🤖 machine learning

Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization

تقترح هذه الورقة إطار عمل HAF-DS، وهو إطار عمل هجين للذكاء الاصطناعي يدمج التنبؤ بالطلب القائم على شبكات الذاكرة الطويلة قصيرة المدى (LSTM) مع البرمجة الخطية للأعداد الصحيحة المختلطة لتحسين دقة التنبؤ بشكل كبير وتقليل التكاليف التشغيلية في سلاسل توريد المنسوجات ومعدات الوقاية الشخصية المتقلبة.

المؤلفون الأصليون: Nusrat Yasmin Nadia, Md Habibul Arif, Habibor Rahman Rabby, Md Iftekhar Monzur Tanvir, Md. Jakir Hossen, M. F. Mridha

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nusrat Yasmin Nadia, Md Habibul Arif, Habibor Rahman Rabby, Md Iftekhar Monzur Tanvir, Md. Jakir Hossen, M. F. Mridha

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تدير مصنع ملابس ضخمًا وصاخبًا، يصنع أيضًا معدات طبية للطوارئ (مثل الكمامات والسترات الواقية). لديك مشكلتان كبيرتان:

مشكلة الكرة البلورية: تحتاج إلى تخمين عدد القمصان أو الكمامات التي سيشتريها الناس الشهر المقبل. إذا أخطأت في التخمين، فإما سيكون لديك الكثير من البضائع المتراكمة التي تضيع المال (هدر مالي)، أو نقص في البضائع (زبائن غاضبون).
مشكلة اللغز: بمجرد أن تضع تخمينًا، تحتاج إلى معرفة أفضل طريقة للحصول على المواد، وتوظيف العمال، وشحن البضائع دون إنفاق ثروة.

الطريقة القديمة (نهج "الصوامع"):
في الماضي، كانت الشركات تعامل هذه المهام كوظيفتين منفصلتين.

الفريق (أ) (المتنبئون): استخدموا الرياضيات لتخمين المبيعات المستقبلية. كانوا بارعين في تخمين الأرقام، لكنهم لم يهتموا بتكلفة الشحن أو ما إذا كان المصنع سيعاني فعليًا من نقص في القماش.
الفريق (ب) (المُحسِّنون): يأخذون تخمين الفريق (أ) ويحاولون بناء خطة. ولكن نظرًا لأن تخمين الفريق (أ) كان مجرد رقم، اضطر الفريق (ب) غالبًا لوضع قواعد مثل "افترض أن الشحن سريع دائمًا" أو "افترض أن الأسعار لا تتغير أبدًا".

النتيجة: خمن الفريق (أ) "سنبيع 1,000 وحدة". وضع الفريق (ب) خطة بناءً على ذلك. ولكن في الواقع، كان الشحن بطيئًا، وفشلت الخطة. كان الفريقان مثل شخصين يحاولان قيادة سيارة بينما ينظر كل منهما في اتجاه معاكس.

الحل الجديد: "العقل الفائق" (HAF-DS)

يقدم هذا البحث نظامًا جديدًا يسمى HAF-DS. فكر فيه ليس كفريقين منفصلين، بل كـ عقل واحد فائق الذكاء يقوم بكلتا الوظيفتين في وقت واحد.

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. "الساعة الذكية" (جزء الـ LSTM)

تخيل أن ساعتك الذكية لا تحسب خطواتك فحسب؛ بل تعرف عاداتك، وحالة الطقس، وجدول مواعيدك.

في هذا النظام، يكون الـ LSTM (نوع من أنواع الذكاء الاصطناعي) مثل تلك الساعة الذكية. فهو ينظر إلى سنوات من بيانات المبيعات، والعطلات، والاتجاهات.
لكن السحر يكمن هنا: هو لا يخمن الرقم فحسب. بل يتعلم كيف يخمن الرقم خصيصًا بطريقة تساعد المصنع على توفير المال. إنه يتعلم: "أوه، إذا توقعت طفرة كبيرة في الطلب، فإن تكاليف الشحن ستزيد، لذا يجب أن أكون أكثر حذرًا في توقعي".

2. "أستاذ الشطرنج" (جزء التحسين)

الآن، تخيل أستاذ شطرنج لا يحرك القطع عشوائيًا فحسب، بل يحسب أفضل حركة للفوز باللعبة.

هذا الجزء من النظام ينظر إلى توقع "الساعة الذكية" ويسأل فورًا: "حسنًا، إذا كنا بحاجة إلى 1,000 وحدة، فما هي أرخص طريقة للحصول عليها؟ أي مورد هو الأكثر موثوقية؟ كم يجب أن نحتفظ في المستودع؟"
إنه يأخذ في الاعتبار القيود الواقعية: "لا يمكننا طلب أكثر مما تستطيع الشاحنة حمله"، أو "هذا المورد بطيء".

3. "المصافحة" (الرابط الهجين)

هذا هو الجزء الأهم. في الأنظمة القديمة، لم تكن "الساعة الذكية" و"أستاذ الشطرنج" يتحدثان مع بعضهما البعض بعد بدء اللعبة.

في هذا النظام الجديد، هما يمسكان بأيدي بعضهما البعض.
إذا أدرك "أستاذ الشطرنج" أن الخطة مكلفة للغاية، فإنه يرسل إشارة عودة إلى "الساعة الذكية": "مهلًا، لقد أدى توقعك إلى خطة مكلفة. حاول تعديل تخمينك في المرة القادمة لمساعدتنا في توفير المال".
إذا رأت "الساعة الذكية" نمطًا يؤدي عادةً إلى نفاد المخزون، فإنها تخبر "أستاذ الشطرنج": "استعد، قد نحتاج إلى المزيد من المخزون".

إنهما يتعلمان معًا. يصبح النظام أفضل في التنبؤ وأفضل في التخطيط في آن واحد.

ماذا حدث عندما جربوا ذلك؟

اختبر الباحثون هذا "العقل الفائق" على بيانات حقيقية من مصانع المنسوجات ومصنعي معدات الوقاية الشخصية (PPE). وإليكم ما وجدوه، مترجمًا إلى لغة يومية:

أخطاء أقل: ارتكب النظام أخطاء أقل في التخمين حول كم سيشتري الناس. كان أكثر دقة بنسبة 15% من الطرق القديمة.
هدر أقل: نظرًا لأن التخمينات كانت أفضل، لم تضطر المصانع لتخزين الكثير من المخزون الإضافي "تحسبًا لأي طارئ". لقد وفروا حوالي 5% من تكاليف التخزين.
لا رفوف فارغة: كان الفوز الأكبر هو تجنب "نفاد المخزون" (أي نفاذ المنتج). قلل النظام من حالات نفاد المخزون بنسبة 27.5%. وهذا يعني أن الزبائن حصلوا على طلباتهم في الوقت المحدد في كثير من الأحيان.
زبائن أكثر سعادة: ارتفع "مستوى الخدمة" (مدى قدرة الشركة على قول "نعم، لدينا المنتج!") من 95.5% إلى 97.8%.

الخلاصة

فكر في هذا البحث كفرق بين الملاح الذي يشير فقط إلى الوجهة، والسائق الذي يعرف كيف يقود السيارة.

الطريقة القديمة: الملاح يقول: "قد باتجاه الشمال". السائق يقود باتجاه الشمال ولكنه يصطدم بحفرة وتتعطل سيارته.
الطريقة الجديدة (HAF-DS): الملاح والسائق هما نفس الشخص. يريان الحفرة القادمة، ويعدلان المسار أثناء التنبؤ بالوجهة، ويصلان بأمان وسرعة وبوقود أقل.

يثبت هذا الإطار الجديد للذكاء الاصطناعي أنه عندما تجمع بين التنبؤ بالمستقبل والتخطيط للحاضر، فأنت لا تحصل فقط على تخمين أفضل، بل تحصل على عمل تجاري أفضل، وأرخص، وأكثر موثوقية.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نهج التعلم العميق الهجين للتنبؤ بالطلب وتحسين سلاسل الإمداد" للباحثة نصرت ياسمين نادية وآخرون.

1. بيان المشكلة

تتناول الورقة فجوة حرجة في إدارة سلاسل الإمداد الحديثة، لا سيالما في الصناعات المتقلبة مثل المنسوجات وتصنيع معدات الوقاية الشخصية (PPE).

الفجوة: تتعامل الأساليب التقليدية مع التنبؤ بالطلب (التحليلات التنبؤية) وتحسين سلسلة الإمداد (التحليلات التوجيهية) كعمليتين متتاليتين ومنفصلتين بشكل فضفاض. تُدرب نماذج التنبؤ حصرياً لتقليل خطأ التنبؤ (مثل MAE أو RMSE) دون مراعاة التكاليف التشغيلية اللاحقة. وعلى العكس من ذلك، تعتمد نماذج التحسين غالباً على توقعات ثابتة وافتراضات تبسيطية (مثل أوقات التوريد الحتمية) التي تفشل في استيعاب التباين الواقعي.
النتيجة: يؤدي هذا الانفصال إلى قرارات غير مثالية، مما ينتج عنه تكدس المخزون، ونفاد المخزون، وتضخم تكاليف المخزون، وانخفاض مستويات الخدمة، خاصة أثناء الأزمات مثل الجوائح أو الاضطرابات اللوجستية.
الهدف: تطوير إطار عمل موحد يعمل على تحسين دقة التنبؤ والكفاءة التشغيلية بشكل مشترك، مما يضمن أن الرؤى التنبؤية تقود مباشرة إلى سياسات سلسلة إمداد فعالة من حيث التكلفة وموجهة نحو الخدمة.

2. المنهجية: إطار عمل HAF-DS

يقترح المؤلفون إطار العمل الهجين للذكاء الاصطناعي للتنبؤ بالطلب والتوريد والتحسين (HAF-DS). وبخلاف نماذج "التنبؤ ثم التحسين" المتسلسلة، يستخدم HAF-DS بنية قابلة للاشتقاق من البداية إلى النهاية (end-to-end differentiable architecture) حيث يتم تدريب وحدتي التنبؤ والتحسين بشكل متزامن.

أ. البنية الأساسية

يتكون إطار العمل من وحدتين مترابطتين ارتباطاً وثيقاً:

وحدة التنبؤ بالطلب:
- البنية: شبكة ذاكرة طويلة قصيرة المدى (LSTM) مكدسة.
- المدخلات: بيانات المبيعات السلاسل الزمنية (نافذة منزلقة لمدة 30 يوماً) والميزات الفئوية (SKU، المورد، الموسمية) التي تتم معالجتها عبر طبقات تضمين متعلمة (learned embedding layers).
- الوظيفة: التقاط التبعيات الزمنية وأنماط الطلب السياقية للتنبؤ بالطلب المستقبلي ( $\hat{y}_{t+1}$ ).
وحدة تحسين سلسلة الإمداد:
- البنية: شبكة عصبية كاملة الاتصال (FCNN) تعمل كطبقة تحسين قابلة للاشتقاق.
- المدخلات: الطلب المتوقع ( $\hat{y}_{t+1}$ ) والقيود من جانب العرض (مستويات المخزون، أوقات التوريد، موثوقية المورد، معدلات العيوب).
- الوظيفة: توليد إجراءات محسنة ( $o_{t+1}$ )، مثل كميات الطلب واختيار الموردين، لتقليل التكلفة التشغيلية الإجمالية مع الالتزام بالقيود.

ب. الابتكارات التقنية الرئيسية

الاقتران بالتدرج (التحسين القابل للاشتقاق): الابتكار الجوهري هو دالة الخسارة المشتركة (joint loss function) التي تسمتح بتدفق التدرجات من خسارة التحسين في جانب العرض رجوعاً إلى شبكة التنبؤ.
- إجمالي الخسارة: $L_{total} = \lambda_1 L_{forecast} + \lambda_2 L_{supply}$
- الآلية: يتم تحديث معاملات التنبؤ ( $\theta$ ) ليس فقط لتقليل خطأ التنبؤ، ولكن أيضاً لتقليل التكلفة التشغيلية اللاحقة ( $L_{supply}$ ). وهذا يخلق حلقة تغذية راجعة حيث يتعلم النموذج التنبؤ بالطلب بطريقة تكون "قابلة للتنفيذ تشغيلياً" وفعالة من حيث التكلفة.
تمثيل الميزات القائم على التضمين (Embedding-Based Feature Representation): يتم رسم المتغيرات الفئوية (مثل معرف المورد، نوع المنتج) إلى فضاءات متجهة كثيفة عبر تضمينات قابلة للتدريب، مما يسمح للنموذج بتعلم العلاقات الكامنة بين الموردين، والمنتجات (SKUs)، والأنماط الزمنية التي قد تغفلها طريقة الترميز الأحادي (one-hot encoding).
التنظيم العشوائي (Stochastic Regularization): للتعامل مع عدم اليقين، يتم أخذ عينات من الطلب المتوقع من توزيع غاوسي ( $\hat{y}_{t+1} \sim N(\mu, \sigma^2)$ )، مما يمكن وحدة التحسين من التكيف مع التوقعات المرجحة بالثقة.

ج. استراتيجية التدريب

البيانات: تم استخدام مجموعتي بيانات عامتين: مجموعة بيانات مبيعات المنسوجات (للطلب) ومجموعة بيانات سلسلة الإمداد (للعمليات).
المعالجة المسبقة: شملت تعويض المتوسط/المنوال (mean/mode imputation)، وتطبيع الحد الأدنى والأقصى (Min-Max normalization)، وتعزيز البيانات (حقن الضوضاء الغاوسية) لتحسين المتانة.
التحسين: تم التدريب باستخدام محسن Adam مع التوقف المبكر (early stopping). وتم ضبط أوزان التوازن ( $\lambda_1, \lambda_2$ ) عبر البحث الشبكي (grid search) لضمان عدم هيمنة أي من الوحدتين على عملية التعلم.

3. المساهمات الرئيسية

بنية موحدة تنبؤية-توجيهية: تقدم إطار عمل متكامل تماماً حيث يتم تدريب التنبؤ والتحسين بشكل مشترك، مما يسد الفجوة بين دقة التنبؤ واتخاذ القرار التشغيلي.
تدفق التدرج من البداية إلى النهاية: توضح كيف يمكن لقيود جانب العرض وأهداف التكلفة التأثير مباشرة على تعلم معاملات التنبؤ بالطلب، وهو ما يعد خروجاً كبيراً عن النهج التقليدي ذي المرحلتين.
التضمينات السياقية: تثبت أن التضمينات المتعلمة للمتغيرات الفئوية في سلسلة الإمداد تعزز بشكل كبير كلاً من دقة التنبؤ وأداء التحسين التشغيلي.
تقييم شامل: توفر مقارنة مرجعية واسعة النطاق ضد النماذج الإحصائية الكلاسيكية (ARIMA، Prophet)، ونماذج التعلم العميق الأساسية (LSTM، GRU، Transformers).

4. النتائج التجريبية

تم تقييم الإطار على مجموعات بيانات المنسوجات ومعدات الوقاية الشخصية، ومقارنة HAF-DS بالنماذج المرجعية مثل ARIMA وLSTM وGRU وTemporal Fusion Transformers (TFT).

أ. دقة التنبؤ

على المجموعة المشتركة، حقق HAF-DS انخفاضات كبيرة في مقاييس الخطأ مقارنة بأقوى نموذج أساسي للتعلم العميق (GRU):

MAE: انخفض من 15.04 إلى 12.83 (تحسن بنسبة 14.7%).
RMSE: انخفض من 19.53 إلى 17.11 (تحسن بنسبة 12.4%).
MAPE: انخفض من 9.5% إلى 8.1% (تحسن بنسبة 14.7%).
ملاحظة: تفوق النموذج حتى على النماذج المتقدمة القائمة على المحولات (TFT، Informer).

ب. أداء تحسين سلسلة الإمداد

أدى اقتران التنبؤ بالتحسين إلى مكاسب تشغيلية ملموسة:

تكلفة المخزون: انخفضت بنسبة 5.4%.
معدل نفاد المخزون: انخفض بنسبة 27.5% (من 4.0% إلى 2.9%).
مستوى الخدمة: ارتفع من 95.5% إلى 97.8%.
إجمالي التكلفة التشغيلية: انخفضت بنسبة 4.6%.

ج. دراسات الاستئصال (Ablation Studies)

التدريب المشترك: أدى إزالة التدريب المشترك (تدريب الوحدات بشكل منفصل) إلى زيادة قدرها ~19.5% في MAE وزيادة قدرها ~19.3% في تكاليف المخزون، مما يؤكد ضرورة النهج الموحد.
التضمينات: أدت إزالة التضمينات إلى زيادة MAE بنسبة ~9.7%، مما يبرز أهميتها للتعلم السياقي.
الحساسية: ظل النموذج قوياً تجاه التغيرات في معدلات التعلم وأحجام الدفعات (batch sizes)، رغم أن الاختلالات الشديدة في أوزان الخسارة ( $\lambda$ ) أدت إلى تدهور الأداء.

5. الأهمية والأثر

التقدم النظري: تصيغ الورقة الانتقال من "التنبؤ ثم التحسين" إلى "التنبؤ والتحسين" عبر الاقتران القابل للاشتقاق، مما يقدم نهجاً صارماً رياضياً لمواءمة أهداف التعلم مع التكاليف التشغيلية.
القابلية للتطبيق العملي: تم تصميم إطار العمل ليكون مستقلاً عن المجال وقابلاً للتوسع. يمكن دمجه في أنظمة ERP أو SCM الحالية عبر واجهات برمجة التطبيقات (APIs) النمطية.
المرونة: من خلال نمذجة قيود جانب العرض وعدم اليقين صراحة، فإن النظام أكثر قدرة على التعامل مع الأسواق المتقلبة (مثل الجوائح أو الصدمات اللوجستية)، مما يقلل من مخاطر نفاد المخزون وتكدسه.
القابلية للتفسير: يسمح تضمين آليات الانتباه (attention mechanisms) وتحليل حساسية القيود للمديرين بتتبع القرارات وصولاً إلى محركات محددة (مثل موثوقية المورد أو الاتجاهات الموسمية)، مما يعزز الثقة في التوصيات المدفوعة بالذكاء الاصطناعي.

في الختام، يثبت إطار عمل HAF-DS أن دمج التنبؤ بالتعلم العميق مع التحسين الرياضي في مسار واحد قابل للاشتقاق يؤدي إلى دقة فائقة وكفاءة تشغيلية أعلى مقارنة بالأساليب المتسلسلة التقليدية، مما يوفر حلاً قابلاً للتوسع لسلاسل الإمداد الحديثة والمتقلبة.