この記事は、The Parallel Universe Magazine 52 号に掲載されている「Supply-Chain Optimization at Enterprise Scale」の日本語参考訳です。原文は更新される可能性があります。原文と翻訳文の内容が異なる場合は原文を優先してください。
サプライチェーンの崩壊、新型コロナウイルス感染症の影響、停滞する経済状況は、小売業者が直面している課題のほんの一部です。ビジネスプロセスの各段階で、起業家は会社の収益、競争力、または将来の方向性を決定する決断を下す必要があります。最適なソリューションの開発には、時間がかかり、要求が厳しく、誤りが発生しやすくなりがちです。
意思決定には、過去のデータによる裏付けが必要ですが、数千もの注文と配送から得られる膨大な量のデータを人間が分析することは困難なため、意思決定プロセスは、マシンラーニング（ML) を使用した自動メカニズムによってサポートするか、完全に置き換えるべきです。ML は、マシンがより多くのデータを分析して学習し、精度を向上するプロセスです。数百万ものエントリーでも問題なく処理できます。データ間で見つかった関係に基づいて数学的モデルが作成され、後で動作、結果、価格、配送時間などを予測するために使用されます。
ML を使用して問題を解決するには、別の角度から見ることも重要です。企業のプロセスを人工知能 (AI) アルゴリズムでサポートするには、まず適切なモデルを準備しなければなりません。しかし、これには適切なツールを使用する必要があります。そのため、インテルと Red Hat は、ML 関連のプロセスを促進する新しいソリューションに常に取り組んでいます。Red Hat* OpenShift* Data Science などの製品は、データ転送、データマイニング、トレーニング、プロセスの自動化、モデルのデプロイを改善し、インテルは、計算効率を向上させるため、scikit-learn* 向けインテル® エクステンション (英語) (インテル® AI アナリティクス・ツールキットの一部) などの最適化されたハードウェアとソフトウェアを提供しています。
問題ステートメント
増え続ける問題の 1 つは、配送日の見積もりです。物資の不足は、利益を減少させ、コストを増加させる可能性があります。そのため、プロセスを制御し、関連するリスクを管理することが重要です。以下の例では、過去のデータを使用して遅配を予測する方法を示しています。遅配の可能性が高い場合、例えば、倉庫から追加の在庫を出したり、代替部品を使用したり、あるいはサプライヤーを変更するという決定が下されます。
アプローチの説明
配送遅延予測は分類問題の一種です。この場合、目標は、過去の納入履歴や交通データなどの一連の入力に基づき、配送が遅れるか、時間どおりかを予測します。これらの特徴は、モデルのトレーニングに使用されます。トレーニング済みのモデルは、新しい未知のデータに対して予測を行うために使用できます。このアプローチでは、1 つのシンプルで高速なモデルを使用して、すべての注文を「スキャン」し、遅延の可能性を調べます。リスクのある注文は、さらに詳しく分析できます (例えば、遅延の潜在的な理由を示すほかのアルゴリズムを使用するなど)。
テクノロジー
Red Hat* OpenShift* Data Science
Red Hat* OpenShift* Data Science は、インテリジェント・アプリケーションのデータ・サイエンティストやプログラマー向けのサービスであり、セルフマネージドまたはマネージド・クラウド・プラットフォームとして利用できます。ML モデルを実際の環境にデプロイする前に、迅速に開発、トレーニング、テストできる、完全にサポートされた環境を提供します。オンプレミス、パブリッククラウド、データセンター、エッジのいずれであっても、コンテナ上の本番環境で ML モデルをデプロイし、Red Hat* OpenShift* Data Science からほかのプラットフォームに簡単にエクスポートできます。
ML に Red Hat* OpenShift* Data Science を使用すると、多くの利点があります。このプラットフォームには、Jupyter* Notebook、TensorFlow*、PyTorch*、scikit-learn* など、データ・サイエンティストがワークフローで使用するさまざまな商用パートナーとオープンソースのツールおよびフレームワークが含まれています。Red Hat* OpenShift* Data Science は、安全でスケーラブルな環境を提供します。
インテル® AI アナリティクス・ツールキット
インテル® AI アナリティクス・ツールキットは、XGBoost、scikit-learn*、TensorFlow*、PyTorch*など、インテルにより最適化された AI ソフトウェア、ライブラリー、フレームワークのセットを提供します。インテル® アーキテクチャー上のエンドツーエンドのデータサイエンスとアナリティクスのパイプラインを高速化するのに役立ちます。このツールキットは、AI アプリケーションの作成をスピードアップして簡素化することを目的としています。また、複数のプラットフォームへのモデルのデプロイもサポートします。
シナジー
以下に示す例は、インテル® AI アナリティクス・ツールキットと、Red Hat* OpenShift* Data Science に組み込まれている Jupyter* Notebook カーネルを使用して作成しました。これは、データサイエンスとアナリティクスに安定した開発環境を提供するシンプルでエレガントな方法です。
