الذكاء الاصطناعي يقتحم سلاسل التوريد ويغير شكل القطاع عالميًا

الثلاثاء، 28 أبريل 2026 07:12 م

الذكاء الاصطناعي يقتحم سلاسل التوريد

يحدث الذكاء الاصطناعي تحولاً سريعاً في أبحاث وممارسات إدارة سلاسل التوريد، ومع ذلك يعتمد على مدى فعالية دمجه مع نظريات وأساليب ومبادئ إدارة العمليات، التي يجب أن تتطور بدورها لمواكبة التغيرات المعلوماتية والتحفيزية والمؤسسية التي يحدثها الذكاء الاصطناعي.

إن إدارة العمليات تحظى بدور هام ومسؤولية كبيرة في قيادة تشكيل كيفية تأثير الذكاء الاصطناعي على سلاسل التوريد، فضلاً عن كيفية تصميم سلاسل التوريد التي تدعم الذكاء الاصطناعي.

سلسلة التوريد لها جذور تاريخية

إن سلسلة التوريد لها جذور تاريخية عميقة، فقد طورت الحضارات القديمة شبكات تجارية واسعة النطاق لنقل البضائع عبر مسافات شاسعة، وقام التجار بتنظيم التدفقات في العصور الوسطى وزيادة المواد والمنتجات عبر المناطق المختلفة.

وقد ضاعفت الثورة الصناعية هذا التعقيد بشكل كبير فأنشأت أنظمة المصانع وشبكات السكك الحديدية وقنوات التوزيع العالمية التي تتطلب تنسيق غير مسبوق، وبرغم ذلك لم يتبلور مفهوم إدارة سلسلة التوريد كتخصص حينها.

بدأ الذكاء الاصطناعي يظهر رسميًا في خمسينيات القرن الماضي، عندما سعى باحثون أمثال هربرت ونيويل ومكارثي إلى ابتكار آلات قادرة على السلوك الذكي، أي أنظمة لها القدرة في الاستدلال والتعلم وحل المشكلات التي كانت تتطلب سابقًا قدرات بشرية.

وبعد ظهوره بدأ الذكاء الاصطناعي يعاني من تقلبات تاريخية، مما أدى إلى فقدان الآمال الكبيرة التي علقها علماء الذكاء الاصطناعي في خمسينيات وستينيات القرن الماضي، وحل محلها ما يعرف بـ “فترات ركود الذكاء الاصطناعي”، حيث لم تتحقق آمالهم الكبيرة التي راودتهم سابقًا.

ثم انتعش الذكاء الاصطناعي في القرن الماضي، مدفوعًا باكتشافات رائدة، واستبدال أنظمة التعلم الآلي بالأنظمة القائمة على القواعد والتقدم في التعلم العميق، وتمثل التطورات الحديثة في الذكاء الاصطناعي التوليدي ونماذج اللغة الكبيرة قفزة نوعية أخرى.

التقارب بين الذكاء الاصطناعي وسلسلة التوريد

لقد تقارب المجالان بقوة ملحوظة في آخر فترة، وبات الذكاء الاصطناعي محورياً بشكل متزايد في كيفية استشعار الشركات للطلب، وتخصيص الموارد، وتوجيه الشحنات، والاستجابة للاضطرابات، ونلاحظ أن التعلم الآلي يحسن دقة التنبؤ، والتعلم يعزز من قرارات المخزون، ويمكن للحاسوب مراقبة الروبوتات في المستودعات، وتساهم نماذج التعلم في توفير أدوات تخطيط متقدمة تجعل الأمر أكثر سهولة في الوصول إليها.

يمثل هذا التقارب إمكانات هائلة ومسؤولية كبيرة، وتعد سلاسل التوريد أنظمة معقدة تتداخل فيها القرارات عبر المؤسسات والمناطق الجغرافية والآفاق الزمنية، لذلك لا يقتصر التحدي على الجانب التقني فحسب، بل يتعداه إلى الجانب التكاملي.

حتى برز سؤال تم عرضه من قبل العلماء: كيف نجمع بين ما يجيده الذكاء الاصطناعي (التعرف على الأنماط، والتكيف السريع، ومعالجة تدفقات البيانات الضخمة، والتنبؤ الديناميكي الدقيق) وما توفره إدارة العمليات (الفهم الهيكلي، ومنطق القيود، والنمذجة الدقيقة، والمفاضلات الاستراتيجية)؟

يتطلب التكامل الفعال التعاون، ولذلك نقول إن نماذج الذكاء الاصطناعي التي تقتصر على تقليل الخسائر تغفل من خلالها المحرك الأساسي لأداء سلسلة التوريد، ألا وهو جودة القرار.

معرفة إدارة سلسلة التوريد تشكل البنية الأساسية لاتخاذ القرار

بينما عزز الذكاء الاصطناعي بشكل كبير قدرتنا على حل مشكلات إدارة سلسلة التوريد (أو بشكل أوسع، مشكلات إدارة العمليات)، فإن معرفة إدارة سلسلة التوريد تشكل البنية الأساسية لاتخاذ القرارات الفعالة، والتي يمكن تعزيزها بالذكاء الاصطناعي ولكن لا ينبغي استبدالها به.

ويمكن لمبادئ إدارة سلسلة التوريد أن توجه عملية جمع البيانات وتساعد في تحديد المتغيرات ذات الصلة التي يجب تسجيلها، مثل المخزون المتاح أو وضع المخزون، وهو أمر بالغ الأهمية لتكوين قواعد بيانات عالية الجودة لتدريب التعلم الآلي، ومحاكاة النماذج، والتحسين.

تجسد نماذج عمليات سلسلة التوريد المعرفة الأساسية بالمجال وهياكل الشبكة التي لا تحتاج إلى إعادة تعلمها من البيانات، وعلى سبيل المثال، تتبع أنظمة المخزون إيقاعًا طبيعيًا لدورات التجديد، وهذا من شأنه أن يحكم أي عملية تعلم.

وتضيف تقنيات التعلم الآلي، التي تعمل كطبقة ذكاء تكيفي، قيمة إلى هذه الهياكل من خلال رصد الأنماط المعقدة والتكيف مع الظروف المتغيرة وعلى وجه التحديد، تتميز تقنيات التعلم الآلي بقدرتها على الكشف عن علاقات جديدة بين العديد من المتغيرات في البيانات، مثل نمذجة كيفية اعتماد الطلب على العروض الترويجية والطقس والموسمية وخصائص العملاء.

التنبؤ يعتمد على كم هائل من البيانات الداخلية والخارجية

يمكن لنماذج التنبؤ المتقدمة بالطلب الاعتماد على مئات المتغيرات الديناميكية المستمدة من مجموعات البيانات الداخلية والخارجية، ويمكن إعادة تدريب هذه النماذج بشكل متكرر لرصد التغيرات الدقيقة في بيئة السوق الأساسية، بل ويمكنها الاستفادة من تقنيات تكييف المجال للتعلم عبر المجالات ونقل المعرفة بفعالية

وتمكن تقنيات التعلم المعزز المتقدمة من تعلم وظائف السياسة المعقدة وغير البارامترية استجابة للبيئات المتغيرة، ويمكن تدريب أساليب كشف الشذوذ على كميات هائلة من البيانات للكشف المبكر عن الإشارات الدالة على أحداث معادية نادرة، مثل الشراء بدافع الذعر واضطرابات سلسلة التوريد.

إن العلاقات والوظائف المكتسبة تضفي المرونة والقدرة على التكيف على نماذج وأدوات إدارة العمليات الكلاسيكية، بما في ذلك المحاكاة والتحسين، وفي حين أن معرفة إدارة العمليات والمقايضات الحاسمة تضمن أن القرارات تتبع القواعد الفيزيائية للنظام التشغيلي مع إمكانية التفسير.