chain management in structural forms of enterprise development
DOI 10.24411/2658-3569-2020-10114 Байсаева Малика Усамовна,
доцент кафедры финансов, кредита и антимонопольного регулирования, ФГБОУ ВО «Чеченский государственный университет»
Байсаев Зубайр Исмаилович, Чеченский государственный университет
Мимиева Элиза Сайдемиевна, аспирант, Чеченский государственный университет
Baysaeva Malika Usamovna, Associate Professor at the Department of Finance, Credit and Antitrust Regulation, FSBEI HE «Chechen State University»
Baysaev Zubayr Ismailovich, Chechen State University
Mimieva Eliza Saydemievna, PhD student, Chechen State University
Аннотация. Эффективное управление глобальными цепочками поставок также требует решения задачи предварительного обнаружения и смягчения потенциальных сбоев в системе раньше, чем они приведут к возникновению задержек и дефицита. Прогнозирование таких нарушений с использованием возможностей искусственного интеллекта обеспечивает раннее предупреждение менеджмента предприятий о потенциальных разрывах цепочек поставок на основе анализа информации новостных и погодных каналов, сети Интернет, фондовой биржи и тому подобное. Оптимизация. Системы планирования и поддержки избрания решений на основе AI (выходящие за рамки мониторинга) обеспечивают пользователям возможность определить стратегию достижения желаемого состояния системы путем оптимизации целевого набора выбранных показателей. Технологии оптимизации на основе ML и AI, охватывают планирование производственного процесса и рабочих мест в производственных помещениях, управление
доходностью, предупредительную логистику и управление цепочками поставок, разработку дизайна продукта, расположение объектов и др.
Summary. Effective management of global supply chains also requires early detection and mitigation of potential system disruptions before they lead to delays and shortages. Predicting such disruptions using the capabilities of artificial intelligence provides early warning to enterprise management about potential supply chain disruptions based on the analysis of information from news and weather channels, the Internet, the stock exchange, and the like. Optimization. AI-based decision planning and support systems (beyond monitoring) provide users with the ability to define a strategy to achieve a desired system state by optimizing a target set of selected metrics. Optimization technologies based on ML and AI, covering production planning and workplaces in production facilities, profitability management, predictive logistics and supply chain management, product design development, site layout, etc.
Ключевые слова: расположение объектов, планирование производства, цепочки поставок, анализ информации, эффективное управление.
Keywords: location of facilities, production planning, supply chains, information analysis, effective management.
Последовательность организации этапов производства продукции может существенно повлиять на качество и конечную стоимость продукта, продолжительность, трудоемкость и материалоемкость технологического процесса, срок эксплуатации и объемы образования отходов. Из-за этого возникает множество оптимизационных задач, в частности процессы настройки, выбор и последовательность технологических операций, выбор станков и инструментов, последовательность траекторий движения инструмента. Подобные задачи решаются с помощью методов машинного обучения, в том числе генетических алгоритмов и нейронных сетей [8].
Планировка рабочих мест в производственных помещениях также относится к специфическим задачам организации технологического процесса, что обеспечивает наилучшее распределение технических задач с разным временем и разной мощностью обработки. В традиционных системах управления задачи нахождения оптимального варианта организации рабочих мест решались с помощью методов комбинаторной оптимизации, но они также могут быть смоделированы при помощи искусственного интеллекта, который легче адаптируется к изменениям в окружающей среде [2].
В условиях быстрого усложнения производственных процессов (например, изготовление вычислительных устройств), когда для создания одной детали необходимо много сотен технологических параметров, традиционные методы оценки и оптимизации
выхода становятся непригодными. Машинное обучение помогает производителям в полной мере использовать имеющиеся данные для постоянного улучшения качества процесса и повышение производительности с целью управления рентабельностью, что определяет разницу между прибыльной и убыточной продукцией [1].
На основе технологий машинного обучения также появилась возможность свести традиционную многоэтапную процедуру логистики (прогнозирование спроса методами статистики-использование полученного прогноза в качестве входных данных для оптимизации поставок - составление плана заказов) к одноступенчатого процесса, который устанавливает взаимосвязь между всеми доступными входными данным, включая традиционные данные цепочки поставок (уровни запасов, заказы на продукцию и данные о конкурентах) и внешнюю информацию (погодные условия, сигналы социальных сетей и прочее) для обеспечения оптимальной производительности операционной.
По мере усложнения цифровых и физических продуктов AI способен облегчить и ускорить их проектирование и разработку. Так, в ходе генеративного проектирования (англ. Generative Design) проектировщики могут определять ограничения для продуктов производства. Кроме того, алгоритмы машинного обучения дают возможность создавать альтернативные варианты проектирования и альтернативные конструкции, которые оптимизируют необходимые качества товара (например, вес или производительность) [3]. Машинное обучение может использоваться и для обоснования гипотез разработчиков и гарантировать, что разработанные ими новые продукты действительно поддаются изготовлению.
Системы машинного обучения пригодны также для моделирования задач размещения широкого спектра физических объектов в окружающей среде. На микро — и наноуровне они могут быть применены, например, для размещения схем и компонентов внутри полупроводников, на макроуровне - для расположения объектов в офисных зданиях, размещения беспроводных датчиков на предприятиях, планирования индустриальной застройки.
Контроль. Системы контроля составляют основу любой современной промышленной деятельности и необходимые предприятиям и организациям, которые стремятся в полной мере воспользоваться преимуществами смартавтоматизации [7]. Примерами практического использования искусственного интеллекта и машинного обучения для обеспечения контроля в промышленности являются робототехника, автономные транспортные средства, смартэнергетические сети, автоматические системы климатконтроля и тому подобное.
Как указано выше, концепция смарт-промышленности в значительной мере опирается на роботизацию, автономные системы для транспортировки материалов и сборки изделий, компьютерное зрение на основе искусственного интеллекта для выявления неисправностей и дефектов, а также на интеллектуальные системы для координации и оптимизации промышленных операций. «Умные» машины широко применяются на складах и в заводских помещениях в процессах транспортировки материалов, сборки и упаковки продукции, технического обслуживания и управления другими машинами.
Традиционно работы запрограммированы на перемещение по точкам координат в двумерном или трехмерном пространстве и выполнение определенных действий в заданных пунктах. Коллаборативные работы (или ко-роботы, англ. Collaborative Robots, Corobots) упрощают Программирование, фиксируя эти точки путем физического позиционирования робота. При этом общей проблемой обоих подходов к позиционированию является неспособность к восприятию изменений в окружающей среде или в расположении предметов, которыми (независимо от способа фиксации координат) манипулирует робот. Искусственный интеллект в сочетании с технологиями компьютерного зрения помогает автономным роботам точнее распознавать случайно или неправильно расположены объекты и ориентироваться в окружающей среде без вмешательства оператора (человека или других роботов), а также безопаснее действовать среди людей [4].
Смартэнергетические сети расширяют традиционные системы распределения электроэнергии посредством передачи данных и подключения к таким устройствам, как смартсистемы хранения и подзарядки, а также инфраструктуры распределенной генерации. Искусственный интеллект позволяет «умной» сети прогнозировать спрос и сбои, а также оперативно реагировать на меняющиеся условия, повышая качество и согласованность поставок электроэнергии.
Контроль на основе AI для повышения эффективности работы системы вентилирования и климат-контроля эффективно использует, например, корпорация Google. Кроме высокой стоимости обслуживания и эксплуатации, традиционные системы вентиляции и климат-контроля часто работают с перебоями, создают высокий уровень шума и мало предсказуемыми в промышленных условиях. Эти проблемы усугубляются по мере износа оборудования и его замены плохо совместимыми элементами, которые часто не соответствуют спецификации первоначальной конструкции. Машинное обучение способно максимально повысить комфортность климатических условий, снизить энергозатраты, устранить системные неполадки и продлить срок службы климатического
оборудования. Система искусственного интеллекта, основанная на нейронных сетях, которая управляет 120 показателям, характеризующим состояние и качество работы вентиляторов, систем охлаждения и окон в центре обработки данных, обеспечила возможность сократить энергопотребление систем охлаждения на 40 % и на 15 % - общее энергопотребление центра.
Согласно, можно выделить пять основных классов технологий, которые могут быть использованы в различных сферах промышленного АИ: точечные решения, предварительно обученные модели и сервисы искусственного интеллекта, платформы для разработки моделей AI, библиотеки разработчиков и статистические пакеты [6].
Точечные решения касаются программного обеспечения, аппаратных средств и их комбинаций, которые добавляют «разумности» конкретным промышленным системам, инструментам или процессам. Примерами могут служить смартверстаты, оборудованные числовым программным управлением, которые используют искусственный интеллект для повышения своей эффективности, или ко-роботы, благодаря «интеллекту» которых пользователи могут осуществлять их обучение и настройку под индивидуальные потребности. Очевидно, что этот вид AI является довольно специфическим, и, как правило, ограниченным по объему выполняемых функций.
Однако, если такая ограниченная функциональность удовлетворяет потребностям пользователей и данного конкретного варианта использования, то эта технология позволяет быстро решать поставленные производственные задачи.
Понятно, что точечные решения не могут обеспечить создание мультизадачной платформы промышленного AI. Кроме того, индивидуальная настройка точечных решений для удовлетворения потребностей конкретного предприятия может быть сложной задачей, что уменьшает его преимущества, связанные с коротким временем выхода на рынок.
Создание готовых к внедрению на промышленных предприятиях систем искусственного интеллекта относится к задачам инженерного программного обеспечения. Крупные провайдеры облачных вычислений вкладывают значительные инвестиции в предоставление предварительно подготовленных моделей машинного обучения, работающих в их облаках. Подобные интерфейсы прикладного программирования (англ. Application Programming Interface, API) способны устранить большую часть сложностей использования вычислительных сред, а также внедрения моделей машинного обучения. Но при этом они ограничены по диапазону поддерживаемых моделей и возможностям обучения с использованием корпоративных данных.
Специализированные платформы разработки программного обеспечения помогают быстро создавать масштабируемые, готовы к использованию на производстве системы искусственного интеллекта, которые обеспечивают тесно интегрированную поддержку на протяжении всего жизненного цикла системы AI, включая учебные модели, их развертывание, интеграцию с приложениями и системами, дальнейший мониторинг производительности. Внедрение промышленного AI с использованием платформ разработки требует более профессиональных технических навыков, чем использование точечных решений или предварительно обученных облачных приложений, но может быть легче достижимым и функциональнее, чем стандартные наборы инструментов для разработчиков или предлагаемые статистические пакеты.
Быстро увеличивается количество инструментов и библиотек искусственного интеллекта, доступных для разработчиков в виде программного обеспечения с открытым кодом. Сочетание инструментов различается в первую очередь в зависимости от используемой платформы и поддерживаемых языков программирования, уровня абстракции и исходных предположений. Например, scikit-learn (Python) и TensorFlow (Google) являются низкоуровневыми библиотеками, в то время как библиотека Keras дает возможность создавать API высокого уровня (совместимы с TensorFlow) специально для задач глубокого обучения.
Разработан также ряд статистических инструментов и пакетов, предназначенных прежде всего для профильных специалистов. Подобные низкоуровневые инструменты имеют широкие возможности на этапе моделирования во время разработки приложений машинного обучения, но, как правило, не обеспечивают достаточной поддержки для развертывания моделей AI на производстве. В результате модели, созданные с использованием таких инструментов, обычно повторно дорабатываются перед практическим применением.
Кратко суммируя изложенное выше, целесообразно отметить, что искусственный интеллект представляет собой такую киберфизические технологию, которая способна выполнять когнитивные функции: восприятие (с помощью сенсоров и актуаторив, которыми оборудованы технические устройства) и правильной интерпретации полученных данных, анализа накопленной информации, самостоятельного обучения на основе полученного опыта, решение логических задач, генерации выводов и адаптации используемых подходов для достижения поставленных целей в условиях меняющейся внешней среды. AI объединяет довольно широкий комплекс методов и инструментов моделирования, компьютерных технологий и цифровых приложений: нейронное
моделирование, генетические алгоритмы, семантические сети, машинное обучение, облачные и туманные вычисления, автономную робототехнику, «цифровых двойников» и
др.
Возможности AI позволяют распознавать и классифицировать объекты реального мира, обращаться к цифровым источникам данных (информационным и социальным сетям), формировать обширные базы данных, обрабатывать их, давать экспертные оценки текущей ситуации, моделировать возможные сценарии будущего развития событий и прогнозировать наиболее вероятные результаты, а также совершенствовать алгоритмы своего взаимодействия с объектами цифровой и физической реальности исходя из накопленного опыта. Соответственно, основными сложностями при разработке технологий AI является формирование качественных баз данных (очищенных от ошибок и «белого шума»), а также адекватных механизмов генерации логических выводов, корректность которых зависит от точности алгоритмизации и программирования процесса мышления, а также от квалификации специалистов-разработчиков, определяющие архитектуру причинно-следственных связей и связанных с ними вычислительных алгоритмов [5].
Благодаря способностям ИИ к обработке значительных массивов данных, стратегическому и тактическому планированию, имитационному моделированию, прогнозированию и оптимизации сфера его возможного применения достаточно широка: логистика, обеспечение безопасности, здравоохранение, образование, индустрия развлечений и тому подобное. Принципиально важным направлением применения АИ является смарт-промышленность. Это обусловлено тем, что это направление является новой движущей силой долгосрочной экономического развития ведущих стран мира: США , ЕС , КНР . При этом, именно AI составляет основу цифровой трансформации (англ. Digital Transformation) и роботизации производственных процессов.
Скорость избрания решений на основе AI многократно превышает биологические возможности человека. А главным сдерживающим фактором является недостаточный уровень современных технологий AI и, как следствие, часто все еще недостаточная функциональность и способность гибкого приспособления к меняющимся ситуациям (особенно в сферах, связанных с взаимодействием с промышленными объектами). Также нужно учитывать повышенный уровень рисков: технологических - трудности обеспечения корректной и бесперебойной работы AI, соблюдение стандартов качества и техники безопасности, ведь цена ошибки может быть велика (от человеческих потерь до техногенных катастроф различного уровня); экономических - инвестиционные риски и угрозы возможных финансовых потерь за недостаточную эффективность внедрения
технологии AI по сравнению с ожиданиями, некорректные прогнозы, ошибки и программные сбои AI, необходимость устранения негативных последствий (замены неисправных машин и оборудования, восстановление утерянных данных, затраты на судебные иски и выплату компенсаций); юридических - методологические, этические и технические трудности определения субъектности и характера юридической ответственности (материальной, административной и уголовной) за деятельность AI и последствия принятых на его основе решений, ответственность в сферах обеспечения информационной безопасности, соблюдения коммерческой тайны, защиты персональных данных населения; социальных - риск безработицы и дополнительной нагрузки на бюджеты через финансирование программ социальной защиты населения, обусловленные базовыми изменениями в структуре занятости, масштабах и видах спроса на трудовые ресурсы, и, соответственно, спроса на услуги образовательных организаций, учреждений повышения квалификации и профессиональной переподготовки кадров, риски корректного вхождения машин, обладающих искусственным интеллектом, в систему нравственных ценностей общества.
Таким образом, с одной стороны, использование AI повышает производительность, оптимизирует использование ресурсов и сокращает затраты. С другой стороны, его разработка, внедрение и обеспечение корректной бесперебойной работы нуждаются в значительных инвестициях на этапах проектирования и апробации на реальных объектах, и связаны со значительными рисками комплексных социально-экономических потерь.
Список литературы
1. Азоев Г.Л., Алешникова В.И., Сумарокова Е.В. Оценка готовности российского образования в области экономики и управления к цифровой экономике // Вестник Воронежского государственного университета. Серия: Экономика и управление. 2018. № 4. С. 34-38.
2. Алябьева Е.М. Элементы методологии экономической безопасности организации в цифровой экономике // Вестник Поволжского государственного университета сервиса. Серия: Экономика. 2019. № 5 (59). С. 39-44.
3. Бабаев А.Б., Егорушкина Т.Н., Швецов С.А. «Цифровая экономика» = «экономика коммунизма»? // Вестник Алтайской академии экономики и права. 2019. № 4. С. 5-9.
4. Бакулина А.А., Сергунина В.В. Минимизация глобальных рисков при определении ставки дисконтирования в процессе перехода к цифровой экономике // Самоуправление. 2019. Т. 2. № 4 (117). С. 31-34.
5. Гнатышина Е.И. Налоговое администрирование цифровой экономики: риск-ориентированный подход // Вестник Поволжского государственного университета сервиса. Серия: Экономика. 2019. № 5 (59). С. 12-17.
6. Кислощаев П.А., Капитонова Н.В. Влияние цифровой экономики на обеспечение экономической безопасности реального сектора экономики // Вестник Забайкальского государственного университета. 2018. Т. 24. № 9. С. 82-89.
7. Краснобаева А.М. Современные проблемы формирования и сохранения налоговой базы по налогу на прибыль компаний в условиях цифровой экономики // Налоги и налогообложение. 2019. № 12. С. 1-9.
8. Мишуненкова О.В. Информационно-коммуникационные технологии обучения иностранному языку в профессиональной подготовке кадров для цифровой экономики // Бизнес. Образование. Право. 2020. № 1 (50). С. 397-401.
References
1. Azoev G.L., Aleshnikova V.I., Sumarokova E.V. Ocenka gotovnosti rossijskogo obrazovaniya v oblasti e'konomiki i upravleniya k cifrovoj e'konomike // Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: Ekonomika i upravlenie. 2018. № 4. S. 34-38.
2. Alyab'eva E.M. E'lementy' metodologii e'konomicheskoj bezopasnosti organizacii v cifrovoj e'konomike // Vestnik Povolzhskogo gosudarstvennogo universiteta servisa. Seriya: Ekonomika. 2019. № 5 (59). S. 39-44.
3. Babaev A.B., Egorushkina T.N., Shveczov S.A. «Cifrovaya e'konomika» = «e'konomika kommunizma»? // Vestnik Altajskoj akademii ekonomiki i prava. 2019. № 4. S. 5-9.
4. Bakulina A.A., Sergunina V.V. Minimizaciya globalnyx riskov pri opredelenii stavki diskontirovaniya v processe perexoda k cifrovoj e'konomike // Samoupravlenie. 2019. T. 2. № 4 (117). S. 31-34.
5. Gnatyshina E.I. Nalogovoe administrirovanie cifrovoj e'konomiki: risk-orientirovanny'j podxod // Vestnik Povolzhskogo gosudarstvennogo universiteta servisa. Seriya: Ekonomika. 2019. № 5 (59). S. 1217.
6. Kisloshhaev P.A., Kapitonova N.V. Vliyanie cifrovoj e'konomiki na obespechenie e'konomicheskoj bezopasnosti reaFnogo sektora e'konomiki // Vestnik ZabajkaFskogo gosudarstvennogo universiteta. 2018. T. 24. № 9. S. 82-89.
7. Krasnobaeva A.M. Sovremenny'e problemy' formirovaniya i soxraneniya nalogovoj bazy' po nalogu na pribyT kompanij v usloviyax cifrovoj e'konomiki // Nalogi i nalogooblozhenie. 2019. № 12. S. 1-9.
8. Mishunenkova O.V. Informacionno-kommunikacionny e texnologii obucheniya inostrannomu yazyku v professionaFnoj podgotovke kadrov dlya cifrovoj e'konomiki // Biznes. Obrazovanie. Pravo. 2020. № 1 (50). S. 397-401.
