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

आपूर्ति श्रृंखलाओं (supply chains) की जटिल दुनिया में, सही पुर्जों का स्टॉक बनाए रखना एक निरंतर संतुलन बनाने जैसा है। यदि किसी कारखाने या एयरलाइन के पास किसी विशिष्ट घटक (component) की कमी हो जाती है, तो परिचालन ठप हो सकता है, जिससे भारी देरी और लागत होती है। लेकिन यदि कोई गोदाम ऐसे पुर्जों से भरा है जिनका कभी उपयोग नहीं किया जाता, तो पैसा अलमारियों पर बेकार पड़ा रहता है, और वे वस्तुएं अंततः अप्रचलित (obsolete) हो सकती हैं। यह चुनौती मशीनरी और वाहनों में उपयोग होने वाले स्पेयर पार्ट्स के लिए विशेष रूप से कठिन है। रोजमर्रा की वस्तुओं जैसे ब्रेड या बैटरी की मांग के विपरीत, जिन्हें लोग नियमित रूप से खरीदते हैं, स्पेयर पार्ट्स अक्सर महीनों या वर्षों तक बिना छुए पड़े रहते हैं, और केवल तभी आवश्यक होते हैं जब अचानक कोई मशीन खराब हो जाती है। यह पैटर्न, जहाँ लंबे समय की शांति को दुर्लभ, अप्रत्याशित अनुरोधों द्वारा बाधित किया जाता है, एक अनूठी पूर्वानुमान समस्या (forecasting problem) पैदा करता है। मानक भविष्यवाणी उपकरण, जो स्थिर बिक्री के लिए अच्छी तरह काम करते हैं, यहाँ अक्सर विफल हो जाते हैं। वे गणित के आधार पर यह अनुमान लगाने लगते हैं कि किसी भाग की आवश्यकता जल्द ही होगी, जिससे अनावश्यक इन्वेंट्री का ढेर लग जाता है, या वे उस दुर्लभ क्षण को भी चूक जाते हैं जब वास्तव में किसी भाग की आवश्यकता होती है।

चीन के एयर फ़ोर्स लॉजिस्टिक्स कॉलेज के शोधकर्ताओं की एक टीम ने इस विशिष्ट पहेली को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने एक परिष्कृत कंप्यूटर मॉडल बनाया है जिसे इन अनियमित, "जीरो-इन्फ्लेटेड" (zero-inflated) मांग पैटर्न को संभालने के लिए डिज़ाइन किया गया है, जहाँ अधिकांश महीनों में कोई मांग नहीं दिखाई देती है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण एक वास्तविक डेटासेट का उपयोग करके किया जिसमें 2,600 से अधिक विभिन्न स्पेयर पार्ट्स के मांग रिकॉर्ड शामिल थे, और चार वर्षों से अधिक की अवधि में उनके उपयोग को ट्रैक किया गया था। लक्ष्य यह अनुमान लगाना था कि क्या आने वाले महीनों में किसी भाग की आवश्यकता होगी और, यदि हाँ, तो कितने इकाइयों की आवश्यकता होगी। उनका नया मॉडल, जिसे वे 'डायनेमिक एडेप्टिव फ्यूजन ट्रांसफॉर्मर' (Dynamic Adaptive Fusion Transformer) कहते हैं, भविष्यवाणी कार्य को दो अलग-अलग प्रश्नों में विभाजित करके काम करता है: पहला, क्या भाग की आवश्यकता होगी? और दूसरा, यदि इसकी आवश्यकता है, तो कितनी मात्रा में? इन दोनों को अलग-अलग समस्याओं के रूप में मानकर और फिर उत्तरों को सावधानीपूर्वक जोड़कर, मॉडल यह पहचानने में सक्षम होता है कि वास्तविक आवश्यकता की कमी और मांग के दुर्लभ उछाल के बीच क्या अंतर है।

शोधकर्ताओं ने पाया कि यह विभाजन दृष्टिकोण, एक ऐसी प्रणाली के साथ जो मॉडल को अपने स्वयं के आत्मविश्वास (confidence) को समायोजित करने की अनुमति देती है, सटीकता में काफी सुधार करता है। अपने परीक्षणों में, नया मॉडल पिछले तरीकों की तुलना में गलत चेतावनियों (false alarms) से बचने में बहुत बेहतर रहा। जब किसी भाग की वास्तविक मांग शून्य थी, तो नए मॉडल ने शून्य के करीब आवश्यकता का अनुमान लगाया, जिससे प्रभावी रूप से गोदाम को उन पुर्जों को ऑर्डर करने से रोका गया जो बस धूल फांकते रहेंगे। विशेष रूप से, मॉडल ने शून्य-मांग वाले महीनों की भविष्यवाणी करने वाली त्रुटि को बहुत निचले स्तर तक कम कर दिया, जो पारंपरिक सांख्यिकीय विधियों और अन्य आधुनिक मशीन लर्निंग उपकरणों से कहीं बेहतर प्रदर्शन करता है। हालाँकि, अध्ययन ने एक समझौता (trade-off) भी उजागर किया। जबकि मॉडल यह जानने में उत्कृष्ट बन गया कि कब ऑर्डर नहीं करना है, यह मांग के बड़े, अचानक उछाल की भविष्यवाणी करते समय कभी-कभी थोड़ा अधिक सतर्क (cautious) हो गया। इसने 'फॉल्स पॉजिटिव' के शोर को सफलतापूर्वक दबा दिया लेकिन कभी-कभी वास्तविक, तत्काल अनुरोध के आकार को कम करके आंका।

यह समझने के लिए कि यह कैसे काम करता है, कल्पना करें कि मॉडल एक ऐसा सिस्टम है जो पहले यह तय करने के लिए कैलेंडर और इतिहास लॉग की जांच करता है कि क्या कोई अनुरोध संभावित है। यदि इतिहास दिखाता है कि भाग का लंबे समय से उपयोग नहीं हुआ है, तो सिस्टम शून्य की भविष्यवाणी करने की ओर झुकता है। यदि इतिहास में हालिया गतिविधि दिखती है, तो यह मात्रा का अनुमान लगाने पर अपना ध्यान केंद्रित करता है। शोधकर्ताओं ने एक "गेटिंग" (gating) सिस्टम बनाया है जो एक ट्रैफिक कंट्रोलर की तरह कार्य करता है, जो यह तय करता है कि "क्या यह होगा?" वाले अनुमान को कितना महत्व दिया जाए बनाम "कितना होगा?" वाले अनुमान को। यह मॉडल को लचीला बनाता है। उन महीनों में जहाँ डेटा शांत अवधि का सुझाव देता है, मॉडल आत्मविश्वास से शून्य की भविष्यवाणी करता है। उन महीनों में जहाँ डेटा गतिविधि का संकेत देता है, यह सकारात्मक संख्या की भविष्यवाणी करने के लिए द्वार खोल देता है। यही गतिशील समायोजन (dynamic adjustment) है जो सिस्टम को स्पेयर पार्ट्स की अत्यधिक अप्रत्याशчность को संभालने में सक्षम बनाता है बिना भ्रमित हुए।

प्रयोगों ने दिखाया कि यह विधि उन पुर्जों के लिए विशेष रूप से प्रभावी है जिनका उपयोग शायद ही कभी किया जाता है लेकिन आवश्यकता होने पर वे महत्वपूर्ण होते हैं। उन मामलों की संख्या को कम करके जहाँ मॉडल गलत तरीके से उस भाग की आवश्यकता बताता है जिसकी वास्तव में आवश्यकता नहीं है, यह सिस्टम संगठनों को भंडारण पर पैसा बचाने और अप्रचलित स्टॉक के कचरे से बचने में मदद करता है। शोधकर्ताओं ने नोट किया कि हालांकि मॉडल अचानक आए बड़े मांग उछाल की सटीक मात्रा की भविष्यवाणी करने में पूर्ण नहीं है, लेकिन गलत चेतावनियों (false alarms) को रोकने की इसकी क्षमता एक बड़ा सुधार है। इन्वेंटरी प्रबंधन के संदर्भ में, जहाँ अतिरिक्त स्टॉक रखने की लागत अधिक हो सकती है, यह सटीकता मूल्यवान है। अध्ययन बताता है कि कई स्पेयर पार्ट्स के लिए, सबसे अच्छी रणनीति यह है कि जब तक प्रमाण मजबूत न हो, तब तक आवश्यकता की भविष्यवाणी करने में बहुत सावधान रहा जाए, बजाय इसके कि केवल सुरक्षित रहने के लिए मांग दिखने का अनुमान लगाया जाए।

शोधकर्ताओं ने अपने मॉडल का परीक्षण कई अन्य विधियों के विरुद्ध किया, जिनमें पुराने सांख्यिकीय तकनीकें और नई डीप लर्निंग मॉडल शामिल थे। परिणाम स्पष्ट थे: नए मॉडल ने कुल त्रुटियों को कम किया और यह पहचानने में बहुत बेहतर था कि किन महीनों में कोई मांग नहीं होगी। वास्तव में, विशेष रूप से उन महीनों को देखते हुए जहाँ किसी भाग की आवश्यकता नहीं थी, नए मॉडल की भविष्यवाणियां अन्य विधियों की तुलना में शून्य के बहुत करीब थीं। इसका अर्थ है कि इसने "स्प्यूरियस पॉजिटिव प्रेडिक्शन" (spurious positive predictions) के सामान्य जाल से सफलतापूर्वक परहेज किया, जहाँ एक मॉडल वहां पैटर्न देखता है जो मौजूद ही नहीं है और अनावश्यक रूप से पुर्जे ऑर्डर कर देता है। अध्ययन ने यह भी पुष्टि की कि उनके नए सिस्टम का प्रत्येक हिस्सा एक महत्वपूर्ण भूमिका निभाता है। मांग की उपस्थिति की जांच करने वाले हिस्से को हटाने से मॉडल शून्य-मांग वाले महीनों को संभालने में कमजोर हो गया, जबकि मांग के आकार की जांच करने वाले हिस्से को हटाने से वास्तविक आवश्यकता के समय इसकी सटीकता कम हो गई। इन तत्वों के संयोजन ने, जिसे एडेप्टिव फ्यूजन मैकेनिज्म द्वारा प्रबंधित किया गया था, एक ऐसा सिस्टम बनाया जो अकेले किसी भी घटक की तुलना में अधिक सुदृढ़ (robust) था।

जबकि मॉडल अधिक-ऑर्डरिंग को रोकने में उत्कृष्ट है, शोधकर्ताओं ने स्वीकार किया कि अचानक उच्च-मात्रा की घटनाओं की भविष्यवाणी करने के मामले में इसमें अभी भी सुधार की गुंजाइश है। अपने परीक्षणों में, मॉडल ने कभी-कभी वास्तविक मांग के उछाल के दौरान आवश्यक पुर्जों की संख्या को कम बताया। यह सुझाव देता है कि हालांकि सिस्टम यह जानने में बहुत अच्छा है कि कब शांत रहना है, लेकिन वास्तविक मांग के उछाल के आगमन पर यह थोड़ा रूढ़िवादी (conservative) हो सकता है। लेखक प्रस्ताव देते हैं कि भविष्य के कार्य में इन चरम शिखरों (extreme peaks) को संभालने के लिए विशिष्ट नियम जोड़ना या मॉडल के आउटपुट को सुरक्षा स्टॉक (safety stock) नीतियों के साथ जोड़ना शामिल हो सकता है ताकि यह सुनिश्चित किया जा सके कि महत्वपूर्ण पुर्जे कभी छूट न जाएं। फिलहाल, अध्ययन यह प्रदर्शित करता है कि पूर्वानुमान की समस्या को छोटे, अधिक प्रबंधनीय टुकड़ों में तोड़कर और मॉडल को यह तय करने देकर कि वह उन्हें कैसे तौले, स्पेयर पार्ट्स की अप्रत्याशित दुनिया को प्रबंधित करने के लिए बहुत स्मार्ट सिस्टम बनाया जा सकता है।

इस कार्य के निहितार्थ केवल सैन्य या विमानन क्षेत्रों तक ही सीमित नहीं हैं, जहाँ शोधकर्ता आधारित हैं। कोई भी उद्योग जो कम बार उपयोग किए जाने वाले पुर्जों के साथ उपकरणों के रखरखाव पर निर्भर करता है, इस दृष्टिकोण से लाभान्वित हो सकता है। औद्योगिक विनिर्माण से लेकर ऑटोमोटिव मरम्मत तक, रुक-रुक कर होने वाली मांग (intermittent demand) की भविष्यवाणी करने की चुनौती सार्वभौमिक है। 'डायनेमिक एडेप्टिव फ्यूजन ट्रांसफार्मर' की सफलता यह बताती है कि इन्वेंटरी प्रबंधन का भविष्य जटिल डेटा पर एक एकल, सरल भविष्यवाणी थोपने में नहीं है, बल्कि ऐसे सिस्टम बनाने में है जो मांग की विभिन्न अवस्थाओं को समझ सकें और उसके अनुसार अपनी रणनीति बदल सकें। मांग की वास्तविक कमी और उच्च गतिविधि के दुर्लभ क्षण के बीच अंतर करना सीखकर, ये सिस्टम व्यवसायों को अधिक कुशलता से संचालित करने में मदद कर सकते हैं, जिससे उनकी आपूर्ति श्रृंखलाएं चुस्त बनी रहती हैं और उन पुर्जों की उपलब्धता का जोखिम भी कम होता है जिनकी उन्हें सबसे अधिक आवश्यकता होती है।