A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

في عالم سلاسل التوريد المعقد، يمثل الحفاظ على المخزون المناسب من القطع عملية توازن مستمرة. فإذا توقفت مصنع أو شركة طيران عن توفر مكون معين، يمكن أن تتوقف العمليات تماماً، مما يتسبب في تأخيرات مكلفة. ولكن إذا امتلأ مستودع بقطع لا تُستخدم أبداً، فإن الأموال تظل معطلة على الرفوف، وقد تصبح هذه العناصر بمرور الوقت غير صالحة للاستخدام. هذا التحدي صعب بشكل خاص بالنسبة لقطع الغيار المستخدمة في الآلات والمركبات؛ فخلافاً للطلب على السلع اليومية مثل الخبز أو البطاريات، التي يشتريها الناس بانتظام، غالباً ما تظل قطع الغيار دون استخدام لأشهر أو حتى سنوات، لتُطلب فجأة فقط عند تعطل آلة ما. هذا النمط، حيث تتقطع فترات طويلة من الصمت بطلبات نادرة وغير متوقعة، يخلق مشكلة تنبؤ فريدة من نوعها. فأدوات التنبؤ القياسية، التي تعمل جيداً مع المبيعات المستقرة، غالباً ما تفشل هنا؛ إذ تميل إلى التخمين بأن القطعة ستكون مطلوبة قريباً لمجرد أن الحسابات تشير إلى ذلك، مما يؤدي إلى تراكم مخزون غير ضروري، أو تفشل في رصد اللحظة النادرة التي تكون فيها القطعة مطلوبة بالفعل.

قام فريق من الباحثين من كلية اللوجستيات التابعة للقوات الجوية في الصين بتطوير نهج جديد لحل هذا اللغز تحديداً. فقد ابتكروا نموذجاً حاسوبياً متطوراً مصمماً للتعامل مع أنماط الطلب المتقلبة و"المتضخمة بالصفر" (zero-inflated)، حيث لا تظهر أي طلبات في معظم الأشهر. واختبر الباحثون نظامهم باستخدام مجموعة بيانات واقعية تحتوي على سجلات الطلب لأكثر من 2600 قطعة غيار مختلفة، وتتبعوا استخدامها على مدار فترة تزيد عن أربع سنوات. كان الهدف هو التنبؤ بما إذا كانت القطعة ستكون مطلوبة في الأشهر القادمة، وإذا كان الأمر كذلك، فما هو عدد الوحدات المطلوبة. يعمل نموذجهم الجديد، الذي أطلقوا عليه اسم "المحول الاندماجي التكيفي الديناميكي" (Dynamic Adaptive Fusion Transformer)، من خلال تقسيم مهمة التنبؤ إلى سؤالين متميزين: أولاً، هل ستكون القطعة مطلوبة أصلاً؟ وثانياً، إذا كانت مطلوبة، فما هو العدد المطلوب؟ ومن خلال التعامل مع هذين السؤالين كمشكلتين منفصلتين ثم دمج الإجابات بعناية، يتعلم النموذج التمييز بين غياب الحاجة الحقيقي وبين الطفرة النادرة في الطلب.

وجد الباحثون أن هذا النهج المنقسم، مقترناً بآلية تسمح للنموذج بتعديل مستوى ثقته بنفسه، قد حسن الدقة بشكل كبير. وفي اختباراتهم، كان النموذج الجديد أفضل بكثير في تجنب الإنذارات الكاذبة مقارنة بالطرق السابقة. فعندما كان الطلب الفعلي على قطعة ما صفراً، توقع النموذج الجديد حاجة تقترب من الصفر، مما منع المستودعات فعلياً من طلب قطع ستظل مركونة هناك لتجمع الغبار. وبشكل محدد، قلل النموذج الخطأ في التنبؤ بأشهر "الطلب الصفري" إلى مستوى منخفض جداً، متفوقاً بمراحل على الأساليب الإحصائية التقليدية وأدوات تعلم الآلة الحديثة الأخرى. ومع ذلك، كشفت الدراسة أيضاً عن وجود مقايضة؛ فبينما أصبح النموذج بارعاً في معرفة متى لا يطلب القطع، إلا أنه أصبح أحياناً أكثر حذراً عند التنبؤ بطفرات كبيرة ومفاجئة في الطلب. لقد نجح في كبح ضجيج النتائج الإيجابية الكاذبة، لكنه أحياناً قلل من تقدير حجم طلب عاجل وحقيقي.

لفهم كيفية عمل ذلك، تخيل النموذج كنظام يتحقق أولاً من التقويم وسجل التاريخ ليقرر ما إذا كان هناك طلب محتمل. إذا أظهر التاريخ أن القطعة لم تُستخدم منذ فترة طويلة، يميل النظام بقوة نحو التنبؤ بالصفر. أما إذا أظهر التاريخ نشاطاً حديثاً، فإنه يحول تركيزه إلى تقدير الكمية. وقد بنى الباحثون نظام "بوابة" (gating system) يعمل مثل مراقب حركة المرور، يقرر مقدار الوزن الذي يجب إعطاؤه لتخمين "هل سيحدث ذلك؟" مقابل تخمين "كم العدد؟". وهذا يسمح للنموذج بالمرونة؛ ففي الأشهر التي تشير البيانات فيها إلى فترة هدوء، يتنبأ النموذج بثقة بالصفر. وفي الأشهر التي تلمح فيها البيانات إلى وجود نشاط، فإنه يفتح الباب للتنبؤ برقم موجب. هذا التعديل الديناميكي هو ما يسمح للنظام بالتعامل مع عدم القدرة الشديد على التنبؤ بقطع الغيار دون أن يصاب بالارتباك بسبب فترات الصمت الطويلة.

أظهرت التجارب أن هذه الطريقة فعالة بشكل خاص للقطع التي نادراً ما تُستخدم ولكنها حيوية عند الحاجة إليها. فمن خلال تقليل عدد المرات التي يتنبأ فيها النموذج بحاجة لقطعة ليست مطلوبة في الواقع، يساعد النظام المؤسسات على توفير المال في التخزين وتجنب هدر الطلب على مخزون قد يصبح قديماً. وأشار الباحثون إلى أنه على الرغم من أن النموذج ليس مثالياً في التنبؤ بالحجم الدقيق لطفرة طلب مفاجئة وضخمة، إلا أن قدرته على تجنب الإنذارات الكاذبة تعد تحسناً كبيراً. وفي سياق إدارة المخزون، حيث يمكن أن تكون تكلفة الاحتفاظ بمخزون إضافي مرتفعة، فإن هذه الدقة تعد قيمة للغاية. وتشير الدراسة إلى أنه بالنسبة للعديد من قطع الغيار، فإن أفضل استراتيجية هي أن تكون حذراً جداً بشأن التنبؤ بالحاجة ما لم تكن الأدلة قوية، بدلاً من التخمين بأن الطلب قد يظهر لمجرد الاحتياط.

اختبر الباحثون نموذجهم مقابل عدة طرق أخرى، بما في ذلك التقنيات الإحصائية القديمة ونماذج التعلم العميق الجديدة. وكانت النتائج واضحة: أنتج النموذج الجديد أخطاءً أقل إجمالاً وكان أفضل بكما في تحديد الأشهر التي لن يحدث فيها أي طلب. وفي الواقع، عندما نظروا تحديداً إلى الأشهر التي لم تكن هناك حاجة لقطع، كانت تنبؤات النموذج الجديد أقرب بكثير إلى الصفر مقارنة بالطرق الأخرى. وهذا يعني أنه نجح في تجنب الفخ الشائع المتمثل في "التنبؤات الإيجابية الزائفة"، حيث يرى النموذج نمطاً غير موجود ويطلب قطعاً غير ضرورية. كما أكدت الدراسة أن كل جزء من نظامهم الجديد لعب دوراً حيوياً؛ فإزالة الجزء الذي يتحقق من حدوث الطلب جعلت النموذج أسوأ في التعامل مع أشهر الطلب الصفري، بينما جعلت إزالة الجزء الذي يتحقق من حجم الطلب النموذج أقل دقة عندما تكون القطع مطلوبة بالفعل. إن الجمع بين هذه العناصر، وإدارتها بواسطة آلية الاندماج التكيفي، خلق نظاماً أكثر قوة من أي مكون منفرد وحده.

بينما يتفوق النموذج في منع الإفراط في الطلب، أقر الباحثون بأنه لا يزال هناك مجال للتحسين فيما يتعلق بالتنبؤ بحجم الأحداث النادرة وعالية الحجم. ففي اختباراتهم، تنبأ النموذج أحياناً بعدد قطع أقل مما كان مطلوباً فعلياً خلال طفرة مفاجئة. وهذا يشير إلى أنه بينما يبرع النظام في معرفة متى يظل هادئاً، فإنه لا يزال يميل إلى التحفظ عندما يصل ضجيج طفرة طلب حقيقية. يقترح المؤلفون أن العمل المستقبلي يمكن أن يتضمن إضافة قواعد محددة للتعامل مع هذه الذروات القصوى أو دمج مخرجات النموذج مع سياسات مخزون الأمان لضمان عدم تفويت القطع الحرجة. في الوقت الحالي، توضح الدراسة أنه من خلال تفكيك مشكلة التنبؤ إلى أجزاء أصغر وأكثر قابلية للإدارة، وترك النموذج يقرر كيفية وزنها، يمكن إنشاء نظام أكثر ذكاءً لإدارة العالم غير المتوقع لقطع الغيار.

إن آثار هذا العمل تمتد إلى ما وراء قطاعات الطيران أو العسكرية التي ينتمي إليها الباحثون. فأي صناعة تعتمد على صيانة معدات ذات قطع تُستخدم على فترات متباعدة يمكن أن تستفيد من هذا النهج. من التصنيع الصناعي إلى إصلاح السيارات، يعد تحدي التنبؤ بالطلب المتقطع أمراً عالمياً. إن نجاح "المحول الاندماجي التكيفي الديناميكي" يشير إلى أن مستقبل إدارة المخزون لا يكمن في محاولة فرض تنبؤ واحد بسيط على بيانات معقدة، بل في بناء أنظمة يمكنها فهم حالات الطلب المختلفة وتكييف استراتيجيتها وفقاً لذلك. ومن خلال تعلم التمييز بين غياب الحاجة الحقيقي ولحظة النشاط النادرة، يمكن لهذه الأنظمة مساعدة الشركات على العمل بكفاءة أكبر، والحفاظ على سلاسل توريد رشيقة دون المخاطرة بتوفر القطع التي يحتاجونها بشدة.