انٹرالوجسٹکس میں AI: کسٹمر کا فائدہ فیصلہ کن ہے - لاجسٹک بزنس

Witron (تصویر میں) سے Helmut Prieschenk اور Franziskos Kyriakopoulos، Linz، آسٹریا سے 7LYTIX کے بانی، ChatGPT، لاجسٹکس میں مشین لرننگ، اور کھانے کے خوردہ فروشوں کے لیے مانگ کی پیشن گوئی پر تبادلہ خیال کر رہے ہیں۔ دونوں متفق ہیں - AI ٹیکنالوجی ڈسٹری بیوشن سینٹر کے ساتھ ساتھ پوری سپلائی چین میں عمل کو بہتر بنانے کے لیے آپٹمائزیشن کی وسیع رینج پیش کرتی ہے۔ لیکن اعلیٰ ڈیٹا کوالٹی واحد اہم عنصر نہیں ہے۔ ڈیٹا ماڈلز کے لیے لوگوں کے تجربات اور صارفین کی ضروریات بھی اتنی ہی اہم ہیں۔

"اور پھر راتوں رات ہر کوئی AI پر اثر انداز ہوتا تھا،" ویٹرون کے منیجنگ ڈائریکٹر پریشینک نے مذاق کیا۔ وہ صنعتی AI، مطالبہ کی پیشن گوئی، اور ChatGPT کے بارے میں کچھ بات کرنا چاہتا تھا۔ Kyriakopoulos اور ان کی ٹیم خوردہ اور صنعت کے شعبے کے لیے مشین لرننگ کے حل تیار کرتی ہے۔ وہ طبیعیات دان ہے، جبکہ پریشینک ایک ریاضی دان ہے۔ "یہ ایک خطرناک مرکب ہے۔" پریشینک نے خبردار کیا۔ "یقیناً، ہم نے Witron میں LLMs (بڑی زبان کے ماڈلز) کے ساتھ پہلے ہی ڈیل کر لیا ہے۔ تاہم، میں ایک خاص سکون طلب کروں گا۔ ان کے استعمال سے دنیا ختم نہیں ہو جائے گی - اور ہم مسلسل اس بات کی تصدیق کر رہے ہیں کہ آیا ایسے ٹولز ہمارے صارفین یا ہمارے ڈویلپرز کی ٹھوس کسٹمر کی ضروریات کے نفاذ میں معقول طور پر مدد کرنے کے لیے موزوں ہیں۔"

Kyriakopoulos نے اتفاق کیا، لیکن پہلے ہی درخواستوں کا خاکہ پیش کر دیا ہے۔ "LLMs ترتیب کی پروسیسنگ میں اچھے ہیں - آرڈرز، ڈیبٹ، سیلز، یا کسٹمر کمیونیکیشنز۔ اسے انٹرا لاجسٹکس میں بھی استعمال کیا جا سکتا ہے۔ بہت ساری ہائپ ہے، بہت سارے اثر و رسوخ آدھے سچ کو پھیلانے کے ارد گرد بھاگ رہے ہیں۔" Prieschenk کا کہنا ہے کہ Witron پہلے ہی اس کا تجربہ کر چکا ہے۔ OPM سسٹم کے حریف اسٹیکنگ الگورتھم میں AI کی تشہیر کر رہے تھے۔ "لیکن نتائج ہمارے Witron OPM کی فعالیت کو شکست نہیں دے سکتے۔ یہ AI کے ساتھ نہیں بلکہ ٹھوس سافٹ ویئر ڈویلپمنٹ، صارفین کے ساتھ گہری بات چیت، اور برسوں کے عملی تجربے پر مبنی انسانی ذہانت کے ساتھ تیار کیے گئے تھے۔ ہمیں ہمیشہ محتاط انداز اپنانا ہوگا۔ ہمارے گاہک بنیادی طور پر کسی نئے ٹول کی تلاش نہیں کر رہے ہیں۔ انہیں ایک مسئلہ درپیش ہے اور انہیں ایک ایسے ورکنگ حل کی ضرورت ہے جو ڈسٹری بیوشن سینٹر یا سپلائی چین میں لاجسٹکس کے عمل کو بہتر بنائے، جو عملی استعمال میں مستحکم کام کرے، اور اسے ایک بڑے ڈھانچے میں مفید طریقے سے ضم کیا جا سکے۔"

لیکن کیا یہ سنسنی ہمیں جرمنی اور یورپ میں پیچھے نہیں ہٹا رہی ہے؟ "مجھے یقینی طور پر ایک ROI کی ضرورت ہے"، Prieschenk سختی سے زور دیتا ہے۔ Kyriakopoulos نے کہا، "LLM ڈویلپرز کی جلنے کی شرح $500 ملین سالانہ ہے اور انہیں مزید چند بلین کی ضرورت ہے۔" "یہ جرمنی یا آسٹریا میں ناقابل فہم ہوگا۔"

کیا ہم بہت کم خطرات لے رہے ہیں؟ پریشینک مشکوک ہے۔ "مجھے ایسا نہیں لگتا۔ جب میں Q-commerce میں سرمایہ کاری کو دیکھتا ہوں، مثال کے طور پر، مجھے چکر آنے لگتے ہیں۔ اسی جگہ بہت سارے سرمایہ کاروں نے مکمل خطرہ مول لیا۔ لیکن مارکیٹ ایک بالکل مختلف سمت میں تیار ہوئی ہے۔ پیشن گوئی کی شرح نمو ظاہر ہونے میں ناکام رہی۔ اس دوران، استحکام ہو رہا ہے. سرمایہ کار آگے بڑھ گئے ہیں۔ ہمارے خوردہ فروش AI چاہتے ہیں اور ٹیکنالوجی میں سرمایہ کاری کر رہے ہیں۔ لیکن ہمیں اور ہمارے صارفین کو AI ٹولز کی ضرورت ہے، جیسے کہ نمونہ یا تصویر کی شناخت، جو شفاف ہوں تاکہ وہ مسائل حل کر سکیں جنہیں ہم پہلے حل نہیں کر سکتے تھے یا بہت زیادہ کوششوں سے ہی حل کر سکتے تھے۔

7LYTIX ڈویلپرز LLMs کے ساتھ کام کرتے ہیں، لیکن توجہ مانگ کی پیشن گوئی پر ہے۔ "ہم اضافی اقدار فراہم کر سکتے ہیں، لیکن کچھ کمپنیاں اکثر شروع میں یہ نہیں سمجھ پاتی ہیں کہ ماڈل کی اضافی قیمت کیا ہو گی۔ گاہک کے ساتھ بہتر مواصلت کے ذریعے زیادہ فروخت یا فروخت سے محروم؟ بہت سے لوگ اس کا حساب نہیں لگا سکتے۔ اسی جگہ انہیں ہماری مدد کی ضرورت ہے''، کیریاکوپولوس نے کہا۔ Prieschenk مزید کہتے ہیں: "ہمارے Witron کے صارفین بہت اچھی طرح سے حساب لگا سکتے ہیں اور کئی دہائیوں میں اپنے کاروبار کو مکمل کر چکے ہیں۔ لیکن میں سمجھتا ہوں کہ مسٹر کیریاکوپولس کا کیا مطلب ہے: سب سے پہلے، ہمیں یہ واضح کرنے کی ضرورت ہے کہ کس چیز کو بہتر بنانا ہے۔ خوردہ فروش خود سے پوچھتے ہیں کہ کیا وہ سپلائی چین نیٹ ورک کو بہتر بنانا چاہتے ہیں، گودام سائز، چاہے وہ گاہک کے قریب رہنا چاہتے ہیں، چاہے تھرو پٹ کے اوقات کو کم کریں، ڈیلیوری کے چکر میں تبدیلی لائیں، کھانے کے فضلے کو کم کریں اور سٹاک آؤٹ ہو، یا گودام میں کم ذخیرہ ہو۔ اس سلسلے میں، ہم نے دنیا کے مختلف حصوں سے اپنے صارفین کے ساتھ مل کر بہت کچھ سیکھا ہے۔ ہم نے یہ بھی سیکھا ہے کہ فن لینڈ میں بینک تعطیلات کے تقاضے امریکہ میں تعطیلات سے مختلف ہیں، یا یہ کہ پیر کو جمعرات سے مختلف تقاضے ہوتے ہیں۔ Kyriakopoulos اتفاق کرتا ہے. "ہمیں پہلے ایک ضرورت کی ضرورت ہے اور پھر اسی طرح کے AI ٹول کی ضرورت ہے۔ اور ہمیں ہر طرف گہری سیکھنے کی ضرورت نہیں ہے۔

کتنی درستگی کی ضرورت ہے؟

اس کی مانگ کی پیشن گوئی کیسے کام کرتی ہے؟ "سب سے پہلے، ہمیں ڈیٹا کا جائزہ لینے کی ضرورت ہے۔ یہ بہت سے خوردہ فروشوں کے لیے محنت طلب کام ہے۔ یہ صرف ذخیرہ شدہ سامان کے بارے میں ہی نہیں ہے، بلکہ اسٹور میں سامان کی مقدار کے بارے میں بھی ہے، کتنی فروخت ہوئی تھی، جس پر اثر انداز ہونے والے عوامل جیسے پروموشنز موجود ہیں، اسٹور میں کتنی فروخت ضائع ہوئی ہیں، اور بہت کچھ"، Kyriakopoulos نے وضاحت کی۔ اس کے علاوہ، کسٹمر کارڈ، موسم، سٹور کا مقام یا خصوصی پیشکشیں موجود ہیں۔ "اور ہمیں یہ جاننے کی ضرورت ہے کہ ڈسٹری بیوشن سنٹر میں، اسٹور کے پچھلے کمرے میں، سڑک پر کھڑے ٹرکوں میں کیا ہے، کیونکہ اصلاح اسٹور میں ختم نہیں ہوتی۔ کراس کمپنی یا کراس ڈویژنل پابندیوں کے ساتھ ساتھ ڈیٹا لیکس سے بچنا بھی ضروری ہے۔ مطلوبہ اعداد و شمار کا ایک بڑا حصہ زیادہ تر جانا جاتا ہے، لیکن مختلف محکمے بدقسمتی سے مختلف مفادات کا تعاقب کرتے ہیں۔ پریشینک نے اتفاق کیا: "یہاں تک کہ مجموعی لاجسٹکس ڈیزائن کو صرف تقسیم کے مرکز یا انفرادی لاجسٹک علاقوں کے کلیدی مفادات، یا عمل کو متاثر کرنے والے محکموں جیسے خریداری یا شپنگ پر توجہ مرکوز نہیں کرنی چاہئے۔ یہ ضروری ہے کہ پوری سپلائی چین کو اصلاح کے عمل میں شامل کیا جائے - اندرونی اور بیرونی طور پر - اور جسمانی طور پر اور IT کے لحاظ سے جہاں تک ممکن ہو سائلو سے بچنا ہے۔"

"ڈیٹا بہت آسان ماڈلز میں بہہ رہا ہے"، Kyriakopoulos نے جاری رکھا۔ "بیس لائن لوگوں کے تجربات ہیں۔ یہ ابھی تک AI نہیں ہے۔ ہم رجعت کے بارے میں بات کرتے ہیں۔ پھر ہم خود سے پوچھتے ہیں کہ کیا ہم بہتر ہو گئے؟ اس کے بعد ٹائم سیریز کے تجزیے اور پہلے مشین لرننگ کے طریقے ہیں۔ ہمیں ہمیشہ یہ دیکھنا ہوتا ہے کہ اگلی سطح کے ذریعے ہم کتنی درستگی حاصل کر سکتے ہیں بمقابلہ صارف اور صارف کے لیے اضافی قدر کتنی ہے۔"

اور ویٹرن؟ "ہمیں یہ یقینی بنانا ہوگا کہ میکانکس ماڈل کے مطابق ہوں۔ کیونکہ فزکس کو اسی طرح کام کرنا چاہیے۔ کیا ہم کیسز یا ٹکڑے فراہم کرتے ہیں؟ یا دونوں اختیارات کے ساتھ ایک آئٹم؟ ایک اسٹور کو کتنی بار ڈیلیور کیا جاتا ہے؟ جب پروڈکٹ کی حد تبدیل ہوتی ہے تو کیا ہوتا ہے؟" پریشینک نے جواب دیا۔ وٹرون لاجسٹک مراکز اسٹور اور ای کامرس دونوں کے لیے لچک پیدا کرتے ہیں۔ تاہم، کامیاب نفاذ کی کلید یہ ہے کہ تمام چینلز پر عمل کو پیچھے کی طرف سوچنا ہے – صارف سے لے کر ڈسٹری بیوشن سینٹر تک اور، اگر ضروری ہو تو، آگے پیچھے، تمام راستے سپلائر تک۔ وہ خاص طور پر ماڈل کی وضاحت میں ایک چیلنج دیکھتا ہے۔ "ہم اپنے صارفین کے ساتھ پش اینڈ پل سسٹم کا تجربہ کرتے ہیں۔ کچھ دوسروں سے بہتر کام کرتے ہیں۔"

کیا سٹور مینیجرز کسی AI ماڈل کو مستقبل میں اپنے آرڈرز بتانے دیں گے؟ Kyriakopoulos فیشن انڈسٹری کی دلیل کو جانتا ہے۔ "اگر کوئی وہاں 20 سالوں سے خریداری کر رہا ہے، تو فوری طور پر اضافی قیمت کی وضاحت کرنا یا صارفین کو یہ سمجھانا مشکل ہے کہ یہ ماڈل بہتر ہو سکتا ہے۔ لیکن ہم اسے شفاف بناتے ہیں - ہم کہتے ہیں کہ ہم کون سے عوامل استعمال کرتے ہیں، ہم ان کا وزن کیسے کرتے ہیں، اور متعلقہ عنصر کہاں لاگو ہوتا ہے۔"

انسان کا کنٹرول ہے۔

آسٹریا کے ماہرین مستقبل میں 18 ماہ تک دیکھ سکتے ہیں۔ وہ ماڈل کو خوردہ فروش، اسٹیل بنانے والے، یا جوتوں کے خوردہ فروش کے موجودہ سسٹمز سے مربوط کرنے کے لیے انٹرفیس کا استعمال کرتے ہیں۔ "میں AI ماڈل استعمال کرنے کے لیے سب کچھ نہیں پھاڑنا چاہتا"، Kyriakopoulos نے ہنستے ہوئے کہا۔ "یہ صحیح طریقہ ہے - موجودہ فن تعمیر میں انضمام"، پریشینک نے تصدیق کی۔

لیکن ماڈل کتنا مضبوط ہے؟ کلیدی لفظ: کوویڈ 19۔ آسٹریا کے ماہر نے وضاحت کی کہ "ہم اسے بھی دیکھنے کے قابل نہیں تھے۔ "ہم اس وقت منجمد لاجسٹکس میں ماڈل کے ساتھ کام کر رہے تھے۔ مختصر مدت کی پیشن گوئی شروع میں اچھی نہیں تھی، لیکن ایک ہفتے کے بعد، ماڈل نے دوبارہ کام کیا. دو ہفتوں کے بعد، یہ مستحکم تھا. لیکن صرف پیشن گوئی کافی نہیں ہے۔ کسٹمر کو اس کے ساتھ کام کرنا ہوگا - مثال کے طور پر مارکیٹنگ چینلز کو مضبوط کرنا، پروموشنز چلانا، یا اگر ضروری ہو تو قیمتوں کو ایڈجسٹ کرنا۔"

"یہ بہت اہم ہے،" پریشینک نے کہا۔ "یہ تب ہوتا ہے جب لوگ کنٹرول سنبھال لیتے ہیں۔ لاجسٹکس مینیجر، سروس ٹیکنیشن، یا اسٹور آپریٹر کے گٹ احساس کو کبھی کم نہ سمجھیں۔ لوگوں کے تجربات اور اچھی طرح سے کام کرنے والا ڈیٹا ماڈل ذہین بنانے کی بنیاد ہیں - یعنی طویل مدتی میں درست فیصلے۔ تقسیم کے مرکز میں، یہ دیکھ بھال کی حکمت عملیوں کے نفاذ یا نظام کے 'درست آپریشن' پر بھی لاگو ہوتا ہے۔ اور اہم بات یہ ہے کہ ماڈلز، ٹولز اور سلوشنز کو مستحکم ہونا چاہیے اور روزمرہ کے کاروبار میں حقیقی اضافی اقدار فراہم کرتے ہوئے عملی استعمال میں خود کو ثابت کرنا چاہیے۔

AI معلومات فراہم کرتا ہے، انچارج شخص فیصلہ کرتا ہے اور اس عمل پر کنٹرول رکھتا ہے۔ "ہم نے 20 سال پہلے لاجسٹک سینٹر میں طبیعیات میں انقلاب برپا کیا۔ OPM حل کے ساتھ، ہم نے یہ انتظام کیا ہے کہ سامان خود بخود پیلیٹس اور رول کنٹینرز پر بغیر کسی غلطی کے اور اسٹور کے موافق انداز میں اسٹیک ہو جاتے ہیں۔ اب ہم اگلا قدم اٹھا رہے ہیں اور ڈیٹا اور اینڈ ٹو اینڈ لاجسٹک ماڈلز کا انتخاب کر رہے ہیں۔ اور مجھے یقین ہے کہ میں اب بھی گودام کے لیے اینڈ ٹو اینڈ وِٹرون AI ماڈل کا تجربہ کروں گا،‘‘ پریشینک نے پیش گوئی کی۔