Цифровые двойники спасают Новый год
Искусственный интеллект привлекли к решению мирового логистического кризиса
Новости о глобальных проблемах с цепочками поставок появляются не первый месяц — о том, что рождественские подарки могут не доехать до покупателей в срок, об очередях из десятков контейнеровозов в портах, о ритейлерах, пытающихся найти альтернативные способы перевозок. Как пишет MIT Technology Review, одним из способов справиться с этой проблемой может стать распространение так называемых цифровых двойников.
Фото: Vadim Ghirda / AP
Сама по себе эта технология применяется уже не первый год. Цифровой двойник — это своего рода виртуальная модель реального объекта, основанная на искусственном интеллекте и помогающая оптимизировать работу. Для того чтобы цифровой двойник должным образом отражал реальность, он должен получать огромный массив данных от своего реального прототипа — это делается с помощью различных датчиков, камер и других источников данных.
С помощью таких систем можно моделировать ситуации на производстве (или в логистике) и возможные нарушения в работе. А еще ИИ может подсказывать, как справиться с этими нарушениями.
Однако до сих пор обычно создавались цифровые двойники ограниченных объектов — от одного устройства до группы предприятий.
Теперь же речь идет о цифровых двойниках систем цепочек поставок в целом — моделировании крайне сложной системы с многочисленными поставщиками, сложными транспортными сетями и т. д.
По словам Ханса Тальбауэра, управляющего директора подразделения Google, занимающегося цепочками поставок и логистикой, основная проблема логистических компаний — неспособность прогнозировать события, которые могут затронуть цепочки поставок. «Любой в сфере цепочек поставок скажет вам, что у них нет широты обзора, необходимого для принятия решений»,— рассказывает господин Тальбауэр.
Именно эту широту и могут дать цифровые двойники. Если такой основанный на ИИ цифровой двойник получает достаточное количество данных от своего физического двойника, он может многократно проигрывать возможные сбои в его работе и методом проб и ошибок находить оптимальный вариант.
Данные, которые должен получить цифровой двойник для нормального прогнозирования, самые разные. Информация о самой компании, ее поставщиках, их запасах и запланированных датах поставок, сведения о поведении потребителей, основанные на финансовых прогнозах и исследованиях рынка. А еще информация о мире в целом, например о вероятности природных катастроф и геополитической ситуации в разных регионах.
Например, так можно проверить предположение, что на Тайване случится засуха и нехватка воды приведет к сокращению производства полупроводников. Цифровой двойник предскажет вероятность такого события, отследит его воздействие на разные части цепочки поставок и предложит варианты того, как по крайней мере смягчить удар. Даже с использованием ИИ такой анализ все равно остается очень сложной задачей.
Так, у автопроизводителя Ford более 50 заводов по всему миру, ежегодно они используют 35 млрд деталей для производства 6 млн автомобилей. Приходят эти детали от 1,4 тыс. поставщиков с 4,4 тыс. заводов, а в некоторых случаях в действие вступают цепочки поставщиков. Стресс-тест системы требует проверку всех ее элементов и изучение разных вариантов — что нужно делать при сбое на том или ином заводе или у того или иного поставщика.
Сейчас цифровыми двойниками цепочек поставок уже пользуется Amazon. Разработкой таких технологий занимаются Google, FedEx и DHL.
Есть и компании, специализирующиеся именно на цифровых двойниках для логистических систем, например Pathmind или Deliverr.
Цифровые двойники, разработанные Pathmind, работают с уже имеющимися у конкретной компании инструментами управлениями цепочками поставок и с получаемыми от них данными. Они используют эти данные для моделирования разных проблем в системе и вариантов решения проблем. По словам основателя Pathmind Криса Николсона, получившиеся в результате этого синтетические данные — то есть не полученные напрямую, а сгенерированные ИИ на основе этих прямых данных,— помогают прогнозировать самые разные варианты развития событий, например пандемию, и учиться минимизировать их ущерб для цепочек поставок.
«В этом и есть ответ на вопрос: почему ИИ умен? Он просто живет дольше, чем мы, во всех этих разных мирах, многих из которых никогда не существовало»,— рассказывает он.
Как отмечает глава лаборатории анализа данных Массачусетского технологического института Дэвид Симчи-Леви, одной из важных целей логистических компаний с началом пандемии и кризиса стало наращивание отказоустойчивости цепочки поставок, то есть возможности системы сохранять устойчивость и работоспособность при отказе некоторых ее элементов. Компании готовы инвестировать в это, но при этом хотят сохранить баланс, достаточно укрепив систему поставок, но не потратив слишком много денег,— и с этой точки зрения тоже могут помочь цифровые двойники.
«Мы видим, что все больше компаний проводят стресс-тесты своих цепочек поставок, используя цифровых двойников»,— говорит профессор Симчи-Леви.
При этом эксперты признают, что одни лишь технологии тут не помогут.
«Технологии не решат эти проблемы. Они не помогут кораблям перевозить больше контейнеров. Но цифровые двойники помогут нам обнаружить проблемы до того, как они произойдут»,— считает профессор Симчи-Леви.
Сложностью является и отставание некоторых элементов цепочек поставок с точки зрения перевода данных в цифровую форму. «Многие мировые порты ведут дела в бумажном виде, вам очень повезет, если они пользуются PDF или электронной почтой. И это крупные операторы, а не производитель свечей из Нью-Гемпшира. Без перевода в цифровую форму ИИ не сможет работать»,— говорит господин Николсон.