تحلیل پیاده سازی هوش مصنوعی در پیش بینی تقاضا و مدیریت موجودی انبار

چکیده مقاله

مدیریت بهینه موجودی انبار و پیش بینی دقیق تقاضا، از چالش های کلیدی زنجیره تامین مدرن به شمار می روند روش های سنتی آماری به دلیل ماهیت خطی و ناتوانی در پردازش حجم بالا و غیرخطی بودن داده ها، اغلب از دقت کافی برخوردار نیستند این مقاله به تحلیل پیاده سازی رویکردهای هوش مصنوعی AI از جمله یادگیری ماشین مانند جنگل تصادفی، XGBoost و یادگیری عمیق شبکه های LSTM در بهبود پیش بینی تقاضا و مدیریت موجودی می پردازد یافته ها نشان می دهد که الگوریتم های هوش مصنوعی قادرند الگوهای پیچیده و فصلی تقاضا را با خطای کمتر شناسایی کرده و با یکپارچگی در سیستم های برنامه ریزی منابع سازمان ERP ، سطح موجودی ایمنی، هزینه های نگهداری و میزان کمبودها را به طور میانگین بین ۲۰ تا ۵۰ درصد کاهش دهند با این حال، چالش هایی نظیر نیاز به داده های حجیم و باکیفیت، هزینه های پیاده سازی اولیه و تفسیرپذیری پایین مدل ها مسئله جعبه سیاه از موانع اصلی پذیرش گسترده آن هاست مقاله در پایان توصیه هایی برای پیاده سازی گام به گام هوش مصنوعی در انبارها ارائه می دهد

کلیدواژه‌ها

نویسندگان

دارا رحمتیار

کارمند شهرداری مریوان

�حمتیار، دارا،1404،تحلیل پیاده سازی هوش مصنوعی در پیش بینی تقاضا و مدیریت موجودی انبار،پنجمین همایش بین المللی علوم سیاسی، مدیریت، اقتصاد و حسابداری،همدان

ارائه‌شده در

مجموعه مقالات پنجمین همایش بین المللی علوم سیاسی، مدیریت، اقتصاد و حسابداری25 مرداد 1404 · همدان