徹底改變供應鏈管理，生成式AI能做些什麼？

企業在設計和最佳化供應鏈時面臨著各種複雜挑戰，提升應變能力、降低成本和提高規劃質量只是其中幾個方面。過去幾十年裡，資訊科技的進步使企業決策從依靠直覺和經驗，轉向了更加自動化和資料驅動的方法，從而提高了效率，大幅降低成本，並提升了客戶服務。

遺憾的是，企業負責人仍然需要花費大量時間和精力來理解系統提出的建議，分析各種情況並進行假設分析，要更新供應鏈管理工具的數學模型來反映商業環境的變化也很耗時。為了解決這些問題，規劃人員和管理人員不得不請資料科學團隊或技術提供商來解釋結果或修改系統。

大語言模型（LLM）是一種生成式AI，它的最新發展使得在沒有上述支援的情況下也能完成這些活動，並將決策時間從幾天或幾周縮短到幾分鐘或幾小時，大幅提高規劃和管理人員的工作效率和影響。本文中，我們將探討如何利用大語言模型從資料中獲得洞察，從而讓管理人員更好地瞭解供應鏈情況，回答假設性問題，並更新供應鏈管理工具，將當下的商業環境納入考量範圍。我們還強調了企業在採用大語言模型時必須克服的挑戰，以及未來擴大其應用範圍的機遇。

我們要分享的經驗大部分來自微軟使用基於LLM系統管理伺服器及其他硬體的供應情況，這些硬體供應面向全球 300 多個數據中心，旨在為其雲服務提供支援。微軟在2023年3月至10月試運行了基於LLM的系統，並於當年11月全面部署系統。從那時起，該系統就對效率和生產力產生了顯著影響，具體表現在事件響應時間和決策速度上，同時隨著時間推移和系統的進一步完善，這些收益預計還會增加。不過，我們討論的這些功能並不依賴對微軟產品的使用，目前市面上的各種高質量 LLM 都可以用來實現這些功能。

現在，讓我們來探討一下LLM可以帶來的好處。

資料發掘與洞察

想象一個典型的供應鏈，其中有一定數量的原材料供應商、生產工廠和零售商。利用LLM，規劃人員可以用通俗的語言提問，比如“供應商S目前有多少T型別的原材料？”或者 “從工廠F向零售商R運送商品的最便宜方案是什麼？” LLM可以將這些問題轉化為資料科學查詢，然後將查詢結果輸入公司的資料儲存庫（例如SQL資料庫），再用完整句子給出答案。從隱私角度看，LLM可以作為雲服務使用，這意味著無需將自有資料傳輸到第三方的LLM。

除了作為了解公司供應鏈現狀的工具外，LLM還可用於解釋供應鏈系統做出的決策，並提供額外見解，如有關趨勢的資訊。例如，規劃人員可以詢問有關近期趨勢的問題，“上週哪家工廠的生產效率最高？”或者“上個月總運輸成本超過五萬美元的情況有多少或佔多大比例？” 在下文中，我們將提供早期採用LLM進行資料發掘和洞察的具體案例。

跟蹤不斷變化的需求。雲計算是一項價值數十億美元的業務，要求亞馬遜、微軟和谷歌等服務商在建設資料中心、配備硬體和運營資料中心方面進行大量投資，以隨時提供容量。它們必須不斷滿足對這些服務的日益增長的需求，同時最大限度降低硬體和運營成本。為此，雲服務商會定期做出硬體部署決策，並考慮到硬體的運輸和折舊等許多成本因素，以及硬體相容性、庫存和可執行伺服器部署的人員等運營因素。

在微軟，對伺服器的需求來自擁有不同雲產品（如Azure儲存、Azure虛擬機器和 Microsoft 365）的內部業務部門。需求是透過請求指定的，其中包括所需伺服器的型別和數量、伺服器部署的地區，以及理想的部署日期。供應鏈團隊輸入這些需求，定期制定單一的需求計劃。微軟的工程師會定期執行一個計算機最佳化工具，生成一個執行計劃，從供應倉庫分配實際硬體，並指定何時將它們運往資料中心。微軟的規劃人員負責監督履行計劃，任務包括確認計劃的履行符合各業務部門的需求，以及伺服器已按照計劃完成部署。已部署的伺服器通常會在業務部門工作多年，直至退役停用。

規劃人員每月還要監控需求的變化（稱為需求偏移），以保證修訂後的計劃能滿足所有客戶的要求，並符合預算指導。評估需求偏移的任務傳統上由規劃人員完成，他們通常會讓來自不同業務部門的資料科學家和工程師參與這一過程。一旦瞭解這些變化，規劃人員就會準備一份執行摘要來解釋每個地區的變化。

現在，基於LLM的技術可以完成所有這些工作。它會自動生成一份電子報告郵件，詳細列出是誰做了每項變更，以及這樣做的原因。它還會指出潛在錯誤，供規劃人員複查。例如假設新計劃中的需求（伺服器總數）低於舊計劃，電子郵件就可以指出需求減少的確切原因，比如引入了新一代更高效的硬體，所以減少了伺服器的使用。這種LLM工具可以讓規劃人員在幾分鐘內獨自完成需求漂移分析，而在以前，這會需要大約一週的時間。

執行合同。在汽車行業，福特、豐田和通用汽車等原始裝置製造商（OEM）擁有數千家供應商，並與每家供應商都簽訂了多項合同。這些合同詳細規定了原始裝置製造商支付的價格、質量要求、交貨時間，以及供應商為保證供應而必須採取的彈性措施。在向LLM投餵了數千份合同資料後，一家原始裝置製造商發現，如果超過一定數量閾值，就可以享受降價，而合同的數量和複雜性使採購團隊忽略了這一機會。最後的結果是這家制造商節省了數百萬美元的採購費用。

回答假設問題

規劃者可以向LLM提出詳細問題，以下是幾個例子：

“如果產品總需求增加15%，額外的運輸成本是多少？”

“如果零售商R只使用F工廠的產品，採購成本會增加多少？”

“如果關閉F工廠，我們能否滿足所有需求？”

“如果M型原材料的單位成本降低1美元，那麼生產P產品的總成本會降低多少？”

下面我們來看看LLM會如何準確高效地回答這類問題。許多最佳化任務都是以數學程式的形式編寫的，這些程式會考慮供應鏈的結構和所有業務要求，並生成有效的供應鏈建議。LLM不會取代數學模型，而是對其進行補充。具體來說，它會將人工查詢轉化為數學程式碼，對用於生成計劃的原始數學模型稍作改動。例如，想強制零售商使用某個特定工廠的產品，可透過新增一項數學要求（即“約束條件”）來實現，該約束條件會禁止其他工廠向這家零售商供貨。然後，數學模型中的這一細微變化會被輸入供應鏈工具，生成一個修改後的計劃，該計劃僅用於與現有計劃進行比較。與之前一樣，新數學模型的輸出結果將透過LLM生成人類語言答案(想了解這種使用LLM獲取供應鏈當前資訊並提出假設問題的方法，可以在 github.com/microsoft/OptiGuide上找到微軟的開原始碼和相關基準測試資料）。

這裡可以參考微軟雲服務運營中的規劃人員是如何利用這一能力來制定執行計劃，以將伺服器從倉庫調配至資料中心的。對於每個請求，主要決策包括：(1) 伺服器型別和用於滿足需求的倉庫，(2) 裝運日期，(3) 伺服器的停靠點（特定資料中心及其中的特定位置）。目標是最大限度降低多個部分的總成本，比如運輸成本以及因伺服器部署延遲到理想日期之後而產生的預估機會成本。

收到最佳化工具的輸出結果時，規劃人員可以確認結果是否符合業務需求，並保證計劃按照這個結果執行。然而，潛在的有待最佳化問題非常複雜，不是完全不可能，但也很難立即理解每個決策背後的原因。因此，規劃人員通常會聯絡開發最佳化工具的工程師和資料科學家，來獲得更多資訊。規劃人員和工程師往往需要多輪互動，才能充分探討問題或假設情景，這可能會導致數天的延遲。現在，基於LLM的系統可以讓規劃人員在幾分鐘內獲得以下問題的答案：“如果我們在規定日期前完成某個特定訂單，與另一個日期相比，成本會增加百分之多少？”以及“如果停用某個倉庫一週，成本會增加多少？”

互動式規劃

規劃人員可以利用LLM技術更新供應鏈結構和業務需求的數學模型，以反映當前的業務環境。此外，LLM還能根據業務條件的變化，向規劃人員提供最新資訊。

比方說，規劃人員收到的即時資訊顯示，由於冬季暴風雪，某家生產商將停工七天。如果沒有LLM的幫助，規劃人員想更新銷售和運營計劃以應對停工，就必須讓IT和資料科學團隊參與進來，對計劃進行必要調整，而這一過程可能非常耗時。然而，在LLM的幫助下，規劃人員可以直接要求系統生成一個新計劃，避免使用停工的工廠。如果新計劃無法滿足所有預測需求，LLM輔助計劃工具不僅會生成更新的銷售和運營計劃及相應成本（如採購和運輸成本），還會識別無法供應的需求和對盈利能力的影響。

改變供應計劃的需求也可能是由基於LLM的技術驅動。例如，在分析了特定供應商的裝運資料後，它可能會發出警報，指出供應商的交貨時間在過去幾個月裡顯著增加。此外，基於LLM的技術將預測下一次裝運的可能時間，併發送給規劃人員。由於認識到除非採取糾正措施，否則交貨前置時間的拉長將對特定區域的服務水平產生不利影響，規劃人員可能會要求基於LLM的系統利用新資訊重新執行計劃工具，並生成新計劃。該計劃由LLM以自然語言傳達給規劃人員，可能會要求供應商加快發貨，或將庫存從公司不同地區的倉庫轉移到受影響地區。

以本文討論的方式使用LLM的方法還比較新。我們預計，在未來幾年內，基於LLM的技術將支援端到端決策場景。例如，使用者可以用通俗易懂的語言描述自己希望解決的決策問題。它可以是一個具體的生產問題（給定一個複雜的生產設施網路，在何時何地生產某種產品），也可以是庫存分配問題（給定倉庫中庫存有限，應如何將其分配到各個商店以最大限度滿足需求）。今天的技術已經可以生成這樣的數學模型和建議，但要驗證模型是否正確顯示了業務環境，目前仍然是一個挑戰。

克服障礙

隨著企業開始在供應鏈管理中採用LLM，它們需要克服各種障礙才能對其進行有效部署。

使用與培訓。使用LLM最佳化供應鏈需要非常精確的語言。例如，如果使用者問：“我們能否更好地利用F工廠？”“更好”一詞就可以有多種解釋：降低成本、提高吞吐量、在一段時間內最佳化吞吐量等，每種解釋都會導向不同決策。因此，對使用系統的人員進行培訓至關重要。規劃人員可能需要接受培訓以提出更精確的問題，而管理和行政人員則可能需要了解基於LLM的技術的能力和侷限性。

出於這些原因，微軟正在逐步部署這項新技術，而前面介紹的用於回答假設問題的工具僅支援一組常見問題。公司將會監測使用者互動情況、準確性以及備用機制，然後逐步擴大其覆蓋範圍。規劃人員已經接受了相關培訓，並瞭解了該工具目前支援的問題集。

驗證。LLM技術偶爾會輸出錯誤內容，因此一個普遍存在的挑戰是如何使技術“在軌道內”執行，也就是識別錯誤並重回正軌。各公司現在正在應對這一挑戰，為LLM提供豐富的特定領域示例，以提高其輸出的準確性，並增加機制以提前識別不支援的查詢。例如，如果有人提出一個不支援的問題，基於LLM的系統就會提供一個預設答案，如 “很遺憾，我無法幫您解決這個問題。可以查詢以下問題。”當然，驗證準確性的難度會隨著輸出的複雜程度增加。例如，假設我們讓LLM生成一個完整的數學程式來從頭開始建立一個最佳化的實現計劃，系統要如何驗證其正確性？我們又該如何保證程式能在合理時間內生成最優計劃？這些開放性問題還有待進一步研究。

新的勞動力。隨著LLM技術實現高度自動化，管理人員和規劃人員的角色也將發生改變。規劃人員將不再參與人工容易出錯又耗時的決策過程，而是能夠應用LLM技術，對供應鏈規劃技術提出更多見解，並解釋其建議。這將提高使用者信任，並顯著加大使用者對工具建議的採納。在採購部門，員工製作新合同的時間同樣也會大大減少，LLM將能為特定產品類別設計合同，並提供不同供應商以往的業績資訊，幫助管理人員選擇合適的供應商。

換句話說，使用基於LLM工具的員工隊伍能夠將工作重心從日常重複性任務轉移到增值任務，例如從戰略角度思考各種供應鏈活動，或者在內部跨職能領域以及與外部供應商和客戶開展協作。例如，需求規劃人員可以與負責營銷、定價和折扣的貿易規劃人員合作，瞭解貿易對需求預測的影響。根據我們的經驗，目前大多陣列織中都不存在這種協作。當然，這裡的挑戰在於保證領導層打破職能部門壁壘，並調整業務流程，以促成協作。

儘管存在以上挑戰，我們仍然相信，在不久的將來，基於LLM的技術將改變供應鏈管理，提高其效率、彈性、生產力和準確性。它將與今天的供應鏈技術相輔相成，使規劃人員能夠無需資料科學家或工程師，而直接與供應鏈工具互動。企業將能實現大量供應鏈流程的自動化，甚至建立新流程，比如透過整合貿易和預測流程來實現這一點。事實上，這種整合將形成一個供應鏈管理系統閉環，其中貿易、供應鏈和財務職能部門將協作制定一個符合所有業務和財務目標與要求的供應計劃。幾年之內，基於LLM的技術將真正徹底改變供應鏈管理。

伊沙伊·梅納什（Ishai Menache）吉萬·帕圖裡（Jeevan Pathuri）大衛·辛奇-利維（David SimchiLevi）湯姆·林頓（Tom Linton）| 文

伊沙伊·梅納什是微軟研究院機器學習和最佳化小組的合作研究經理。吉萬·帕圖裡是微軟雲供應鏈部門的總經理兼軟體工程合作總監。大衛·辛奇-利維是麻省理工學院威廉·巴頓·羅傑斯（William Barton Rogers）教授、麻省理工學院資料科學實驗室負責人和埃森哲傑出人物。湯姆·林頓是麥肯錫的資深顧問，曾任Flex（偉創力）的首席採購和供應鏈官。

吳卿雅 | 譯孫燕 | 編校