انقلاب در زنجیره تأمین؛ شرکت o9 چطور با گراف دانش و هوش مصنوعی ایجنتی رقبا را مات می‌کند؟

شرکت o9 Solutions از پیشگامان نوآوری در بازار برنامه‌ریزی زنجیره تأمین به شمار می‌رود. هفته گذشته این شرکت کنفرانس کاربران خود را در شیکاگو برگزار کرد؛ رویدادی که در حاشیه آن گفت‌وگویی اختصاصی با چاکری گوتموکالا (Chakri Gottemukkala)، مدیرعامل o9، شکل گرفت. نکته جالب اینجاست که ایده استفاده زودهنگام o9 از «گراف دانش» کاملاً دوراندیشانه بود؛ چراکه به گفته گوتموکالا، وقتی مدل‌های بزرگ زبانی (LLMs) روی کار آمدند، سایر ارائه‌دهندگان نرم‌افزارهای زنجیره تأمین تازه فهمیدند که برای بازدهی واقعی این مدل‌ها، به بافتار و بستری غنی از جنس گراف دانش نیاز دارند.

شرکت o9 به عنوان یکی از پیشگامان راهکارهای برنامه‌ریزی زنجیره تأمین، رشد بسیار سریعی را پشت سر گذاشته است؛ طوری که فقط در سال جاری ۴۰ مشتری سازمانی جدید جذب کرده و درآمد سالانه‌اش از مرز ۵۰۰ میلیون دلار گذشته است؛ رقمی که در مقایسه با درآمد اشتراکی حدود ۲۰۰ میلیون دلاری سال ۲۰۲۳ جهش چشمگیری محسوب می‌شود. علاوه بر این، مؤسسه پژوهشی گارتنر نیز آن‌ها را رسماً به عنوان یکی از بزرگ‌ترین بازیگران و رهبران بازار برای قابلیت‌های جامع برنامه‌ریزی به رسمیت شناخته است.

در پلتفرم‌های مدرن برنامه‌ریزی زنجیره تأمین، گراف دانش یکی از سه ستون اصلی فناوری به حساب می‌آید.

داستان بازار برنامه‌ریزی زنجیره تأمین (SCP) از اوایل دهه ۱۹۹۰ میلادی آغاز شد؛ زمانی که مدل‌های برنامه‌ریزی تأمین روی پایگاه‌های داده درون‌حافظه‌ای (In-Memory Databases) سوار شدند. بدون این فناوری، تهیه یک برنامه پیشرفته که بتواند محدودیت‌های پیچیده سراسر زنجیره را در زمانی کوتاه محاسبه کند عملاً ناممکن بود. این فناوری هنوز هم یکی از ارکان کلیدی برنامه‌ریزی محسوب می‌شود.

در سوی دیگر ماجرا، یعنی بخش پیش‌بینی تقاضا، راه‌حل‌ها از پیش‌بینی‌های ساده آماری گذشته عبور کرده و حالا به الگوریتم‌های ژنتیک، یادگیری ماشین و روش‌های پیشرفته محاسباتی مجهز شده‌اند.

با این حال، در سال‌های اخیر بزرگ‌ترین جهش فنی، ادغام «گراف‌های دانش» در این پلتفرم‌ها بوده است. شرکت o9 اولین مجموعه‌ای بود که دست به این نوآوری زد و حالا دیگر رقبای مطرح بازار متوجه اهمیت گراف دانش شده‌اند و با تمام توان می‌کوشند فاصله خود را جبران کنند.

وقتی از گراف دانش حرف می‌زنیم، کلیدواژه اصلی «انعطاف‌پذیری» است. گراف‌های دانش با تکیه بر ساختار گراف‌محور، امکان یکپارچه‌سازی منابع داده متنوع را بدون نیاز به بازطراحی‌های سنگین پایگاه‌های داده رابطه‌ای فراهم می‌کنند. همین انعطاف‌پذیری باعث شده به‌روزرسانی مدل‌های برنامه‌ریزی و پیوند دادن عرضه و تقاضا بسیار راحت‌تر و سریع‌تر انجام شود.

اما پرسش کلیدی اینجاست: اگر رقبای اصلی بازار هم به دنبال راه‌اندازی گراف دانش خودشان هستند، o9 چطور می‌خواهد تمایز و پیشتازی خود را حفظ کند؟

چاکری گوتموکالا در پاسخ به این چالش توضیح می‌دهد: «بزرگ‌ترین مشکل در سازمان‌ها صرفاً فناوری نیست، بلکه خود موضوع مدیریت تغییر است. گراف دانشی که پیش‌تر ساختیم، راهکاری بود برای جمع‌آوری تمام داده‌ها و دانش سازمان در یک مدل واحد تا تمام جزیره‌های اطلاعاتی به هم متصل شوند. ما با تمرکز روی این بخش، چالش تجمیع داده و دانش را حل کردیم؛ اما هنوز چالش چگونگی مدیریت تغییر در سازمان باقی مانده بود. این دقیقاً همان نقطه‌ای است که اکنون روی آن تمرکز کرده‌ایم.»

به گفته گوتموکالا، آن‌ها اکنون در حال گسترش گراف دانش هستند؛ به طوری که نه تنها دانش کسب‌وکار (مانند فرایند تولید، هوش بازار، ترجیحات مشتریان و ظرفیت تأمین‌کنندگان)، بلکه نحوه تصمیم‌گیری در سازمان را هم پوشش دهد؛ مفهومی که آن‌ها آن را «مدل عملیاتی کسب‌وکار» می‌نامند. شرکت‌ها چطور موقعیت‌ها را تحلیل می‌کنند؟ چه کسانی تصمیم‌گیرنده هستند؟ مسیر ارجاع تصمیمات چگونه است و چه عواملی جهت برنامه‌ریزی را تعیین می‌کنند؟ این بخش حجم عظیمی از دانش نهان را در خود جای داده است. گوتموکالا می‌گوید: «مسئله اصلی این است که چطور تغییر را در یک سازمان هدایت کنیم؟ برای ثبت این موضوع، باید بستر و بافتار بسیار گسترده‌تری از نحوه تصمیم‌گیری‌ها و محرک‌های رفتاری سازمان را مستندسازی کنیم.»

به عنوان مثال، وقتی تقاضا در بازار دستخوش نوسان می‌شود، شرکت گزینه‌های مختلفی پیش رو دارد: تغییر قیمت‌گذاری، عرضه محصول جدید یا حتی توقف تولید برخی کالاها (SKU). تمام این انتخاب‌ها نیازمند تحلیل دقیق هستند. گوتموکالا می‌افزاید: «تمام زمینه‌ها و عواملی که به یک تصمیم ختم شده‌اند—اینکه شرایط چه بوده، چه تحلیل‌هایی انجام شده و چه مواردی بررسی شده است—می‌توانند در قالب مفهومی به نام آبجکت ردپای تصمیم (Decision Trace Object) ذخیره شوند. بنابراین اگر ۶ ماه بعد این سؤال مطرح شود که چرا آن تصمیم خاص گرفته شد، چه نتایجی به دست آمد و چه بخش‌هایی شکست خورد، پاسخی شفاف در دسترس خواهد بود.»

دانستن اینکه چه کسی تصمیم گرفته، چه تصمیمی اتخاذ شده و نتیجه نهایی چه بوده، بافتار اطلاعاتی ارزشمندی می‌سازد. او تأکید می‌کند: «امروزه تمام این زمینه از دست می‌رود؛ ما فقط ارقام نهایی را ذخیره می‌کنیم، اما کل داستان پشت تصمیمات را گم می‌کنیم.» راهکار o9 با این آبجکت‌های ردپای تصمیم، ذخیره‌سازی جامع گزینه‌های بررسی‌شده، تحلیل‌ها و داده‌های متنی و عددی غیرساختاریافته است؛ قابلیتی که امکان جست‌وجو و پرس‌وجو به زبان طبیعی درباره تصمیمات گذشته را فراهم می‌کند.

با از میان رفتن مرزهای سنتی میان برنامه‌ریزی و اجرا، مدیریت زنجیره تأمین می‌تواند فوق‌العاده چابک شود. هرگاه اتفاق غیرمنتظره‌ای رخ دهد، موتور برنامه‌ریزی بلافاصله فعال می‌شود تا مشخص کند چطور می‌توان از یک فرصت جدید بیش‌ترین بهره را برد یا اثرات یک اختلال در زنجیره را به حداقل رساند.

شرکت o9 معتقد است راهکارهای برنامه‌ریزی باید «تطبیق‌پذیر» (Adaptive) باشند؛ واژه‌ای که آن‌ها برای توصیف فرایند بهبود و تکامل مستمر سیستم برنامه‌ریزی به کار می‌برند.

به بیان کوتاه و به قول چاکری گوتموکالا: «در حالی که دیگران تازه تلاش می‌کنند به جایی برسند که ما دیروز بودیم، o9 در حال حرکت به سمت موج بزرگ نوآوری بعدی در بازار است.»

گراف دانش سازمانی

شرکت o9 هسته گراف دانش خود را «گراف دانش سازمانی» (Enterprise Knowledge Graph یا EKG) نام‌گذاری کرده است.

مدل‌سازی یک زنجیره تأمین معمولاً با مدل کسب‌وکار شروع می‌شود؛ اینکه هر محصول زیرمجموعه کدام گروه کالایی است و کدام بخش تجاری به چه مشتریانی خدمت‌رسانی می‌کند. این مدل شامل اطلاعات محصولات، بازارها، مشتریان و تأمین‌کنندگان است.

بخش برنامه‌ریزی تأمین به طور خاص به یک «مدل تصمیم‌گیری» تکیه دارد. شرکت با فرموله‌کردن محدودیت‌ها (مثل سرعت آماده‌سازی خطوط تولید کارخانه، زمان ارسال محموله از سوی تأمین‌کننده، ظرفیت انبارها و صدها متغیر دیگر) و سیاست‌ها (برای نمونه، هدف‌گذاری سطح خدمت‌رسانی ۹۵ درصدی برای بهترین مشتریان و ۹۰ درصدی برای سایرین)، می‌تواند یک نقشه راه بهینه‌سازی‌شده خلق کند.

درحالی‌که رقبای شاخص بازار در مراحل مختلف گنجاندن مدل کسب‌وکار و مدل تصمیم‌گیری در گراف‌های دانش خود هستند، شرکت o9 پا را فراتر گذاشته و به عنوان تنها بازیگر این حوزه، از پیاده‌سازی «مدل عملیاتی» برای دستیابی به یک زنجیره تأمین کاملاً تطبیق‌پذیر صحبت می‌کند.

هوش مصنوعی ایجنتی

مؤسسه پژوهشی گارتنر به عنوان یک غول تحلیل داده در صنعت، نقش تعیین‌کننده‌ای در تصمیم خرید سازمان‌ها دارد. آن‌ها حامی سرسخت هوش مصنوعی ایجنتی هستند؛ رویکردی که متأسفانه موجی از «شوآف ایجنتی» (Agent Washing) به راه انداخته و فروشندگان مختلف سعی دارند با چسباندن برچسب ایجنت به نرم‌افزارهای خود، دل گارتنر و مشتریان را به دست آورند.

اما اگر تصورتان از هوش مصنوعی ایجنتی این است که کل سیستم زنجیره تأمین به انبوهی از ایجنت‌های کوچک و مستقل—قطعه‌کدهای ریزی که با هم هماهنگ می‌شوند—واگذار شود، سخت در اشتباهید؛ معماری پیچیده برنامه‌ریزی زنجیره تأمین به کدهای بسیار بزرگ و زیرساخت‌های سنگین نیاز دارد.

دیدگاه شرکت o9 این است که ایجنت‌ها باید در «لبه عملیات» (Edge) به کار گرفته شوند؛ ایده‌ای که واقعاً می‌تواند صنعت را به جلو براند. برای نمونه، موتور برنامه‌ریزی خروجی می‌دهد که چه میزان قطعه باید از کدام تأمین‌کننده خریداری شود؛ با گذشت زمان و افزایش اطمینان به سیستم، می‌توان اجرای خودکار این سفارش‌های خرید را به ایجنت‌ها سپرد. به این ترتیب، مرحله «اجرای برنامه» یکی از درخشان‌ترین زمینه‌ها برای قدرت‌نمایی ایجنت‌ها خواهد بود.

کاربرد دوم ایجنت‌ها از نگاه o9، رصد بی‌وقفه محیط بیرونی و اطمینان از این است که اتفاقات غیرمنتظره فرضیات اولیه برنامه را بر هم نزده باشند.

هوش موقعیتی

شرکت o9 ادبیات خاص خودش را دارد. آن‌ها از مدیریت سیگنال‌های خارجی در قالب یک «مدل جهان» (World Model) برای رصد سراسر زنجیره ارزش سخن می‌گویند. مدل جهان متغیرهای بیرونی مثل رقبا، مصرف‌کنندگان و شاخص‌های اقتصادی را زیر نظر می‌گیرد، درحالی‌که مدل سازمانی عملکرد داخلی را رصد می‌کند. این رصد بیرونی تماماً بر دوش ایجنت‌های هوش مصنوعی است؛ ایجنت‌هایی که ورودی‌های گوناگونی از شبکه‌های اجتماعی، داده‌های جمعیت‌شناختی و حتی روند فروش و قیمت‌گذاری بر اساس کد پستی مناطق را رصد می‌کنند.

سیستم با تحلیل اثرسنجی اولیه (Rough Cut)، ارزیابی می‌کند که آیا یک سیگنال نوظهور (مثل پست یک اینفلوئنسر که تقاضا برای یک کالای خاص را به شدت افزایش می‌دهد) نیازمند شبیه‌سازی سناریوی کامل است یا باید برای صرفه‌جویی در منابع پردازشی و انسانی نادیده گرفته شود. این لایه هوشمند ارزیابی اولیه انجام می‌دهد تا مشخص شود آیا موضوع به صف تحلیل تفصیلی فرستاده شود یا خیر؛ فیلتری حیاتی که سیگنال‌های واقعی را از هیاهو و نویزهای بی‌ارزش جدا می‌کند.

در عمل، اگر یک سیگنال بیرونی نشان‌دهنده جهش تقاضا باشد، سناریوی تأمین فوراً اجرا می‌شود تا بررسی شود چگونه می‌توان به این تقاضای جدید پاسخ داد. برعکس، اگر سیگنال‌های کلان اقتصادی حاکی از رکود یا کاهش فروش باشند، سیستم با کمک گراف دانش مشخص می‌کند کدام سفارش‌های خرید ورودی را می‌توان به تعویق انداخت یا به کلی لغو کرد.

البته ایده «مدل جهان» کاملاً بی‌سابقه نیست. شرکت‌های مختلفی ابزار‌های رصد لحظه‌ای ریسک‌های زنجیره تأمین تا چند لایه بالاتر، راه‌حل‌های رهگیری شبکه حمل‌ونقل و پلتفرم‌های تدارکات یکپارچه را ارائه کرده‌اند. با این وجود، وجه تمایز o9 این است که تمام این مفاهیم پراکنده را ذیل یک چتر واحد گرد آورده تا سیگنال‌های هوشمند برای پایش سراسر زنجیره ارزش تولید شوند.