用人工智能(AI)解决零售缺货问题

用人工智能(AI)解决零售缺货问题

挑战:

Element AI将前沿AI研究和行业专业知识相结合,转换为可以快速地学习和改进的软件解决方案。该公司正在研究将仿真与AI相结合的潜在方法,并使用AnyLogic确定了三个需要解决的问题:

  1. 仿真是否可以帮助生成有价值的数据集以对AI模型进行预训练?
  2. AI可以帮助提升仿真中智能体的行为吗?
  3. 强化学习技术可以应用于实际行业案例吗?

对于不熟悉机器学习的人来说,需要强调的是深度学习通常需要非常大的数据集才能将模型训练成功。神经网络不是构建广泛的基于规则的系统,而是用于AI的一系列模型,通过制定与尽可能多的数据点相一致的决策,来从大量的数据中学习。然而,数据很可能被一些问题所影响:

出于这些原因,当AI团队想要与客户合作或建立核心能力时,它需要在项目早期通过数据审核阶段或数据收集和标记阶段,从而确定数据需求。 此步骤可能需要很长时间,而且成本很高。因此,这是Element AI需要通过仿真解决的第一个挑战。

作为第二个挑战,Element AI研究了AI如何帮助仿真做出更好的决策,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尚未开发的值,Element AI决定推迟对强化学习技术的行业测试,以便日后进行案例研究

解决方案:

Element AI Anylogic仿真模型截图
Element AI超市仿真模型

为了解决已确定的挑战,Element AI选择了一个行业用例,该案例受益于上述仿真思想的使用。该公司专注于复制杂货店的运营情况;更具体地说,重点在于产品需求预测和员工货架补货任务的优先级。

第一个目标是给出5年之内的每分钟的产品需求数据,这些数据具有明显的可变性、噪声和随机事件。关键是要为时间序列预测(AI)算法创建足够的数据,以便其在复杂性级别上进行学习,确保在传统的基于规则的公式上使用AI。

这种方法存在一个已知的风险,当插入新参数或将其与实际数据进行比较时,AI模型可能会过度拟合仿真数据且无法进行归纳概括。通常使用随机域来克服这个问题或减少其影响。

第二个目标是使用AI指导仿真中员工的任务优先级。更具体地说,帮助负责杂货店货架补货任务的虚拟员工(智能体)知道他们应该优先考虑哪种产品,以避免或最大程度地减少成本高昂的缺货事件。

为了研究这两个目标,杂货店仿真模型包括三种基本的智能体类型,每种类型都有一组随机植入的参数,以确保模型所需的复杂程度。

1. 以行人智能体代表的客户,具有以下变量:

2. 产品类别,具有以下变量:

3. 员工,具有以下变量:

最后,Element AI与AnyLogic团队紧密合作,找到了一种在AnyLogic之外运行AI模型但仍与仿真执行同步的方法。

解决方案包含四个简单步骤:

这种方法的主要优势是,它与AI和编码语言(在这种情况下为Python)的复杂度无关,而必须以固定的时间间隔短暂地暂停仿真。

结果:

通过仿真生成的5年的数据使Element AI的科学家们能够针对每分钟的产品需求来训练时间序列预测模型。这是通过拆分数据完成的,其中前四年用于训练AI,第五年用于检验预测的准确性。

每小时产品需求预测的基准设置为Lag-0,它预测前一个小时会重演。然后对照该基准评估其他时间序列模型的准确性。

时间序列模型比较,以进行每小时产品需求预测。 基线Lag-0

该表中列出的结果说明,如果商店经理使用过去的一小时作为参考,则试图预测下一个小时将要销售的商品的准确性为61%。如果他/她使用AI需求预测工具,则预测的准确率将高达80%。

但是,值得注意的是,尽管在仿真模型中引入了多种可变性和复杂性来源,但是生成的数据仍然缺乏真实性。

例如,没有会迫使商店关闭一段时间的事件,没有员工罢工的情况,商店中总是有足够的产品来填充货架,并且通过避免新产品的引入简化了需求预测问题。

由于这些原因,使用仿真生成的数据进行数据扩充可能会很棘手,因为AI尚未学会处理额外的噪声,并且可能无法适应实际数据。在这里,使用随机化技术和sim-to-real的最新进展或是迁移学习将是有益的。

但是,即使获得真实数据也无法保证结果,使用这种仿真方法训练的AI可以帮助研究人员排除不合适的预测模型,并评估用例是否将从其他传感器或数据源中受益。

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,比较各种AI策略对任务优先级的影响:

商店每日利润样本结果

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,以评估使利润最佳的策略,但也可以用于优化其他KPI(例如员工时间利用)。事实证明,在定义的参数下,任务优先级的影响远小于预测需求的能力,但是不同的参数或数据集可能会得出不同的结论。

最后,通过仿真生成数据以提高AI的预测能力,并作为不同AI策略的测试平台。一旦部署到零售商店中,此解决方案可以帮助商店经理更好地了解每小时产品的预期销售量及员工应该在哪些地方集中精力进行货架补充工作。

总体而言,该项目使Element AI能够熟悉离散事件和基于智能体的仿真领域,以新的方式吸引客户,并为内部团队生成数据。最重要的是,使用仿真为Element AI提供了一个构建基块,可用于处理涉及强化学习、sim-to-real,迁移学习和数字孪生的更复杂的未来项目。

同类案例研究

更多案例研究