Цифровой двойник становится инструментом антикризисного управления
Walmart использует ИИ и цифровые двойники, чтобы заранее проверять, как логистическая сеть выдержит сбои: закрытие объектов, задержки транспорта, резкие изменения спроса, погодные нарушения и другие стрессовые сценарии. Об этом старший вице-президент Walmart по технологиям цепочки поставок Индира Уппулури рассказала в интервью изданию CIO Dive.
Для ритейлера такого масштаба это не эксперимент ради технологии. Walmart управляет огромной сетью объектов, через которые товары принимаются, обрабатываются, хранятся и отправляются дальше. Команда по технологиям цепочки поставок отвечает не только за эти узлы, но и за транспортировку, внутренние перемещения и выполнение заказов.
Чем быстрее растут требования к доставке, тем важнее видеть не один склад или один маршрут, а всю систему сразу.
По словам Индиры Уппулури, команда Walmart использует инструменты моделирования и цифровой двойник, чтобы проверить, как сеть отреагирует на закрытие объекта, задержку транспорта или внезапный скачок спроса. Транспортные подразделения применяют виртуальные копии логистической сети, чтобы увидеть, как товары будут двигаться по системе в условиях нагрузки.
Один из примеров — пожар на объекте или рядом с ним. В такой ситуации важны не общие регламенты, а скорость выбора конкретного действия: куда перенаправить поток товаров, какие ресурсы задействовать, какие решения предложить сотрудникам на местах.
Уппулури объясняет, что системы используют данные и формируют варианты действий, а сотрудники могут взять эти рекомендации в работу.
ИИ нужен не только для прогноза, но и для выбора действий
Прогнозные модели давно применяются в supply chain. Новое здесь — не сам факт моделирования, а уровень данных и инструментов, которые теперь доступны операционным командам. Walmart учитывает погодные паттерны, покупательскую историю и другие данные, а также использует машинное обучение, большие языковые модели, открытые модели и собственные ИИ-инструменты.
Компания также применяет ИИ-агентов. Они помогают смотреть не на отдельный склад или транспортный участок, а на использование ресурсов во всей сети. Это позволяет быстрее находить узкие места и оценивать, как решение в одной части системы повлияет на остальные участки.
