企業在供應鏈決策中面臨著兩大挑戰：最大限度地提高利潤和快速適應動態變化。為了實現優化的供應鏈運營，企業需要依賴高級分析和實時數據處理，以適應快速變化的環境并做出明智的決策。
優化無處不在。為了履行客戶承諾并降低風險，組織運行數千個什么如果場景，以滿足客戶承諾并將風險降至最低。
例如，零售公司必須考慮交通、天氣和行駛里程等因素，以優化路線，并降低物流成本，其中超過一半的成本歸功于最后一英里配送?。
同樣，制藥公司必須應對復雜的供應鏈和監管限制，以及高昂的研發成本，這使得實時優化變得困難。
金融機構必須在波動的市場中平衡風險和回報，這需要復雜的數學模型(PDF)為決策制定。
農業 sector 需要處理不可預測的因素，如天氣和市場需求
在本文中，我們將展示如何使用線性編程和 LLM，借助 NVIDIA cuOpt 微服務中的優化 AI，克服優化挑戰，并以出色的解決方案突破優化的極限。
線性編程
借助 NVIDIA cuOpt?和?NVIDIA NIM 推理微服務，您可以利用 AI 代理的強大功能來改進優化。供應鏈效率是此類應用程序中極具吸引力和熱門的領域之一。除了眾所周知的車輛路線問題（VRP）之外，cuOpt 還可以針對 GPU 上的?線性受限?問題進行優化，從而擴展 cuOpt 可以近乎實時解決的問題集。
cuOpt AI 代理是使用多個 LLM 代理構建的，充當 cuOpt?的自然語言前端，使您能夠將自然語言查詢無縫地轉換為編碼和優化計劃。
大型語言模型（LLM） 已在聊天機器人、編碼助手，甚至能夠解決小型旅行業務員問題（TSP）的 優化器 方面取得了可喜的成果。然而，問答和大規模運營規劃的組合空間對于當今的 LLM 而言已經遙不可及，因為它們在提供特定背景下的智能響應方面表現出色。
cuOpt AI 代理專門使用上下文學習，利用 NVIDIA NIM for llama3-70b 進行推理任務，利用 NVIDIA NIM for codestral-22b-instruct-v0.1 進行編碼任務。我們的工作流將原始提示分割為中間任務，每個任務都由專門的代理處理，這些代理輸出細粒度的數據單元和代碼，然后將其輸入其他代理，以執行后續任務。由于 LLM 可以輕松并行化特定子查詢，以最大限度地提高響應速度，因此此架構使您能夠實現高性能的準確性。
當數據擴展到數百萬個約束和變量時，模型能夠在推理時間內保持不變，這是因為靈活的并行架構使其具有這種能力。然而，如果沒有快速的線性編程求解器，這種能力就不會有什么實際意義。
cuOpt 線性編程求解器可以在幾秒內解決如此大規模的問題，這樣您可以將大部分總時間用于推理。它完全由 CUDA 加速，并使用 CUDA 數學庫進行了優化，另外還有許多其他端到端優化。
給定用戶問題和優化模型，您可以處理一組可能場景，這些場景是用戶希望在決策過程中測試的，而不需要等待次日或每天手動設置這些實驗。
cuOpt AI 智能體可以通過與 LLM NIM 的集成來理解業務用例的自然語言描述，并運行假設場景提示，以返回詳細答案，說明如何得出結果。該過程代表了一個考慮中斷、事件和參數更改的可能性樹（圖 1）.
如果不考慮業務結果，這些場景單獨運行不會對用戶有益。我們引入了一個解釋器代理，該代理能夠為用戶提供詳細的響應，并生成解釋性圖表。與其他代理類似，我們使用上下文學習來指導代理，獲得詳細的最佳答案。
革新供應鏈管理
由于動態變化的因素，如庫存短缺、需求激增和價格波動，供應鏈變得非常復雜，管理難度也越來越大。然而，供應鏈優化能夠帶來顯著的好處。
研究表明，企業組織預計能夠更快地對供應鏈中斷作出反應，從而節省 3700 萬美元。這相當于2022 年供應鏈中斷平均成本的 45%。供應鏈中斷帶來了巨大的經濟挑戰，每年全球企業組織平均損失 8300 萬美元。規模更大的企業組織自然會產生更高的成本。
平均而言，年收入在 500M 美元到 1B 美元之間的公司產生的成本為 4300 萬美元，而年收入在 10B 到 50B 美元之間的公司的相應數字為 1.11 億美元。有關更多信息，請參閱來自 Interos (PDF) 的?Invisible Threats：Resilience 2023 。
cuOpt AI 智能體可以作為供應鏈管理的 AI 規劃器。
企業組織可以克服大規模運營中固有的復雜性，實現非凡的成就，即在非常規的規模上建立 AI 驅動的工廠。這是通過 AI 規劃器的創新集成實現的。
AI 規劃器是基于 NVIDIA NIM 的 LLM 驅動的代理
AI 規劃器包含以下內容：
- 用于理解規劃者意圖并指導其他模型的 LLM NIM
- 用于連接 LLM 到專有數據的 NeMo Retriever RAG NIM，以及用于物流優化的 cuOpt NIM。
- 管理器: 將每個子任務分配給專門的代理。
- 建模器：專門修改問題的當前建模，以便將分配的子任務集成。
- 編碼器： 編寫代碼以解決由一個智能體提示的特定任務。
- 解釋人員：專注于在新計劃實施前和實施后對結果進行分析和比較。
AI 規劃器使用 LangGraph 構建，由多個專業代理和一套工具組成。每個代理是一個專門的 LLM NIM，可以處理一些非重疊的任務，并在必要時調用一些工具。
該解決方案提供端到端的可見性、需求預測方法、自動訂單履行的優化、動態規劃的優化以及在近乎實時進行集成業務規劃。
NVIDIA 運營著世界上最大的供應鏈之一，該供應鏈極其復雜。我們構建的超級計算機連接成千上萬個 NVIDIA GPU，通過數百英里的高速光纜實現連接。
這項工作依賴于數百家合作伙伴的無縫協作，他們為數十家工廠提供數千個不同的組件，從而生產出近 3000 種不同的產品。單一供應鏈的中斷都可能會影響我們履行承諾的能力。
為了幫助我們大規模制造和交付 AI 工廠，NVIDIA 業務運營團隊擴展了 AI 規劃器的用例，讓我們可以與供應鏈數據進行交互。通過 cuOpt 作為我們 AI 規劃器背后的優化大腦，NVIDIA 運營團隊可以使用自然語言輸入與我們的供應鏈數據對話，實時分析數千種可能的場景。 我們的 cuOpt 動力 AI 規劃器可以在短短幾秒內完成此分析，從而能夠快速敏捷地響應不斷變化的供應鏈。
這些先進技術協同工作，使您的組織能夠以以前所未有的效率和精度瀏覽供應鏈管理的復雜網絡。
優化決策
隨著求解器時間的大幅縮短，線性編程可以顯著加快決策制定速度，從而應用于各行各業的眾多用例。這些用例包括但不限于以下內容：
- 資源分配
- 成本優化
- 調度
- 庫存規劃
- 設施選址規劃
- 供應鏈網絡，例如倉庫、商店、供應商或供應商的安排
- 交通樞紐
- 公共空間，例如醫院、公共汽車站、急救站、電信公司的基站等
以下是一些需要通過數據檢索和數學優化運行假設場景的行業示例用例。
制造、運輸和零售
客戶要求額外增加 30 臺，但由于天氣原因，供應交付將延遲一周。這將對完成率產生什么影響？為了最大限度地降低生產、運輸、持有成本等成本，這將對您的分配計劃產生何種影響？
醫療健康和制藥
全球對醫療健康提供商和藥物的需求增長速度超過了預計。那么，醫院和制藥公司如何能夠動態重新評估醫療供應的影響，以最大限度地提高利潤？
城市規劃
作為城市發展規劃的結果，某些社區會有大量居民涌入，從而導致交通堵塞。為了更大限度地提高公共交通利用率并減少單輛汽車的數量，城市如何確定需要添加的公共交通站點數量？
結束語
注冊以接收通知，當您可以 試用 cuOpt AI 代理 時，包括 NVIDIA AI Enterprise 的 90 天免費試用版。
試用 NVIDIA cuOpt，以及 NVIDIA 托管的最新 AI 模型 NIM 微服務。在 API 目錄上，還可以免費試用 NeMo Retriever NIM 微服務。
?
