तकनीकी सारांश: आपूर्ति-श्रृंखला बाजार अस्थिरता के तहत फेडरेटेड एन्सेम्बल फोरकास्टिंग (FEF-NCL)

1. समस्या की परिभाषा

यह शोध पत्र उन आपूर्ति-श्रृंखला नेटवर्क में सटीक, शासन योग्य (governable) मांग पूर्वानुमान उत्पन्न करने की चुनौती को संबोधित करता है जो तीन विशिष्ट बाधाओं से ग्रस्त हैं:

1. डेटा वितरण: वाणिज्यिक डेटा (लेनदेन रिकॉर्ड, आपूर्तिकर्ता शर्तें, ग्राहक इतिहास) कई संगठनों (क्लाइंट्स) में वितरित है जो संविदात्मक और नियामक जोखिमों के कारण कच्चा डेटा केंद्रीकृत नहीं कर सकते या नहीं करना चाहते।
2. गैर-समान वितरण (विषमता): क्लाइंट नोड्स अलग-अलग बाजार व्यवस्थाओं (market regimes), आपूर्तिकर्ता स्थितियों और फ्रेट वातावरणों का अनुभव करते हैं। मानक फेडरेटेड एवरेजिंग (federated averaging) दुर्लभ लेकिन महत्वपूर्ण "शॉक" व्यवस्थाओं (जैसे, कमोडिटी कीमतों में उछाल, फ्रेट में देरी) के ज्ञान को कम कर देती है जब अधिकांश क्लाइंट स्थिर रहते हैं।
3. बाजार अस्थिरता: फीचर्स (कीमत, लीड टाइम, कमोडिटी इंडेक्स) और मांग के बीच का संबंध तेजी से बदलता है (concept drift)। एक एकल वैश्विक मॉडल विशिष्ट व्यवस्थाओं के लिए आवश्यक विशेष पैटर्न को पकड़ने में विफल हो सकता है, जैसे कि स्थिर मौसमी पुनर्भरण बनाम फ्रेट-शॉक प्रतिक्रिया।

मुख्य प्रश्न यह है कि डेटा सीमाओं का सम्मान करते हुए और दुर्लभ, उच्च-प्रभाव वाले बाजार झटकों को संभालने के लिए नेटवर्क-व्यापी शिक्षण का लाभ उठाते हुए सटीक पूर्वानुमान कैसे प्राप्त किया जाए।

2. कार्यप्रणाली: FEF-NCL

प्रस्तावित समाधान, फेडरेटेड एन्सेम्बल फोरकास्टिंग विद नेगेटिव-कोरिलेशन लर्निंगिंग (FEF-NCL), चार सिद्धांतों पर आधारित एक वितरित ढांचा है:

• मल्टी-एक्सपर्ट लोकल आर्किटेक्चर: प्रत्येक क्लाइंट एक एकल मोनोलिथिक मॉडल के बजाय कई विशिष्ट "एक्सपर्ट" मॉडल प्रशिक्षित करता है। ये एक्सपर्ट्स विशिष्ट पैटर्न को पकड़ने के लिए डिज़ाइन किए गए हैं: रुझान (trends), मूल्य झटके (price shocks), देरी के जोखिम (delay risks), और अवशिष्ट मांग (residual demand)।
• नेगेटिव-कोरिलेशन लर्निंग (NCL): यह ढांचा लॉस फंक्शन में एक पेनल्टी टर्म पेश करता है जो एन्सेम्बल सदस्यों को समान अवलोकनों पर एक ही तरह की गलतियाँ करने से रोकता है। यह विशेषज्ञता (specialization) के लिए मजबूर करता है, यह सुनिश्चित करता है कि यदि एक एक्सपर्ट किसी विशिष्ट व्यवस्था (जैसे, कमोडिटी स्पाइक) पर विफल होता है, तो दूसरे एक्सपर्ट के सफल होने की संभावना अधिक होती है।
• ड्रिफ्ट-अवेयर और रिलायबिलिटी-वेटेड एग्रीगेशन: साधारण औसत के बजाय, सर्वर क्लाइंट विश्वसनीयता के आधार पर अपडेट को एकत्रित करता है। क्लाइंट्स वैलिडेशन लॉस, अस्थिरता और अपडेट नॉर्म्स के आधार पर एक "ड्रिफ्ट स्कोर" की गणना करते हैं। अस्थिर या निम्न-गुणवत्ता वाले क्लाइंट्स के अपडेट को कम भार दिया जाता है, जबकि विशिष्ट व्यवस्थाओं का अनुभव करने वाले क्लाइंट्स के अपडेट को संरक्षित किया जाता है यदि वे गुणवत्ता थ्रेसहोल्ड को पूरा करते हैं।
• व्याख्यात्मकता परत (Explainability Layer): सिस्टम में एक गवर्नेंस लेयर शामिल है जो बाजार, आपूर्तिकर्ता और ऑर्डर वेरिएबल्स के लिए फीचर एट्रिब्यूशन (SHAP के समान) को रिकॉर्ड करती है। यह योजनाकारों (planners) को यह समीक्षा करने की अनुमति देता है कि किन ड्राइवरों (जैसे, कमोडिटी इंडेक्स, सप्लायर ऑन-टाइम-इन-फुल रेशियो) ने एक विशिष्ट पूर्वानुमान को प्रभावित किया।

तकनीकी कार्यान्वयन:

• मॉडल: एक मल्टी-टास्क सीक्वेंस लर्निंग मॉडल जो एक साझा टेम्पोरल एनकोडर (Gated Recurrent Unit) और प्रति क्लाइंट चार स्थानीय एक्सपर्ट हेड्स का उपयोग करता है।
• कार्य: साथ ही चार-सप्ताह की मांग (रिग्रेशन), देरी जोखिम (वर्गीकरण), और मार्केट रिजीम (वर्गीकरण) की भविष्यवाणी करता है।
• बेसलाइन्स: इस पद्धति की तुलना सीजनल नैइव (Seasonal Naive), लोकल-ओनली टेम्पोरल फ्यूजन ट्रांसफॉर्मर (TFT), सेंट्रलाइज्ड XGBoost, और मानक फेडरेटेड लर्निंग एल्गोरिदम (FedAvg, FedProx, SCAFFOLD) से की गई है।

3. प्रयोगात्मक सेटअप और डेटा

अध्ययन एक एकल सिंथेटिक डेटासेट का उपयोग करता है जिसे मालिकाना डेटा को उजागर किए बिना आंतरिक निरंतरता सुनिश्चित करने के लिए बनाया गया है।

• पैमाना: 124,800 साप्ताहिक अवलोकन (जनवरी 2021 – दिसंबर 2024)।
• इकाइयाँ: 10 क्षेत्रीय क्लाइंट नोड्स, 60 उत्पाद परिवार, 40 आपूर्तिकर्ता, 5 कमोडिटी समूह।
• अस्थिरता प्रोफाइल: इसमें शांत अवधि, बढ़ती कीमत की अवधि और स्पष्ट मूल्य-शॉक व्यवस्थाएं (अवलोकनों का 14.6%) शामिल हैं।
• विभाजन: समय-आधारित विभाजन (प्रशिक्षण: सप्ताह 1–146; वैलिडेशन: 147–177; टेस्ट: 178–208) यह सुनिश्चित करने के लिए कि टेस्ट सेट में ऐसी रिजीम शिफ्ट शामिल हैं जो प्रशिक्षण में नहीं देखी गई थीं।
• मेट्रिक्स: वेटेड मीन एब्सोल्यूट परसेंटेज एरर (WMAPE), RMSE, डिले-रिस्क मैक्रो-F1, और रिजीम मैक्रो-F1।

4. मुख्य परिणाम

मूल्यांकन से पता चलता है कि FEF-NCL सिंथेटिक डेटासेट पर मानक फेडरेटेड बेसलाइन्स की तुलना में बेहतर प्रदर्शन करता है, विशेष रूप से अस्थिर परिस्थितियों में:

• कुल सटीकता: FEF-NCL ने 12.4% WMAPE प्राप्त किया, जो सर्वश्रेष्ठ फेडरेटेड बेसलाइन (SCAFFOLD 13.9% पर) और सेंट्रलाइज्ड XGBoost बेसलाइन (13.6%) से बेहतर है।
• जोखिम और रिजीम भविष्यवाणी: इसने डिले-रिस्क मैक्रो-F1 को 0.801 (SCAFFOLD के 0.755 के मुकाबले) और रिजीम मैक्रो-F1 को 0.763 तक सुधार दिया।
• अस्थिरता स्तरीकरण (Volatility Stratification): उच्च-अस्थिरता वाले परिदृश्यों में प्रदर्शन का अंतर बढ़ गया। उच्चतम अस्थिरता वाले क्विंटाइल में, FEF-NCL ने 21.3% का WMAPE दर्ज किया, जबकि SCAFFOLD के लिए यह 23.4% और FedAvg के लिए 24.5% था।
• एब्लेशन स्टडीज (Ablation Studies): नेगेटिव-कोरिलेशन पेनल्टी को हटाने से WMAPE बढ़कर 13.1% हो गया। ड्रिफ्ट-वेटेड एग्रीगेशन को हटाने से उच्च-अस्थिरता त्रुटि में 1.2 प्रतिशत अंक की वृद्धि हुई। यह पुष्टि करता है कि लाभ विविधता, ड्रिफ्ट वेटिंग और मल्टी-टास्क लर्निंग के बीच परस्पर क्रिया से उत्पन्न होते हैं।
• फीचर एट्रिब्यूशन: मॉडल ने तर्कसंगत ड्राइवरों की सफलतापूर्वक पहचान की, जिसमें कमोडिटी इंडेक्स (0.24), लीड टाइम (0.19) और सप्लायर रिलायबिलिटी (0.16) पूर्वानुमान भिन्नता के शीर्ष योगदानकर्ता थे।

5. महत्व और दावे

यह शोध पत्र FEF-NCL को सभी पूर्वानुमान विधियों के सार्वभौमिक रूप से श्रेष्ठ प्रतिस्थापन के रूप में नहीं, बल्कि विशिष्ट आपूर्ति-श्रृंखला संदर्भों के लिए एक विशेषीकृत आर्किटेक्चरल उम्मीदवार के रूप में प्रस्तुत करता है।

• मामूली दावा: लेखक स्पष्ट रूप से कहता है कि परिणाम सिंथेटिक डेटा से प्राप्त "आंतरिक निरंतरता के नियंत्रित साक्ष्य" हैं और वास्तविक दुनिया के सत्यापन का प्रतिनिधित्व नहीं करते हैं। सेंट्रलाइज्ड बेसलाइन ने कुछ संदर्भों में फेडरेटेड विधियों से बेहतर प्रदर्शन किया, जो यह दर्शाता है कि FEF-NCL का प्राथमिक मूल्य इसकी डेटा-बाउंड्री बाधाओं के तहत काम करने की क्षमता है।
• मुख्य योगदान: पेपर का तर्क है कि उन आपूर्ति श्रृंखलाओं में जहाँ दुर्लभ झटके परिचालन रूप से महत्वपूर्ण होते हैं (जैसे, स्टॉकआउट या त्वरित फ्रेट लागत का कारण बनते हैं), एन्सेम्बल स्पेशलाइजेशन साधारण एकत्रीकरण से बेहतर है। स्थानीय विशेषज्ञों को विशिष्ट त्रुटि प्रोफाइल विकसित करने की अनुमति देकर और रिजीम कवरेज द्वारा अपडेट को वेट करके, सिस्टम उस अल्पसंख्यक-रिजीम ज्ञान को संरक्षित करता है जिसे मानक फेडरेटेड लर्निंग अक्सर कम कर देती है।
• शासन (Governance): ढांचा सीधे मॉडल लूप में जोखिम शासन को एकीकृत करता है, जो अस्थिर वातावरण में निर्णय लेने में सहायता के लिए योजनाकारों को ड्रिफ्ट स्कोर और फीचर एट्रिब्यूशन प्रदान करता है।

6. सीमाएं और भविष्य का कार्य

पेपर कई सीमाओं को स्वीकार करता है और भविष्य की दिशाएं बताता है:

• सिंथेटिक डेटा: निष्कर्ष पूरी तरह से सिंथेटिक डेटासेट पर आधारित हैं; लाइव बैकटेस्ट के साथ वास्तविक दुनिया के सत्यापन की आवश्यकता है।
• गोपनीयता (Privacy): हालांकि कच्चा डेटा स्थानीय रहता है, पेपर नोट करता है कि ग्रेडिएंट्स और मॉडल अपडेट को सुरक्षित एकत्रीकरण और डिफरेंशियल प्राइवेसी के माध्यम से और अधिक सुरक्षा की आवश्यकता है।
• जटिलता: चार-एक्सपर्ट एन्सेम्बल संचार ओवरहेड (1.38x पैरामीटर्स) जोड़ता है और सीमित कंप्यूट या निकट-वास्तविक समय लेटेंसी आवश्यकताओं वाले क्लाइंट्स के लिए अनुपयुक्त हो सकता है।
• भविष्य की दिशाएं: लेखक भविष्य के कार्य का प्रस्ताव करता है: (1) वास्तविक/अर्ध-वास्तविक डेटासेट पर परीक्षण करना, (2) गोपनीयता तंत्र को मजबूत करना, (3) अनुकूल विशेषज्ञ निर्माण (डायनेमिक संख्या में विशेषज्ञ), (4) सांख्यिकीय त्रुटि से परे आर्थिक मेट्रिक्स (लागत, सेवा स्तर) को शामिल करना, और (5) व्याख्यात्मक आउटपुट पर योजनाकार के विश्वास का मानव-केंद्रित मूल्यांकन।