ΟΛΟΣ Ο ΚΟΣΜΟΣ ΤΩΝ LOGISTICS

ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΕΦΟΔΙΑΣΤΙΚΗ ΑΛΥΣΙΔΑ

ΤΑ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ (ARTIFICIAL NEURAL NETWORKS, ANN) ΧΡΗΣΙΜΟΠΟΙΟΥΝΤΑΙ ΚΥΡΙΩΣ ΓΙΑ ΤΗΝ ΕΠΙΛΥΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΤΑ ΟΠΟΙΑ ΑΠΑΙΤΟΥΝ ΜΗ ΓΡΑΜΜΙΚΕΣ ΜΕΘΟΔΟΥΣ. ΜΑΛΙΣΤΑ, ΕΧΟΥΝ ΚΑΛΥΤΕΡΕΣ ΕΠΙΔΟΣΕΙΣ ΕΝΑΝΤΙ ΤΩΝ ΣΥΜΒΑΤΙΚΩΝ ΤΕΧΝΟΛΟΓΙΩΝ.

Ημερομηνία Δημοσίευσης: 17/07/2013

 

Άρθρο του Παντελή Γιαννέλου *

Τα τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks, ANN) εφαρμόζονται σε πεδία που περιλαμβάνουν ταυτοποίηση και έλεγχο συστημάτων, τη λήψη αποφάσεων, την αναγνώριση προτύπων, την ιατρική διάγνωση, διάφορες οικονομικές εφαρμογές, την εξόρυξη δεδομένων, την οπτικοποίηση και τον χρονοπρογραμματισμό εργασιών.

Τεχνητά Νευρωνικά Δίκτυα

Τα ΑΝΝ θεωρούνται ως ένα συμπληρωματικό εργαλείο άλλων τεχνικών, όπως είναι η συστημική δυναμική (System Dynamics, SD), η προσομοίωση, ο μαθηματικός προγραμματισμός, η γραμμική παλινδρόμηση (Linear Regression, LR) κ.ά. Πρόκειται για μαθηματικά ή υπολογιστικά μοντέλα που βασίζονται στα βιολογικά δίκτυα νευρώνων. Αποτελούνται από ένα σύνολο διασυνδεδεμένων τεχνητών νευρώνων και επεξεργάζονται τις πληροφορίες χρησιμοποιώντας μία σχετικιστική προσέγγιση για τους διάφορους υπολογισμούς.

Στην πραγματικότητα, ένα ΑΝΝ είναι ένα ευπροσάρμοστο σύστημα, το οποίο μεταβάλει την δομή του, βάσει των εσωτερικών ή εξωτερικών πληροφοριών που ρέουν μέσα στο δίκτυο κατά το στάδιο της εκμάθησης. Τα ΑΝΝ είναι μη γραμμικά στατιστικά εργαλεία μοντελοποίησης δεδομένων ή και εργαλεία λήψης αποφάσεων.

Η αξία των ΑΝΝ έγκειται στο ότι μπορούν να εξάγουν συναρτησιακές σχέσεις από παρατηρήσεις και να τις χρησιμοποιήσουν. Κάτι τέτοιο είναι ιδιαίτερα χρήσιμο σε εφαρμογές όπου η πολυπλοκότητα των δεδομένων ή του έργου, κάνει την εξαγωγή μίας τέτοιας συνάρτησης, να στερείται πρακτικότητας.

Τύποι και μέθοδοι εκμάθησης

Υπάρχουν πολλοί τύποι ΑΝΝ, καθένα από τα οποία έχει διαφορετικές ιδιαιτερότητες αναφορικά με τις εφαρμογές του. Οι ικανότητες των διαφόρων δικτύων σχετίζονται με τη δομή τους, τις μεθόδους δυναμικής και εκμάθησης.

Μερικοί τύποι ΑΝΝ είναι: νευρωνικά δίκτυα με προς τα εμπρός τροφοδότηση, ακτινικού τύπου δίκτυα, αυτό-οργανωμένοι χάρτες, αναδρομικά νευρωνικά δίκτυα, αυτοσυσχετιστικά δίκτυα Hopfield κ.ά. Επιπλέον όλες οι μέθοδοι εκμάθησης που χρησιμοποιούνται για προσαρμοζόμενα νευρωνικά δίκτυα μπορούν να ταξινομηθούν σε δύο βασικές κατηγορίες:

  • Εξωτερικής ελεγχόμενης εκμάθησης, η οποία περιλαμβάνει εξωτερική τροφοδοσία πληροφόρησης, ώστε η μονάδα εξόδου να γνωρίζει ποια θα πρέπει να είναι η επιθυμητή απόκριση στα εισερχόμενα σήματα.
  • Μη ελεγχόμενης εκμάθησης, όπου δεν χρησιμοποιείται εξωτερική πηγή πληροφόρησης και περιορίζεται σε μικρό αριθμό πληροφοριών.

Ένα τεχνητό νευρωνικό δίκτυο με διαδικασίες εισόδου και εξόδου δεδομένων.

Διοίκηση εφοδιαστικής αλυσίδας

Με βάση τα ιδιαίτερα χαρακτηριστικά τους, τα ΑΝΝ έχουν χρησιμοποιηθεί για την επίλυση προβλημάτων σε διάφορους τομείς. Τέτοια δίκτυα έχουν ανταγωνιστικό πλεονέκτημα σε θέματα πρόβλεψης.  Άλλες επιτυχημένες εφαρμογές των ΑΝΝ έχουν αναπτυχθεί σε θέματα ελέγχου λειτουργιών και έχουν οδηγήσει σε μεγάλη μείωση του κόστους υλικών. Οι εφαρμογές όπου τα ΑΝΝ χρησιμοποιούνται για την επίλυση προβλημάτων σε θέματα διοίκησης της εφοδιαστικής αλυσίδας (Supply Chain Management, SCM) είναι:

  1. Βελτιστοποίηση διαδικασιών: Ανάμεσα στις υπάρχουσες τεχνικές των ΑΝΝ, τα δίκτυα Hopfield και τα δίκτυα αυτό-οργανωμένου χάρτη βρίσκουν εφαρμογές σε θέματα βελτιστοποίησης. Μερικά από αυτά είναι: τα προβλήματα χρονοπρογραμματισμού τόσο σε παραγωγές ανά παρτίδα όσο και σε job shop παραγωγές, τα προβλήματα ανάθεσης, τα προβλήματα ομαδοποίησης αλλά και το πρόβλημα του περιοδεύοντος πωλητή (Travelling Salesman Problem, TSP), το οποίο αποτελεί μια χαρακτηριστική απεικόνιση της θεωρίας υπολογιστικής πολυπλοκότητας.

Ένας πωλητής ή ένα όχημα διανομής επισκέπτεται ένα σύνολο n-πελατών (μία επίσκεψη ανά πελάτη), διανύοντας τη μικρότερη δυνατή απόσταση και επιστρέφοντας στο σημείο εκκίνησης. Πρόκειται για ένα κλασικό πρόβλημα βελτιστοποίησης, στο οποίο δεν υπάρχει κάποια γνωστή τεχνική επίλυσης η οποία να είναι η βέλτιστη, πέρα από την απλή αναζήτηση όλων των πιθανών εναλλακτικών.

  1. Πρόβλεψη: Είναι απαραίτητη στην εφοδιαστική αλυσίδα, αφού η ανακρίβεια σε οποιοδήποτε επίπεδό της, μεταδίδεται στα επόμενα επίπεδα ενώ ταυτόχρονα ενισχύεται. Η πρόβλεψη της ζήτησης στην εφοδιαστική αλυσίδα είναι μία δύσκολη υπόθεση εξαιτίας των διαρκώς μεταβαλλόμενων απαιτήσεων των καταναλωτών, οι οποίες οδηγούν σε μεγάλη μεταβλητότητα της ζήτησης στην αγορά. Οι συνήθεις τεχνικές πρόβλεψης είναι η χρήση κινητού μέσου όρου, η πολλαπλή γραμμική παλινδρόμηση αλλά και τα ΑΝΝ.

Οι παραδοσιακές μέθοδοι πρόβλεψης της ζήτησης βασίζονται στην ανάλυση χρονοσειρών που αφορούν σε ιστορικά στοιχεία της παραγωγής και της αγοράς. Αυτές οι μέθοδοι έχουν το μειονέκτημα της διαχείρισης ελλιπών και αβέβαιων δεδομένων του παρελθόντος. Από την άλλη πλευρά, οι προηγμένες τεχνικές πρόβλεψης περιλαμβάνουν μη γραμμικά μοντέλα ώστε να επιτυγχάνονται καλύτερες προσεγγίσεις συγκριτικά με τις γραμμικές μεθόδους.

Αλλά και η σύνθετη συμπεριφορά της ζήτησης εκφράζεται πιο αντιπροσωπευτικά μέσω μη γραμμικών προσεγγίσεων. Τα ΑΝΝ μπορούν και αποτυπώνουν μη γραμμικές σχέσεις  μεταξύ της εμπορικής ζήτησης και τους παράγοντες που επηρεάζουν αυτή και να δημιουργούν αυτούς τους συσχετισμούς με χρήση ακόμα και ελλιπών και αβέβαιων δεδομένων.

Στηρίζονται στην ανάκληση παρόμοιων καταστάσεων που συνέβησαν στο παρελθόν και προβλέπουν ένα ή και δύο βήματα μπροστά αναφορικά με το τι είναι πιθανό να συμβεί μετά. Ακριβείς προβλέψεις είναι προφανώς σημαντικές για την εφοδιαστική αλυσίδα καθώς άστοχες εκτιμήσεις δεν επηρεάζουν μόνο μία εταιρεία αλλά την εφοδιαστική αλυσίδα στο σύνολό της.

  1. Προσομοίωση: Αφορά στην ανάλυση της δυναμικής συμπεριφοράς της εφοδιαστικής αλυσίδας μέσω της προσομοίωσης διακριτών συμβάντων. Η χρήση ΑΝΝ δίνει τη δυνατότητα στις εταιρείες να εντοπίσουν οποιεσδήποτε αλλαγές στο επιχειρηματικό περιβάλλον οι οποίες μπορούν να επηρεάσουν την αλυσίδα εφοδιασμού τους και ως εκ τούτου η στρατηγική των εταιρειών προσαρμόζεται ώστε να αντισταθμιστούν οι επιπτώσεις αυτών των αλλαγών. Εκτός από την επίλυση πολύπλοκων ζητημάτων όπως οι εμπορικές συναλλαγές με: πλήρη εκμετάλλευση του παραγωγικού δυναμικού, μείωση του νεκρού χρόνου λόγω πολυπλοκότητας των διεργασιών και μείωση του μεταφορικού κόστους, η τεχνητή νοημοσύνη μπορεί να δώσει λύσεις σε ακόμα πιο σύνθετα προβλήματα.

Για παράδειγμα, τα νευρωνικά δίκτυα συναρτήσεων ακτινικής βάσης (Radial Basis Function Neural Networks, RBFNN), έχουν χρησιμοποιηθεί στη μελέτη του προβλήματος στρέβλωσης της ζήτησης λόγω έλλειψης συντονισμού και διαμοιρασμού της πληροφορίας κατά μήκος της αλυσίδας εφοδιασμού.

  1. Υποστήριξη λήψης αποφάσεων: Σε αυτή την περιοχή εξετάζονται οι εφαρμογές των ΑΝΝ για τη διευκόλυνση των διεργασιών λήψης αποφάσεων εντός της εφοδιαστικής αλυσίδας. Η λήψη αποφάσεων στις εταιρείες λαμβάνει χώρα κάτω από συνθήκες πίεσης χρόνου και διαμέσου μεγάλης ροής πληροφοριών. Για την επίτευξη ανταγωνιστικού πλεονεκτήματος μέσω της καλύτερης αξιοποίησης αυτού του όγκου δεδομένων, απαιτούνται ισχυρά εργαλεία λήψης αποφάσεων.

Τα ΑΑΝ χρησιμοποιούνται για την ανάπτυξη πολιτικών ελέγχου ενός συστήματος αποθήκευσης και διανομής σε περιβάλλον μεταβλητής ζήτησης. Από την άλλη πλευρά, σε θέματα διαχείρισης προμηθευτών, η λήψη αποφάσεων που βασίζεται στον ανθρώπινο παράγοντα δεν είναι μία ιδανική προσέγγιση. Για την αξιολόγηση των προμηθευτών, χρησιμοποιούνται ευφυή συστήματα διαχείρισης προμηθευτών όπως συστήματα συλλογιστικής περιπτώσεων (Case-based Reasoning, CBR) και ο αλγόριθμος του πλησιέστερου γείτονα (Nearest Neighbor, NN). Τέλος τα νευρωνικά δίκτυα αυτο-οργανωμένης απεικόνισης (Self Organizing Maps, SOM) χρησιμοποιούνται για την επιλογή της βέλτιστης διαδρομής κατά την διανομή αγαθών.

Ένα τυπικό δίκτυο Hopfield όπου όλοι οι παράγοντες αλληλεπιδρούν.

Προηγμένες μορφές ΑΝΝ

Τα τελευταία χρόνια έχουν αναπτυχθεί πολλές βελτιωμένες μορφές ΑΝΝ οι οποίες στηρίχθηκαν σε άλλες τεχνικές τεχνητής νοημοσύνης, όπως οι γενετικοί αλγόριθμοι (Genetic Algorithms, GA), τα έμπειρα συστήματα (Expert Systems, ES) και η ασαφής λογική (Fuzzy Logic, FL). Παράλληλα, τα ΑΝΝ μπορούν να αποτελέσουν τεχνολογικά υβρίδια αν συνδυαστούν με άλλες τεχνικές, όπως για παράδειγμα η τεχνολογία ταυτοποίησης μέσω ραδιοσυχνοτήτων (Radio Frequency Identification, RFID).

--------------------------------------------

 *  Ο Παντελής Γιαννέλος

Ο Παντελής Γιαννέλος είναι χημικός μηχανικός ΕΜΠ με μεταπτυχιακές σπουδές στη Διοίκηση Επιχειρήσεων. Έχει εργαστεί στη Creta Farm ως υπεύθυνος Ποιοτικού Ελέγχου Παραγωγής και τη Χαρτοποιία Θράκης ως υπεύθυνος βιομηχανικής κοστολόγησης και πιστωτικού ελέγχου. Έχει πραγματοποιήσει δημοσιεύσεις σε διεθνή και ελληνικά περιοδικά σε θέματα τεχνολογίας τροφίμων και βιοτεχνολογίας. Είναι εκπαιδευτής του ΕΦΕΤ, έχει εργαστεί σε  ερευνητικά προγράμματα του Εργαστηρίου Καυσίμων και Λιπαντικών του ΕΜΠ και είναι μέλος της Μόνιμης Επιτροπής Βιομηχανικής Διοίκησης και Εφοδιαστικής Μηχανικής του Πανελληνίου Συλλόγου Χημικών Μηχανικών.

 

 

MANAGEMENT

ΕΩΣ 10/1/2020 ΟΙ ΥΠΟΨΗΦΙΟΤΗΤΕΣ ΓΙΑ ΤΑ ΒΡΑΒΕΙΑ ΑΡΙΣΤΕΙΑΣ «ΜΕΓΑΣ ΑΛΕΞΑΝΔΡΟΣ» ΤΟΥ ILME

Το Ινστιτούτο Logistics Management Ελλάδος (ILME) συνεχίζοντας να ενισχύει το θεσμό των Ελληνικών Βραβείων Αριστείας στα Logistics «Μέγας Αλέξανδρος», ανακοίνωσε στις 6/12 την έναρξη υποβολής των υπο...

ΟΙ ΤΑΣΕΙΣ ΚΑΙ ΟΙ ΑΝΑΓΚΕΣ ΤΗΣ ΑΓΟΡΑΣ ΤΡΟΦΙΜΩΝ ΚΑΙ ΠΟΤΩΝ ΣΤΟ ΕΠΙΚΕΝΤΡΟ ΕΣΠΕΡΙΔΑΣ ΤΗΣ ΕΕL

Με τίτλο “F&B Market: Logistics Needs & Trends” η Ελληνική Εταιρεία Logistics πραγματοποίησε στις 2 Δεκεμβρίου θεματική εσπερίδα, υπό την αιγίδα του Εμπορικού και Βιομηχανικού Επιμελητηρίου Πειραιά. Σ...

ΧΡΥΣΟ ΒΡΑΒΕΙΟ ΓΙΑ ΤΟ ΕΠΙΣΕΥ ΤΟΥ ΕΜΠ ΚΑΙ ΤΟ ΕΥΡΩΠΑΪΚΟ ΕΡΓΟ NEMO

Με το 1ο βραβείο της διοργάνωσης MOBI Grand Challenge Phase II Citopia τιμήθηκε στις 12 Νοεμβρίου 2019, στο Λος Άντζελες κατά τη διάρκεια του MOBI Colloquiums and Exhibitions (MoCo Los Angeles) η ελλη...

Κλείσιμο [X]