រឿងមួយដែលខ្ញុំចាប់អារម្មណ៍ក្នុងចលនា AI គឺការប្រើប្រាស់ទិន្នន័យ និងក្បួនដោះស្រាយប្រកបដោយភាពច្នៃប្រឌិត ដើម្បីដោះស្រាយបញ្ហាចាស់តាមរបៀបថ្មី ឬដោះស្រាយបញ្ហាថ្មី។
សហសេវិករបស់ខ្ញុំ Vikram Srinivasan បាននិយាយអំពីបញ្ហាថ្មីបែបនេះនៅក្នុងការប្រកាសប្លក់មុន៖ AI កំពុងផ្លាស់ប្តូរអ្វីគ្រប់យ៉ាងដែលយើងបានគិតអំពីការព្យាករណ៍តម្រូវការ.
Vik បានពិភាក្សាអំពីរបៀបដែល AI កំពុងជួយកែលម្អការព្យាករណ៍តម្រូវការជាមួយនឹងទិន្នន័យបន្ថែម និងក្បួនដោះស្រាយថ្មី។ ការជីកកកាយកាន់តែស៊ីជម្រៅ គាត់បានលើកឡើងអំពីតំបន់មួយដែលខ្ញុំនឹងចាត់ថ្នាក់ជាបញ្ហាថ្មីទាំងស្រុង៖ ការព្យាករណ៍រយៈពេលជិត។
តើអ្វីជាការព្យាករណ៍រយៈពេលជិត? ខ្ញុំនឹងពណ៌នាវាថាជាការព្យាយាមទស្សន៍ទាយថាតើការបញ្ជាទិញបន្ទាប់របស់អតិថិជនអ្នកនឹងទៅជាយ៉ាងណា។ បញ្ហានេះកាន់តែរីករាលដាលសម្រាប់អ្នកដែលលក់តាមរយៈបណ្តាញ e-commerce ដែលរីកលូតលាស់យ៉ាងឆាប់រហ័ស។ នោះគឺប្រសិនបើអ្នកជាអ្នកផលិតដែលលក់តាមរយៈ Amazon, Walmart.com, Home Depot.com ជាដើម។ សំណួរដែលអ្នកចង់ដឹងគឺថាតើពួកគេនឹងបញ្ជាទិញអ្វីពីអ្នកនៅសប្តាហ៍ក្រោយ (ឬពីរបីថ្ងៃបន្ទាប់)។
ការព្យាករណ៍បែបបុរាណ (សូម្បីតែការព្យាករណ៍បែបប្រពៃណីដែលត្រូវបានពង្រឹងដោយ AI) ជួយអ្នកឱ្យរៀបចំផែនការផលិតកម្ម ស្តុក និងសមត្ថភាពកាន់តែប្រសើរឡើង។ ហើយវាប្រាប់អ្នកថានៅពេលណាដែលត្រូវរំពឹងថានឹងមានការកើនឡើងនៃតម្រូវការ (ដូចជាសម្រាប់រដូវកាល) និងកំណើនអ្វីដែលអ្នកគួររៀបចំផែនការសម្រាប់។
ការព្យាករណ៍រយៈពេលជិតគឺខុសគ្នា។ គោលដៅរបស់យើងគឺរយៈពេលខ្លី និងយុទ្ធសាស្ត្រ។ យើងគ្រាន់តែខ្វល់ថាការបញ្ជាទិញបន្ទាប់នឹងមើលទៅដូចអ្វី។ យើងខ្វល់ខ្វាយអំពីរឿងនេះ ព្រោះនេះជារបៀបដែលយើងទទួលការវាស់វែង និងពិន័យ។ ប្រសិនបើការបញ្ជាទិញចូលមកសម្រាប់ 100 ហើយយើងផ្តល់ឱ្យត្រឹមតែ 50 នោះយើងនឹងត្រូវពិន័យ។ ហើយប្រសិនបើយើងកាត់បន្ថយការបញ្ជាទិញក្នុងរយៈពេលមួយសប្តាហ៍ យើងអាចរំពឹងថានឹងមានការប្រែប្រួលកាន់តែច្រើននៅក្នុងសប្តាហ៍ខាងមុខ។
អ្នកលក់រាយតាមអេឡិចត្រូនិកផ្តល់ការព្យាករណ៍រយៈពេលវែងលើអ្វីដែលពួកគេគិតថាតម្រូវការសម្រាប់ផលិតផលនឹងមាន។ ប៉ុន្តែការព្យាករណ៍នេះមានទំនោរទៅកម្រិតសកល (ប្រមូលផ្តុំនៅគ្រប់គេហទំព័រទាំងអស់) ហើយមិនគួរឱ្យទុកចិត្តខ្លាំងនោះទេ។ ការផលិតជាញឹកញាប់ត្រូវបានចាប់បានដោយមិនប្រុងប្រយ័ត្នដោយការបញ្ជាទិញកម្រិតគេហទំព័រដែលខុសឆ្គងខ្លាំងដែលពួកគេទទួលបានរាល់សប្តាហ៍។
ជាការពិត អ្នកលក់រាយតាមប្រព័ន្ធអេឡិចត្រូនិក ច្រើនតែមានក្បួនដោះស្រាយការរៀនម៉ាស៊ីន ដែលដាក់ការបញ្ជាទិញទាំងនេះ។ ក្បួនដោះស្រាយមិនត្រឹមតែគិតគូរពីតម្រូវការអតិថិជនដែលរំពឹងទុកប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងពិចារណាលើអ្វីៗដូចជាចំនួនមនុស្សចូលមើលគេហទំព័រផលិតផល ថាតើទំនិញទើបតែអស់ពីស្តុក និងរបៀបដែលអ្នកលក់កំពុងដំណើរការជាទូទៅ។
ដូច្នេះតើអ្នកផលិតអាចរក្សាបានយ៉ាងដូចម្តេច? ចុះបើគេវាយភ្លើងវិញ? ឬការរៀនម៉ាស៊ីនជាមួយ machine learning ក្នុងករណីនេះ។ ប្រសិនបើអ្នកផលិតអាចរៀន "បញ្ច្រាសវិស្វករ" ក្បួនដោះស្រាយលំដាប់ទាំងនេះ ពួកគេអាចកែលម្អការយល់ដឹងរបស់ពួកគេយ៉ាងខ្លាំងចំពោះការបញ្ជាទិញដែលនឹងមកដល់ និងកែសម្រួលប្រតិបត្តិការយ៉ាងសកម្ម ដើម្បីជៀសវាងការប្រុងប្រយ័ត្ន។
AI អាចជួយវិស្វករបញ្ច្រាសក្បួនដោះស្រាយទាំងនេះ។ វាព្យាករណ៍ថាតើការបញ្ជាទិញនឹងទៅជាយ៉ាងណា ដោយប្រើទិន្នន័យដូចគ្នាដែលអ្នកលក់រាយមាន - ឬយ៉ាងហោចណាស់ទិន្នន័យណាក៏ដោយដែលអ្នកលក់រាយតាមអេឡិចត្រូនិកបច្ចុប្បន្នចែករំលែកជាមួយអ្នកលក់របស់ខ្លួន។
ក្នុងន័យនេះ បញ្ហានេះក៏ទាក់ទងយ៉ាងជិតស្និទ្ធទៅនឹងបញ្ហាទីផ្សារ AI នៃការផ្តល់នូវសកម្មភាពដ៏ល្អបំផុតបន្ទាប់ ឬបញ្ហាទីផ្សារ AI នៃការផ្តល់អនុសាសន៍។ នៅទីបំផុត យើងកំពុងស្វែងរកក្បួនដោះស្រាយរបស់យើង ដើម្បីប្រាប់យើងពីអ្វីដែលសកម្មភាពបន្ទាប់ទំនងជានឹងកើតឡើង។
ការព្យាករណ៍រយៈពេលជិត ទាមទារទាំងទិន្នន័យខាងក្នុង (ការបញ្ជាទិញមុន ដំណើរការចែកចាយពីមុន) និងទិន្នន័យពីវិបផតថលរបស់អ្នកលក់រាយតាមអេឡិចត្រូនិក (ព័ត៌មានអស់ពីស្តុក ព័ត៌មានមើលទំព័រ ការផ្លាស់ប្តូរតម្លៃសម្រាប់ផលិតផល)។
AI កំពុងបើកបញ្ហាថ្មីៗជាច្រើនដើម្បីដោះស្រាយ។ ហើយជាមួយនឹងការកើនឡើងជាបន្តបន្ទាប់នៃ e-commerce តំបន់ដូចជាការព្យាករណ៍រយៈពេលជិតនឹងកាន់តែមានជាទូទៅ។
លោក Mike Watson គឺជាអនុប្រធានជាន់ខ្ពស់ ការវិភាគ Opex ការបែងចែក អិលឡាំម៉ាស. ជាមួយនឹងបណ្ឌិតផ្នែកវិស្វកម្មឧស្សាហកម្ម និងបទពិសោធន៍ 20+ ឆ្នាំដែលនាំមុខក្រុមធុរកិច្ចសកលនៅ LogicTools, ILOG និង IBM លោក Mike នាំមកនូវការវិភាគស៊ីជម្រៅ និងជំនាញបង្កើនប្រសិទ្ធភាពសង្វាក់ផ្គត់ផ្គង់ដល់ក្រុម។ គាត់ផ្គូផ្គងជំនាញបច្ចេកទេសជាមួយនឹងវិធីសាស្រ្តផ្ទាល់ខ្លួនដើម្បីជួយអតិថិជនក្នុងការរចនា និងអនុវត្តដំណោះស្រាយសហគ្រាសប្រកបដោយជោគជ័យ។
ប្រភព៖ https://logisticsviewpoints.com/2020/05/19/near-term-forecasting-ai/