Zastosowanie metod uczenia maszynowego do przewidywania ryzyka uszkodzeń towarów

Zapotrzebowanie transportowe z roku na rok zwiększa się. Dzieje się tak z powodu wzrostu produkcji i konsumpcji. Czym dłuższy jest łańcuch dostaw, tym większe są możliwości wystąpienia w nim zakłóceń, gdyż wszystkie operacje wiążą się z ryzykiem. Jednakże o ryzyku w kontekście łańcucha dostaw i zarządzania nim mówi się od niedawna. Niestety żadna branża nie jest odporna na przewidywalne i nieprzewidywalne zakłócenia, które wywołują straty (np. zaginięcie towaru). Z punktu widzenia przewoźników istotna byłaby możliwość przewidzenia wystąpienia np. uszkodzenia towaru. Artykuł koncentruje się na wykorzystaniu metod uczenia maszynowego do przewidzenia ryzyka uszkodzeń towarów (takich jak sprzęt RTV, AGD czy telefony/komputery) w transporcie drogowym. W ramach badań wykorzystano pięć inteligentnych metod: regresję logistyczną, maszynę wektorów nośnych (SVM); drzewo decyzyjne; naiwny klasyfikator bayesowski; AdaBoost. Natomiast celem jest przedstawienie koncepcji oraz wymienionych metod uczenia maszynowego, miar oceniających wydajność modeli oraz wyników związanych z przeprowadzonym badaniem. Postawiony cel zdeterminował wybór metod badawczych – wykorzystano analizę literatury oraz programowanie. W ostatniej części artykułu przedstawiono wyniki otrzymane z analizy pięciu modeli. W ramach badań ustalono, że najlepszą zdolność predykcyjną ma AdaBoost.

Bibliografia/References

Anholcer, M. (2017). Optymalizacja przewozów produktów szybko tracących wartość – modele i algorytmy. Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu.

Baryannis, G., Dani, S., & Antoniou, G. (2019). Predicting supply chain risks. Using machine learning: The trade-off between performance and interpretability. Future Generation Computer Systems, 101, 993–1004. https://doi.org/10.1016/j.future.2019.07.059

Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2018). Supply chain risk management and artificial intelligence: State of the art and future research directions. International Journal of Production Research, 57(7), 2179–2022. https://doi.org/10.1080/00207543.2018.1530476

Cunningham, P., Cord, M., & Delany, S. J. (2008). W: M. Cord, & P. Cunningham (Red.), Machine learning techniques for multimedia.

Cognitive technologies (21–49). Springer. https://doi.org/10.1007/978-3-540-75171-7_2

Biazon de Oliveira, M., Zucchi, G., Lippi, M., Farias, C., Rosa da Silva, N., & Iori, M. (2021). Lead time forecasting with machine learning techniques for a pharmaceutical supply chain. Paper presentation. Proceedings of the 23nd International Conference on

Enterprise Information Systems on International Conference on Enterprise Information Systems (ICEIS). 26–28.04.2021. https://www.scitepress.org/Papers/2021/104344/104344.pdf

Dridi, S. (2021). Unsupervised learning – A systematic literature review. https://www.researchgate.net/-publication/357380639_Unsupervised_Learning_-_A_Systematic_Literature_Review (pobrano 22.09.2022).

Drucker, H., Donghui, W., & Vapnik, V. N. (1999). Support vector machines for spam categorization. IEEE Transactions on Neural Networks, 10(5), 1048–1054, https://doi.org/10.1109/72.788645

Iwendi, C., Mahboob, K., Khalid, Z., Javed, A. R., Rizwan, M., & Ghosh, U. (2022). Classification of COVID-19 individuals using adaptive neuro-fuzzy inference system. Multimedia Systems, 28(4), 1223–1237. https://doi.org/10.1007/s00-530-021-00774-w

Joachimiak, K. (2016). Zastosowanie technik uczenia maszynowego w przetwarzaniu języka naturalnego [praca magisterska, Uniwersytet im. Adama Mickiewicz w Poznaniu]. https://zpjn.wmi.amu.edu.pl/wp-content/uploads/-2019/04/praca-magisterska.pdf

Laska, J. (2019). Przegląd metod uczenia maszynowego stosowanych w analizie wydźwięku [praca magisterska, Uniwersytet im. Adama Mickiewicz w Poznaniu]. https://zpjn.wmi.amu.edu.pl/wpcontent/uploads/2019/10/praca_magis-terska_justyna_laska.pdf

Mittchel, T. (1997). Machine learning. McGraw-Hill Education.

Sartias, M. M., & Yasar, A. (2019). Performance analysis of ANN and Naive Bayes classification algorithm for data classification. International Journal of Intelligent Systems and Applications, 7, 89–91.

Schober, P., & Vetter, T. R. (2021). Logistic regression in medical research. Anesthesia and Analgesia, 132(2), 365–366. https://doi.org/10.1213/ANE.0000000000005247

Schroeder, M., & Lodemann, S. (2021). A systematic investigation of the integration of machine learning into supply chain risk management. Logistics, 5. https://doi.org/10.3390/logistics5030062

Su, J., & Zhang, R. (2006). A fast decision tree learning algorithm. W: AAAI'06: Proceedings of the 21st national conference on Artificial intelligence, 1, 500–505.

Waters, D. (2007). Supply chain risk management: Vulnerability and resilience. The Chartered Institute of Logistics and Transportation.

Wenzel, H., Smit, D., & Sardesai, S. (2019). A literature review on machine learning in supply chain management. Artificial Intelligence and Digital Transformation in Supply Chain Management: Innovative Approaches for Supply Chains, 27, 413–441.

Visa, S., Ramsay, B., Ralescu, A. L., & Van Der Knaap, E. (2011). Confusion matrix-based feature selection. W: Proceedings of The 22nd Midwest Artificial Intelligence and Cognitive Science Conference 2011, 120–127.

Wyrembek, M. (2022). Wykorzystanie technologii Big Data do predykcji ryzyka opóźnień w łańcuchu dostaw. Gospodarka Materiałowa i Logistyka, 6, 29–36, https://doi.org/10.33226/1231-2037.2022.6.4

Zhu, J., Zou, H., Rosset, S., & Hastie, T. (2009). Multi-class Adaboost. Statistics and Its Interface, 2, 349–360.