AIによる小売商品の在庫切れ防止の取り組み

AIによる小売商品の在庫切れ防止の取り組み

課題:

Element AIは、最先端のAI研究と業界の専門知識を、指数関数的に学習および改善するソフトウェアソリューションです。 同社は、シミュレーションとAIを組み合わせる潜在的な方法を検討し、AnyLogicの支援を受けて取り組むべき3つの課題を特定しました。

  1. シミュレーションは、AIモデルを事前トレーニングするための貴重なデータセットの生成に役立つのか?
  2. AIは、シミュレーションでのエージェントの動作の改善に役立つか?
  3. 強化学習手法を実際の業界のユースケースに適用できるのか?

現代の進歩し続ける機械学習に精通していない人にとって、ディープラーニングで、モデルトレーニングを成功させるためには非常に大きなデータセットが必要であることを強調することが重要です。 AIで使用されるニューラルネットワークは、広範なルールベースのシステムを構築するのではなく、できるだけ多くのデータポイントに従って決定を行うことで、膨大なデータから学習します。 ただし、データはいくつかの問題の影響を受ける可能性があります。

これらのすべての理由で、AIチームがクライアントととともに中核能力を構築する場合、プロジェクトの初期段階でデータ監査、資料収集およびラベルを付け等のデータ必要条件を洗い出す必要があります、 このステップは長い時間とコストがかかります。したがって、Element AIがシミュレーションに取り組むことは最初の課題でした。

2つ目の課題として、Element AIは、シミュレーションがより良い意思決定を行うのにAIがどのように役立つかを検討し、いくつかの興味深いアプリケーションを発見しました。

最後に、上記の2つの課題に挙げられた未開発の値のため、Element AIは、事例研究のために、強化学習技術の業界テストを遅らせることにしました。

ソリューション:

Element AI AnyLogicシミュレーションモデルのスクリーンショット
Element AIストアシミュレーションモデル

特定課題に取り組むために、Element AIは、上記のシミュレーションアイデアを使用することでメリットが得られる業界ユースケースを選択しました。 同社は食料品店の運営を再現することに焦点を当てました。 より具体的には、食品の需要予測と棚補充のための従業員のタスクの優先順位付けに重点が置かれました。

最初の目的は、大幅な変動、ノイズ、不規則なイベントを伴う5年分の分単位の食品需要データを生成することでした。 重要なのは、時系列予測(AI)アルゴリズムが十分なデータを作成して、従来のルールベースの式よりもAIの使用を保証する複雑さのレベルで学習することでした。

このアプローチの既知のリスクは、AIモデルがシミュレートされたデータに過剰適合し、新しいパラメーターが挿入される場合あるいは現実のデータと比較された時、一般化することができないということです。 これは、ドメインの無作為化で克服又は最小化されます。

2番目の目的は、AIを使用して、シミュレーションにより、従業員のタスクの優先順位付けをガイドすることでした。 より具体的には、食料品店の棚の補充作業を担当する仮想従業員(エージェント)が、コストのかかる品切れイベントを回避または最小限に抑えるために優先すべき製品を把握できるようにします。

これら2つの目的を調査するために、食料品店のシミュレーションモデルには3つの基本的なエージェントタイプが含まれており、それぞれにランダムにシードされたパラメーターのセットがあり、望ましいレベルの複雑さを確保しました。

1. さまざまな歩行者エージェントとしてモデル化されたクライアント:

2. さまざまな製品カテゴリ:

3. 従業員:

最後に、Element AIはAnyLogicサポートチームと緊密に連携して、AnyLogicの外部でAIモデルを実行する方法を見つけ、さらにシミュレーションの実行と同期することが可能です。

開発されたソリューションには、4つの簡単な手順を含む:

このアプローチの主な利点は、AIとコーディング言語(この場合はPython)の複雑さのレベルに依存しないことです。ただし、一定の間隔でシミュレーションを一時的に停止する必要があります。

結果:

シミュレーションから生成された5年間のデータにより、Element AIのエンジニアは、分単位の製品需要に合わせて時系列予測モデルをトレーニングできました。これはデータの分割を使用して行われ、最初の4年はAIのトレーニングに使用され、5年目は予測の精度をテストするために使用されました。

1時間ごとの製品需要予測のベースラインは、前の1時間が繰り返されることを予測するLag-0として設定。次に、他の時系列モデルの精度がそのベースラインに対して評価されました。

時間ごとの製品需要予測の時系列モデルの比較。Baseline Lag-0

この表にリストされている結果は、過去1時間を参照し、次の1時間で何が売れるかを予測する精度は61%であることを示しています。 AI予測ツールを活用した場合、オーナーは最大で80%の予測精度を得ることができます。

ただし、この結論には注意が必要です。シミュレーションモデルに導入されたばらつきと複雑さの原因は複数ありましたが、生成されたデータにはまだ現実性がありませんでした。

たとえば、仕事を休む従業員はいない、倉庫には常に店に補充する十分な商品があるなど、店舗を一定期間閉店させるような不規則なイベントはなく、需要予測の問題は、新製品の導入を避けることで簡素化されました。

これらの理由により、AIは追加のノイズを処理することを学習しておらず、実世界のデータに適応できないため、このシミュレーションで生成されたデータをデータ増強に使用するのは難しいかもしれません。これには、ドメインランダム化手法と、シミュレーションから現実への変換またはトランスファー学習の最近の進歩が有益です。

ただし、実際のデータにさらされた結果を保証できない場合でも、このシミュレーションアプローチを使用してトレーニングされたAIは、不適切な予測モデルを除外し、ユースケースが追加のセンサーまたはデータソースの恩恵を受けるかどうかを評価するのに役立ちます。

店舗のデイリー利益のサンプル結果

2つ目の目的で特定されたように、シミュレーションモデルにより、Element AIは定義された期間(日、週、月、年)ごとの一連のメトリックに基づいて、タスクの優先順位付けに関するさまざまなAIポリシーの影響を比較することもできました:

キューポリシーは、製品が不足する順序で補充されることを意味します。次に、他のポリシーをそのベースラインと比較して利益の最適なポリシーを評価しますが、従業員の時間使用率などの他のKPIの最適化にも使用できます。判明したように、定義されたパラメーターの下では、タスクの優先順位付けは需要を予測する機能よりもはるかに影響が少なくすみますが、異なるパラメーターまたはデータセットは異なる結果につながる可能性があります。

最終的に、シミュレーションを使用してデータを生成し、AIの予測能力を向上させ、さまざまなAIエージェントポリシーの試験台として使用しました。この解決策は商店経営者がどれだけの製品が毎時売れるのかを予想し、従業員がどこに棚補給負担を集中させなければならないかについてのよりよい理解を獲得するのを助けることができました。

全体として、このプロジェクトにより、Element AIは個別のイベントとエージェントベースのシミュレーションの理解を深め、同社のクライアントに新しい方法を提案し、同社のチームも各種データを生成することができました。最も重要なことは、シミュレーションを使用することで、強化学習、シミュレーションから現実への変換、転移学習、およびデジタルツイン化を含むより複雑な将来のプロジェクトに取り組む際に、Element AIはそれらを活用するための基礎を提供したことです。

同様のケーススタディ

その他のケーススタディ

Get a brochure with industry case studies

ダウンロード