ИИ в управлении запасами: мысли по поводу
ИИ в управлении запасами: мысли по поводу С момента выхода первой версии ChatGPT в 2022 году мир ИИ изменился до неузнаваемости. То, что три года назад казалось технологическим аттракционом, сегодня превратилось в реальный рабочий инструмент: на нейросетях пишут код, автоматизируют общение и создают продукты. Разработка стала доступнее и быстрее — мы видим это по рынку управления запасами, который тоже захлестнула волна новых решений. Почти каждое из них заявляет об использовании ИИ-алгоритмов, но при ближайшем рассмотрении они часто оказываются близнецами, создавая лишь иллюзию широкого выбора. И их количество вероятнее всего будет расти. Мы в Forecast NOW! наблюдаем за нейросетями еще с начала 2010-х. Более того, наши первые версии продукта были построены именно на нейронных сетях и генетических алгоритмах. Со временем мы осознанно отказались от этого пути в пользу вероятностных моделей, о чем писали в статье, но исследовательскую работу не прекратили. Мы продолжаем тестировать новые алгоритмы, сопоставляем их со своей системой на реальных сценариях и скоро представим детальный обзор одного из таких ИИ-алгоритмов. Почему же, несмотря на весь прогресс, мы призываем к осторожности? Есть два фактора. Первый — это хроническая проблема с данными. За 15 лет работы мы видели сотни компаний, и ситуация везде схожая: качественных, структурированных данных за длительный период (хотя бы 2–3 года) почти ни у кого нет. Информация разрознена: остатки — в 1С, продажи — в Excel у разных менеджеров в произвольных форматах, а системная статистика по промо-акциям или сезонности часто вообще не ведется. Для классической математической модели это решаемая задача, но ИИ «прожорлив». Чтобы нейросеть выдала адекватный результат, ей нужно в разы больше входящих параметров и истории, чем традиционным алгоритмам. В противном случае модель может быть бесполезной и даже опасной для практики. Подробнее о требованиях к входным данным мы писали в нашей научной работе. К этому добавляется проблема «черного ящика»: когда ИИ выдает прогноз, закупщик не понимает логику расчетов. Если вы не понимаете, как модель пришла к результату, вы не сможете его грамотно скорректировать, при необходимости. Второй фактор — финансовая ответственность. В этом главное отличие управления запасами от других сфер применения ИИ. Если нейросеть ошибется в написании рекламного текста или распознавании картинки в маркетинге — это легко поправить без критических убытков. В управлении запасами мы работаем напрямую с оборотным капиталом. Ошибка алгоритма здесь — это не опечатка, а замороженные в неликвидах миллионы или пустые полки, ведущие к банкротству. Здесь возникает вопрос: кто ответит за потери? Разработчик софта — маловероятно. Сотрудник внутри компании? Но готов ли он брать на себя риски за решения «черного ящика», логику которого он даже не может проверить? Сегодня риск при внедрении ИИ в закупки объективно выше, чем в большинстве других бизнес-направлений. Что это значит для бизнеса? Мы не пытаемся отговорить от использования ИИ — он неизбежно станет частью всех процессов. Но важно разделять задачи. Использование нейросетей для автоматизации рутины — анализа рынка, обработки коммерческих предложений или отправки заказов — это оправданный и полезный шаг. Мы сами идем по этому пути, добавляя подобные функции в наш продукт. Однако в критически важных узлах, таких как прогнозирование спроса, стоит сохранять прагматизм и не поддаваться рыночному хайпу. В одном из следующих материалов расскажем подробнее, как работают текущие модели и каким мы видим будущее ИИ в управлении запасами.