Кейс-технологии как основные средства разработки программных автоматизированных управляющих систем

1.

Лекция 2. Кейс-технологии как
основные средства разработки
программных автоматизированных
управляющих систем.
Проблемы создания искусственного
интеллекта в транспортной логистике.

2.

Определение
• Термин CASE (Computer Aided Software Engineering)
используется в настоящее время в весьма широком
смысле:
CASE-технология – методология проектирования ИС,
а также набор инструментальных средств,
позволяющих в наглядной форме моделировать
предметную область, анализировать эту модель на
всех этапах разработки и сопровождения ИС и
разрабатывать приложения в соответствии с
информационнымипотребностями пользователей.
CASE-1: анализ требований,
проектирование спецификаций и
структуры, редактирование
интерфейсов
CASE-2: генерация исходных
текстов и реализация
интегрированного окружения
поддержки полного жизненного
цикла разработки ПО
Структурное программирование
2

3.

Назначение CASE для помощи в
создании ПО как мощный инструмент
решения исследовательских и
проектных задач
• автоматизация процесса построения ПО;
• обеспечение функций реверсивного
проектирования;
• обеспечение функций сопровождения ПО.
• поддержка разработки моделей анализа и
проектирования ПО;

4.

CASE-визуальное средство для
структурного анализа:
• DFD (Data Flow Diagrams) - диаграммы потоков
данных;
• ERD ( Entity-Relationship Diagrams) - диаграммы
«сущность – связь»;
• STD (State Transition Diagrams) - диаграммы
переходов состояний.

5.

CASE-средства
Обычно к CASE-средствам относят любое программное
средство, автоматизирующее ту или иную совокупность
процессов жизненного цикла ПО и обладающее
следующими основными характерными особенностями:
мощные графические средства для
описания и документирования ИС,
обеспечивающие удобный интерфейс
с разработчиком и развивающие его
творческие возможности;
интеграция отдельных компонент
CASE-средств, обеспечивающая
управляемость процессом разработки
ИС;
использование специальным образом
организованного хранилища
проектных метаданных (репозитория).
5

6.

Основные задачи CASE-систем
1. Разработка моделей предметной области,
функциональной структуры системы, структур данных на
графических языках.
2. Хранение моделей в единой базе данных – репозитории,
доступном всем участникам разработки.
3. Формальный анализ разрабатываемых моделей,
позволяющий избегать некоторых семантических ошибок.
4. Автоматизированная генерация структур баз данных,
приложений, текстов программ.
5. Автоматизированная генерация документации на
программные системы.
6. Обеспечение повторного использования
наработок при модернизации,
перепроектировании системы.

7.

Состав CASE-средств
Диаграммер потоковых данных
(DFD-диаграммер)
Репозиторий (БД)
Система программирования
Диаграммер ER моделей
(ERD-диаграммер)
SQL
Анализатор
Экранные
формы
Генератор документации
Документы

8.

Примеры case-средств
На сегодняшний день Российский рынок программного
обеспечения располагает следующими наиболее развитыми
CASE-средствами:
1. Vantage Team Builder (Westmount I-CASE);
2. Designer/2000;
3. Silverrun;
4. ERwin+BPwin;
5. S-Designor;
6. CASE. Аналитик;
7. ORACLE.
8

9.

10.

Что такое ИИ?
Искусственный интеллект – 1) свойство
интеллектуальных систем выполнять творческие
функции, которые традиционно считаются
прерогативой человека; 2) наука и технология
создания интеллектуальных машин, особенно
интеллектуальных компьютерных программ;
3) область исследований, в рамках которых
разрабатываются модели и методы решения задач,
традиционно считавшихся интеллектуальными и не
поддающимися формализации и автоматизации.
Базовые компоненты:
1) сенсоры,
2) модули обработки
3) обучающие системы
Область применения:
1.Разработка интеллектуальных информационных
систем или систем, основанных на знаниях
2.Разработка естественно-языковых интерфейсов и
машинный перевод
3.Генерация и распознавание речи
4.Обработка визуальной информации
5.Обучение и самообучение

11.

Краткая история искусственного интеллекта
Этап
1
2
3
Начало
Особенности
Задачи
Всевозможные игры,
головоломки, математические
задачи (задачи об обезьяне и
бананах, миссионерах и
людоедах, Ханойской башне,
игра в 15 и другие).
конец 50-х
годов
Доказательство
теорем
начало 70-х
годов
Создание автономно
Переход к
функционирующих систем,
реальным
самостоятельно решающих в
проблемным средам реальной среде поставленные
перед ними задачи.
конец 70-х
годов
Создание человеко-машинных
систем, интегрирующих в
единое целое интеллект
человека и способности
вычислительной системы для
решения задачи.
Поведение в
динамических
средах

12.

Интеллектуальные информационные
системы
Системы с
интеллектуальным
интерфейсом
(коммуникативные
способности)
Экспертные системы
(решение сложных плохо
формализуемых задач)
Самообучающиеся системы
(способность к
самообучению)
Адаптивные
информационные
системы
(адаптивность)
Интеллектуальные
базы данных
Классифицирующие
Индуктивные системы
CASE технологии
Естественно-языковой
интерфейс
Доопределяющие
Нейронные сети
Компонентные
технологи
Гипертекстовые
системы
Трансформирующие
Системы, основанные на
прецедентах
Системы контекстной
помощи
Мультиагентные
Информационные
хранилища
Когнитивная графика

13.

Структура системы искусственного интеллекта
(СИИ)
№
`
`
Пользователи
Системы общения
и коммуникации
Интеллектуальный
интерфейс
БЛОК логического
вывода решений
Исполнительная
система
Исполнительная система
объединяет всю совокупность
средств, обеспечивающих
выполнение программ для
эффективного решения задач и
часто имеет проблемную
ориентацию.
2
База знаний
База знаний занимает
центральное положение по
отношению к остальным
компонентам вычислительной
системы в целом, через нее
осуществляется интеграция
средств, участвующих в решении
задач.
БАЗА ЗНАНИЙ
Концептуальный уровень
Информационный
уровень
3
Интеллектуальный
интерфейс
Интеллектуальный интерфейс система программных и
аппаратных средств,
обеспечивающих для конечного
пользователя использование
компьютера для решения задач,
которые возникают в среде его
профессиональной деятельности
либо без посредников либо с
незначительной их помощью.
13
БЛОК приобретения
знаний
П
Р
И
Л
О
Ж
Е
Н
И
Я
Интернетресурсы
Программные
комплексы
Аппаратные
комплексы
Базы данных
Адаптация к
конечному
пользователю
Адаптация к
предметной
области
Адаптация к
типу задач
3 интеллектуальный
интерфейс
2 база данных
3 исполнительная система
Описание
1
Лица, принимающие
решения
БЛОК
Объяснения, рассуждения
и агрументации
Название

14.

Структура и назначение экспертных систем
Экспертная система (ЭС) – это программный продукт, позволяющий
имитировать творческую деятельность или усиливать интеллектуальные
возможности пользователя при поиске решения задачи в конкретной предметной
области, используя в основном эвристические знания специалистов-экспертов
(т.е. накопленный ранее опыт) и некоторый логический механизм вывода.
Области применения ЭС:
логистика,
прогнозирование,
планирование,
интерпретация,
обучение,
контроль и управление,
финансовое планирование,
диагностика неисправностей,
торговля.
Исторически ЭС принято делить на интеллектуальные системы первого и второго
поколений.
ЭС первого поколения
знания системы в целом представлены только знаниями
эксперта, функция накопления знаний не предусмотрена;
методы представления знаний позволяли описывать
только статические предметные области;
модели представления знаний ориентированы на простые
предметные области.
ЭС второго поколения
накопление и расширение базы знаний;
решение задач динамических предметных областей;
проведение анализа нечисловых данных;
генерация новых и отбраковка ненужных гипотез;
оценка достоверности фактов;
самостоятельное пополнение базы знаний;
контроль над непротиворечивостью базы знаний;
выдача собственных заключений на основе прецедентов;
решение новых, ранее не рассматривавшихся, задач.
14

15.

Структура экспертных систем
Статическая экспертная система
Объяснительный
компонент
Интерфейс с БД
И ППП
Диалоговый
компонент
Компонент
приобретения
знаний
Решатель
Рабочая
память
База
знаний
Рабочая
память
(база данных)
Предназначена для хранения исходных и
промежуточных данных решаемой в текущий
момент задачи.
Компонент приобретения
знаний
Предназначен для автоматизированного наполнения
экспертной системы знаниями, осуществляемый
пользователем-экспертом.
База знаний
Предназначена для хранения субъективных
эвристических знаний экспертов, описывающих
рассматриваемую предметную область.
Объяснительный
компонент
Решатель
Составляет наиболее важную часть экспертной
системы. Решатель, используя исходные данные из
рабочей памяти и знания из базы знаний,
формирует такую последовательность правил,
которые, будучи примененными к исходным
данным, приводят к решению задачи.
Предназначен для объяснения, как система получила
решение задачи (или почему она не получила решение) и
какие знания она при этом использовала, что облегчает
эксперту тестирование системы и повышает доверие
пользователя к полученному результату.
Диалоговый компонент
Предназначен для организации дружественного общения
с пользователем как в ходе решения задач, так и в
процессе приобретения знаний и объяснения результатов
работы.
15

16.

Структура экспертных систем
Динамическая экспертная система
В динамической ЭС по сравнению со статической вводятся два компонента: подсистема
моделирования внешнего мира и подсистема связи с внешним окружением.
Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров.
Диалоговый
компонент
Диалоговый
компонент
Интерфейс с БД
И ППП
Компонент
приобретения
знаний
Решатель
Рабочая
память
СИСТЕМА
База
знаний
Подсистема модификации внешнего мира
Подсистема сопряжения с внешним миром
Локальная система
Технические устройства
Датчики
Кроме того, традиционные компоненты статической ЭС (база знаний и решатель)
претерпевают существенные изменения, чтобы отразить временную логику
происходящих в реальном мире событий.
16

17.

Режимы работы экспертной системы
Режим
приобретения
знаний
В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему
Режим
консультации
Общение с ЭС осуществляет конечный пользователь, которого интересует результат и
знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта)
решать задачи из проблемной области.
Эксперт описывает проблемную область в виде совокупности данных и правил. Данные
определяют объекты, их характеристики и значения, существующие в области
экспертизы. Правила определяют способы манипулирования с данными, характерные для
рассматриваемой области.
Режиму приобретения знаний в традиционном подходе к разработке программ
соответствуют этапы алгоритмизации, программирования и отладки, выполняемые
программистом. Таким образом, в отличие от традиционного подхода в случае ЭС
разработку программ осуществляет не программист, а эксперт (с помощью ЭС), не
владеющий программированием.
(или) способ его получения.
В зависимости от назначения ЭС пользователь может не быть специалистом в данной
проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить
его сам), или быть специалистом (в этом случае пользователь может сам получить
результат, но он обращается к ЭС с целью либо ускорить процесс получения результата,
либо возложить на ЭС рутинную работу).
Данные о задаче пользователя после обработки их диалоговым компонентом поступают
в рабочую память. Решатель на основе входных данных из рабочей памяти, общих
данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при
решении задачи не только исполняет предписанную последовательность операций, но и
предварительно формирует ее. Если реакция системы не понятна пользователю, то он
может потребовать объяснения: "Почему система задает тот или иной вопрос?", "как
ответ, собираемый системой, получен?".
17

18.

Модели представления знаний
в экспертных системах
К основным моделям представления знаний относятся:
• логические модели;
• продукционные модели;
• сетевые модели;
• фреймовые модели.
Логические модели
В основе моделей такого типа лежит формальная система, задаваемая четверкой вида:
M = <T, P, A, B>.
Множество T
Множество базовых элементов различной природы, например слов из некоторого
ограниченного словаря, деталей детского конструктора, входящих в состав некоторого
набора и т.п.
Множество P
Множество синтаксических правил. С их помощью из элементов T образуют синтаксически
правильные совокупности. Например, из слов ограниченного словаря строятся
синтаксически правильные фразы, из деталей детского конструктора с помощью гаек и
болтов собираются новые конструкции.
Множество А
Множество аксиом – подмножество синтаксически правильных совокупностей. Можно
считать, что множество A образуют все информационные единицы, которые введены в базу
знаний извне.
Множество B
Множество правил вывода. Применяя их к элементам A, можно получать новые
синтаксически правильные совокупности, к которым снова можно применять правила из B.
С помощью правил вывода В из аксиом А выводятся новые производные знания.
Т.е. данная формальная система представляет собой генератор порождения новых знаний, образующих
множество выводимых в данной системе знаний. Это свойство логических моделей делает их
притягательными для использования в базах знаний. Оно позволяет хранить в базе лишь те знания, которые
образуют множество A, а все остальные знания получать из них по правилам вывода.
18

19.

Модели представления знаний
в экспертных системах
Продукционные модели
Продукции являются наиболее популярными средствами представления знаний.
В общем виде под продукцией понимают выражение вида A B.
Обычное прочтение продукции выглядит так: ЕСЛИ А, ТО B.
В состав системы продукций входит база правил (продукций), глобальная база данных и система
управления.
База правил – это область памяти, которая содержит совокупность знаний в форме правил вида
ЕСЛИ – ТО.
Глобальная база данных – область памяти, содержащая фактические данные (факты).
Система управления формирует заключения, используя базу правил и базу данных.
Существуют два способа формирования заключений – прямые выводы и обратные выводы.
В прямых выводах выбирается один из элементов данных, содержащихся в базе данных, и если
при сопоставлении этот элемент согласуется с левой частью правила (посылкой), то из правила
выводится соответствующее заключение и помещается в базу данных или исполняется действие,
определяемое правилом, и соответствующим образом изменяется содержимое базы данных.
В обратных выводах процесс начинается от поставленной цели. Если эта цель согласуется с
правой частью правила (заключением), то посылка правила принимается за подцель или гипотезу.
Этот процесс повторяется до тех пор, пока не будет получено совпадение подцели с данными.
При большом числе продукций в продукционной модели усложняется проверка непротиворечивости
системы продукций, т.е. множества правил. Поэтому число продукций, с которыми работают
современные системы ИИ, как правило, не превышают тысячи.
19

20.

Модели представления знаний
в экспертных системах
Сетевые модели
В основе моделей этого типа лежит конструкция называемая семантической сетью.
В самом общем случае семантическая сеть представляет собой информационную модель предметной
области и имеет вид графа, вершины которого соответствуют объектам предметной области, а дуги
– отношениям между ними.
Дуги могут быть определены разными методами, зависящими от вида представляемых знаний.
Обычно дуги, используемые для представления иерархии, включают дуги типа "множество",
"подмножество", "элемент". Семантические сети, используемые для описания естественных языков,
используют дуги типа "агент", "объект", "реципиент".
В качестве простого примера рассмотрим предложения "Куин Мэри является океанским лайнером" и
"Каждый океанский лайнер является кораблем". Они могут быть представлены через семантическую
сеть. В этом примере используется важный тип дуг "является".
Мэри Куин
является
Океанский
лайнер
является
корабль
Семантический подход к построению систем ИИ находит применение в системах понимания
естественного языка, в вопросно-ответных системах, в различных предметно – ориентированных
системах.
20

21.

Модели представления знаний
экспертных системах
Фреймовые модели
В отличие от моделей других типов во фреймовых моделях фиксируется жесткая структура
информационных единиц, называемых фреймами.
Фрейм является формой представления некоторой ситуации, которую можно (или целесообразно)
описывать некоторой совокупностью понятий и сущностей.
Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов,
называемых слотами. Каждый слот представляется определенной структурой данных. В значение
слота подставляется конкретная информация – значение слота, относящаяся к объекту,
описываемому этим фреймом.
Слот
Значение слота
Значением слота может быть практически что угодно:
числа, формулы, тексты на естественном языке или
Фрейм: Имя
программы, правила вывода или ссылки на другие слоты
Имя слота: Значение слота
данного фрейма или других фреймов. В качестве
значения слота может выступать набор слотов более
Класс: Животное
низкого уровня, что позволяет реализовывать во
Структурные элементы Голова, шея, руки,…
фреймовых представлениях "принцип матрешки".
Связи
между
фреймами
задаются
значениями
специального
слота
с
именем
"Связь".
Часть
специалистов по системам ИИ считают, что нет
необходимости
выделять
фреймовые
модели
представления знаний, так как в них объединены все
основные особенности моделей остальных типов.
Рост
30 – 220 см.
Масса
1 – 200 кг.
Хвост
Нет
Язык
Русский, английский, …
Фрейм аналогии
Обезьяна
Простой пример фрейма описания человека
21

22.

Перспективы ИИ в логистике
По прогнозам экспертов, благодаря
использованию искусственного интеллекта к
2030 году мировая экономика может вырасти
на $15,7 трлн. Исследование основано на
опросе 1000 руководителей компаний,
внедряющих в свою работу ИИ.
Отмечается, что 20% респондентов планируют
масштабное внедрение технологии в
деятельность своих организаций. По данным
отчета, в ближайший год крупные игроки рынка
сконцентрируются на возврате инвестиций,
обучении персонала, повышении доверия к ИИ,
машинном обучении, монетизации и
аналитике.
Сегодня технологии искусственного интеллекта
уже вполне готовы к применению в логистике
как внутри компании (бэк-офис), так и снаружи
(фронт-офис).

23.

Основные определения
информационной логистики
Информационная
логистика
часть
логистики,
которая
организует
поток
информации, сопровождающий материальный
поток в процессе его перемещения.
Информационные системы в логистике
могут создаваться с целью управления
материальными потоками на уровне отдельного
предприятия (на микроуровне), а могут
способствовать организации логистических
процессов на территории регионов, стран и даже
группы стран (на макроуровне).

24.

Основные определения
информационной логистики
Информационный поток - совокупность
сообщений, циркулирующих как внутри
логистической системы, так и между нею и
внешней средой, которые необходимы для
управления логистическими операциями.
Информационная логистическая система - это
определенным образом организованная
совокупность взаимосвязанных средств
вычислительной техники и программного
обеспечения, позволяющая решать те или
иные функциональные логистические задачи.

25.

Функции информационной логистики:
• собирает возникающую информацию;
• анализирует информацию;
• перемещает информацию;
• накапливает и хранит информацию;
• фильтрует поток информации (отбирает
необходимые для того или иного уровня
управления данные и документы);
• объединяет и разъединяет информационные
потоки;
• выполняет элементарные информационные
преобразования;
• управляет информационным потоком.

26.

Виды информационных потоков
в логистике

27.

Принцип включения информационных
технологий в логистическую систему
организации
• управление данными (data
managment — DM);
• электронный обмен данными
(electronic data interchange —
EDI);
• штриховое кодирование (bar
coding — BC);
• искусственный
интеллект/экспертные системы
(artificial inteligence/expert
systems — AI/ES);
• дистанционный доступ и
коммуникации (remote access
and communication — RA&С).

28.

Как использовать AI в бэк-офисе?
• AI предоставляет единственную в своем
роде возможность сэкономить время,
сократить расходы и повысить как
производительность, так и точность. Это
связано с Cognitive Automation, которая
будет выполнять рутинные задачи, которые
обычно отнимают время у более срочной
работы сотрудника. Благодаря комбинации
RPA (Robotic Process Automation) и AI, эти
повседневные задачи будут выполняться
автоматизированными системами.
• 1. Сбор финансовой информации;
2. Обработка информации о клиентах;
3. Таможенное оформление и тд.

29.

Прогнозирующая логистика
Модернизация ИИ может помочь логистической отрасли
кардинально изменить свою операционную модель с реактивных
действий на упреждающие операции с интеллектуальным
прогнозированием:
- Предиктивное управление сетью;
- Интеллектуальная оптимизация маршрутов;
- Мультиагентные технологии.
Улучшение индустрии логистики с помощью ИИ
1. Лучшее управление данными и обслуживание
клиентов;
2. Повышение безопасности труда для сотрудников;
3. Улучшенная точность и эффективность;
4. Снижение цены;
5. Последнее, как итог внедрения — рост прибыли.

30.

Мультиагентные технологии
информационных логистических систем

31.

Корпоративные системы управления
предприятием в логистике: применение
системы MRPII
Планирование ресурсов
производства (Manufacturing
Resource Planning – MRP II) –
метод для эффективного
планирования всех ресурсов
производственной компании.
Он выполняет операционное
планирование в натуральных
единицах измерения,
финансовое планирование в
стоимостных единицах
измерения, и содержит в себе
возможности моделирования
для ответа на вопросы «а что
будет, если…?».

32.

Корпоративные системы управления
предприятием в логистике:
применение системы ERP
«ERP-система» (Enterprise Resource Planning — Управление
ресурсами предприятия) может употребляться в двух значениях.
Во-первых, это — информационная система для идентификации
и планирования всех ресурсов предприятия, которые необходимы
для осуществления продаж, производства, закупок и учета в
процессе выполнения клиентских заказов.
Во-вторых (в более общем контексте), это — методология
эффективного планирования и управления всеми ресурсами
предприятия, которые необходимы для осуществления продаж,
производства, закупок и учета при исполнении заказов клиентов в
сферах производства, дистрибьюции и оказания услуг.
В следствии усовершенствования систем MRPII и их дальнейшего
функционального расширения появился класс систем ERP. ERP
системы, предназначены не только для производственных
предприятий, они также эффективно позволяют автоматизировать
деятельность компаний предоставляющих услуги.

33.

Корпоративные системы управления предприятием в
логистике: применение системы ERP

34.

Корпоративные системы управления предприятием в
логистике: виртуальные предприятия (VP)
Эволюция концепции ERP нашла свое отображение в технологии виртуального
производства (Virtual Production — VP) и системе параллельной логистики (Concurrent
Logistics System — CLS)
Технология «виртуальное предприятие» позволяет на контрактной основе быстро
создавать временную организационную структуру, обеспечивающую изготовление
конкретного изделия. Речь идет об интенсивном взаимодействии реально имеющихся
специалистов и подразделений различных предприятий в виртуальном пространстве с
помощью
новейших
информационных
и
коммуникационных
технологий.
Предполагается высокая степень стандартизации и интеграции процессов управления
самых разных фирм.
Пример: использование идеи виртуального продукта на японской фирме Тойота, где
в течение 72 часов производится автомобиль по заказу клиента (который для данной
модели может выбрать цветовую гамму, отделку салона, мощность двигателя, коробку
передач и т.п.).
После завершения работы «виртуальное предприятие» распадается. Одновременно
одна фирма может участвовать во многих «виртуальных предприятиях».

35.

Корпоративные системы управления
предприятием в логистике: система параллельной
логистики (Concurrent Logistics System — CLS)
Система параллельной логистики — это система
управления потоком ресурсов за рамками предприятия,
охватывающая всю глубину логистической цепи и
базирующаяся на сетевом соединении размещенных в узлах
цепи и сотрудничающих между собой модулей, которыми
руководят происходящие события (приобретение клиентом
товара, подтверждение получения поставки и т. п.). Эти
модули обслуживают процессы бизнеса, происходящие
вдоль всей цепи и выходящие за границы конкретного
предприятия.

36.

Корпоративные системы управления
предприятием в логистике: технология управления
взаимоотношениями с клиентами
(Customer Relationship Management — CRM)
В центре внимания CRM-системы находятся клиенты предприятия, а не его
бизнес-процессы.
При этом в работе с малым количеством клиентов (до тридцати) используют
принципы клиентинга, т. е. системы длительных взаимосвязей, при которых между
производителем и фирмами-посредниками возникают как экономические
отношения, так и социальные, базирующиеся на партнерских, дружеских связях, а
иногда и личностной привязанности.
Во взаимоотношениях с большим количеством покупателей используют
принципы теории портфолио, т. е. анализ портфеля клиентов с целью удержания или
увеличения рыночной доли. Одним из элементов практической реализации теории
является дифференцирование клиентов. Она представляет собой определение
критериев для распределения клиентов на группы, каждой из которых предлагаются
условия, стимулирующие клиентов к переходу с менее значимой в более значимую
для оптовой фирмы группу.

37.

Технология управления взаимоотношениями
с клиентами (Customer Relationship Management —
CRM)
CRM - это направленная на построение устойчивого бизнеса концепция и стратегия
основана на использовании передовых управленческих и информационных технологий, с
помощью которых компания собирает информацию о своих клиентах на всех стадиях его
жизненного цикла (привлечение, удержание, лояльность), извлекает из нее знания и
использует эти знания в интересах своего бизнеса путем выстраивания взаимовыгодных
отношений с ними.

38.

Стратегия эффективного обслуживания клиентов (Efficient Consumer Responce — ECR) в
логистических каналах охватывает управление определенной категорией продуктов,
запасами и поставками, а также информацией . При этом:
• управление категорией продуктов заключается в сотрудничестве производителей,
посредников и потребителей в процессе принятия решений в отношении ширины, глубины,
насыщенности и сопоставимости товарного ассортимента. Участники логистической цепи уже
в фазе разработки концепции и составления планов внедрения новых товаров совместно
анализируют их влияние на реализацию целей партнеров, оценивают рентабельность новых
товаров при учете всех затрат, определяют момент их внедрения на рынок и объем запасов;
• управление запасами и поставками базируется на распространении информации,
постоянной инвентаризации запасов, автоматическом расчете заказов, мониторинге
доступности товаров, а также на постоянном их перемещении от поставщика к розничному
посреднику или организации-потребителю при наименьшем количестве перевозок и
простоев;
• управление информацией основывается на полном доступе каждого из партнеров ко
всей торговой информации, необходимой с точки зрения продвижения данной категории
товаров. Автоматическая их идентификация при помощи штрихового кодирования,
регистрация ежедневной (или за определенный период) продажи, электронный обмен
данными и т. п. составляет необходимый инструмент, позволяющий превратить цепи
поставок в цепи, отвечающие потребностям клиентов.

39.

Опасения
Несмотря на кажущиеся преимущества искусственного интеллекта, все равно
остаются некоторые опасения. Это касается безопасности — мало кто хочет,
чтобы его проект и бесчисленное количество конфиденциальной информации
попало в руки злоумышленников. Другой вопрос, также связанный с
безопасностью заключается в том, что искусственный интеллект, как цельная
технология, еще не до конца развита — она может принести не только
прибыль, но и убыток.
• Подытоживая, следует отметить, что информационная транспортная
логистика за прошедшее время стала одним из самых ярких и
стремительно развивающихся отраслей экономики. Требования заказчиков
постоянно увеличиваются, в частности, это касается автоматизации.
Решение проблемы простое — постепенное внедрение ИИ, анализируя
результаты.