GNN לאופטימיזציה של שרשרת אספקה – פיתוח והטמעה

אנו מפתחים ופורסים רשתות עצביות גרף (GNN) לאופטימיזציה של שרשרת אספקה – מחיזוי ביקוש ועד ניהול מלאי דינמי. כאשר מתרחש שיבוש בגרף של ספקים, מפעלים ומחסנים, הוא מתפשט במפל. שיטות קלאסיות של חקר ביצועים (LP, MIP) מאבדות דפוסים מבניים ומכלילות בצורה גרועה לטופולוגיות חדשות. GNN מחלץ דפוסים אלה אוטומטית ומסתגל לשינויים ברשת. צרו קשר כדי להעריך את המקרה שלכם.

מה נותר לא פתור בשיטות קלאסיות

התפשטות שיבושים. כאשר ספק מדרגה שנייה נכשל, מודלים ליניאריים מפספסים את אפקט המפל דרך מדרגה ראשונה ועד לצומת הסופי. GNN רואה זאת: מידע על שיבוש מתפשט דרך הגרף בשלבי העברת מסרים בעומק O(depth).

חיזוי ביקוש ברשתות הטרוגניות. SKUs באזור אחד מתואמים עם SKUs באזור אחר דרך גורמים עונתיים ואירועים משותפים. ARIMA חד-משתני סטנדרטי או אפילו LightGBM ברמת SKU לא לוכדים תלות זו בין צמתים.

ניתוב דינמי. המסלול האופטימלי תלוי במצב הנוכחי של כל הרשת – עומסי מחסנים, זמינות תחבורה, עיכובים. ניתוב היוריסטי אינו מסתגל בזמן אמת.

כיצד GNN מדגם התפשטות שיבושים

הארכיטקטורה מבוססת על גרף הטרוגני: סוגי צמתים Supplier, Plant, DC (מרכז הפצה), Store/Customer; קשתות transports, supplies, distributes. אנו משתמשים ב-Heterogeneous Graph Transformer (HGT) מ-PyTorch Geometric – הוא מבחין בין סוגי צמתים וקשתות דרך ראשי קשב ספציפיים לסוג. לכל צומת יש וקטור מאפיינים: רמות מלאי היסטוריות, קיבולת, זמן אספקה, עלות, קואורדינטות גאוגרפיות. קשתות נושאות אמינות היסטורית, זמן הובלה, עלות ליחידה.

מדוע STGNN עולה על שיטות חיזוי קלאסיות

ניסוח: חיזוי ביקוש בכל צומת על פני אופק של T צעדים, תוך התחשבות בתלות מרחבית (גרף אספקה) ובדינמיקה זמנית. ארכיטקטורה: STGNN = GCN לתלות מרחבית + רשת קונבולוציה זמנית (TCN) או Transformer לזמן. לחלופין, Graph WaveNet (משלבת מטריצת שכנות אדפטיבית עם TCN מורחב). על מערך נתונים קמעונאי אמיתי (1,200 SKUs, 85 חנויות), Graph WaveNet השיגה MAPE = 8.3% לעומת 12.1% עבור LightGBM עצמאי ברמת SKU. השיפור היה בולט במיוחד בתקופות מבצעים עם אפקטי גלישה בין חנויות. החיסכון בפרויקטי פיילוט הגיע ל-25% בעלויות תפעול.

ניהול מלאי דינמי עם RL+GNN

אופטימיזציית מלאי ברשתות מרובות-דרגות היא מקרה קלאסי שבו RL עולה על גישות OR בסביבות לא-נייחות. אנו מנסחים זאת כ-MDP: מצב = רמות מלאי נוכחיות בכל הצמתים בתוספת אותות ביקוש; פעולה = כמויות הזמנה לאורך כל הקשתות; תגמול = -(עלות חוסר מלאי + עלות החזקה + עלות הובלה). רשת מדיניות מבוססת GNN: גרף מצב → מקודד GNN → ראש פעולה ברמת צומת/קשת. אימון באמצעות PPO בסימולטור שרשרת אספקה (סביבה מותאמת אישית המבוססת על OR-Gym או AnyLogic).

אתגר: עיצוב תגמול הוא קריטי. ללא איזון נכון בין קנסות חוסר מלאי ועודף מלאי, הסוכן מתכנס במהירות למינימום מקומי. קנס לוגריתמי לעודף מלאי בתוספת עלות חוסר מלאי א-סימטרית פותר זאת טוב יותר ממשקלים ליניאריים. בסביבת בדיקה (רשת 8-צמתים, 3-דרגות, סימולציה של 52 שבועות), RL+GNN הפחיתה את עלות שרשרת האספקה הכוללת ב-17% לעומת מדיניות בסיס (s,S) תוך שיפור רמת השירות מ-94.2% ל-97.1%.מאמר Graph WaveNet

חיזוי שיבושים

משימה נפרדת: חיזוי עיכוב/כשל של ספק ספציפי או קטע הובלה 2–4 שבועות מראש. מאפיינים: אותות חיצוניים (API מזג אוויר, מדדי עומס נמלים, ציוני סיכון גיאופוליטי דרך GDELT), נתונים פנימיים (שיעורי עמידה בזמנים היסטוריים, תנודתיות זמן אספקה). GNN מצרף אותות מצמתים שכנים: עיכובים אצל ספק מדרגה שנייה הם אותות מוקדמים עבור מדרגה ראשונה. סיווג בינארי השיג AUC-ROC של 0.79–0.83 במשימת חיזוי שיבושים העולים על 5 ימים. קבלו ייעוץ למקרה שלכם.

מחסן טכנולוגי

התהליך שלנו

מה כלול בעבודה

• ביקורת גרף של הרשת הנוכחית ומקורות הנתונים.
• הנדסת מאפיינים: הכנת סדרות זמן ואותות חיצוניים.
• בניית מודל חיזוי ביקוש מבוסס STGNN.
• פיתוח סימולטור RL למלאי רב-דרגתי.
• פריסת צל עם בדיקות A/B.
• תיעוד מודל ו-API.
• הכשרת צוות הלקוח (1–2 ימים).
• תמיכה למשך חודש לאחר ההשקה.

הניסיון וההבטחות שלנו

אנו עוסקים באופטימיזציית שרשרת אספקה מונעת ML למעלה מ-5 שנים, עם השלמת 15+ פרויקטים לקמעונאות ולוגיסטיקה. אנו מבטיחים מודל שקוף ושילוב בתשתית הקיימת שלכם. המומחים שלנו מוסמכים ב-PyTorch ו-MLOps. אנו נעריך את המקרה שלכם בייעוץ חינמי – צרו קשר, ונבחר את הארכיטקטורה האופטימלית לתקציב וללוח הזמנים שלכם.