DOI: https://doi.org/10.63332/joph.v6i3.4059
تاريخ النشر: 2026-03-11
المؤلف: Kamana Parvej Mishu وآخرون
الموضوع الرئيسي: إدارة سلسلة التوريد والمخزون
نظرة عامة
تحسين سلاسل الإمداد أصبح أمرًا حاسمًا بشكل متزايد للشركات التي تهدف إلى تعزيز الكفاءة التشغيلية والمرونة في مشهد عالمي يتطور بسرعة. تبحث هذه الدراسة في دمج تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لتحسين توقعات الطلب، وتحسين المخزون، واللوجستيات ضمن إدارة سلسلة الإمداد. تقترح الدراسة تطوير نموذج هجين من AI-ML يستفيد من الشبكات العصبية المتكررة (RNNs)، وآليات الانتباه، والتعلم الجماعي للتوقعات، إلى جانب الشبكات العصبية العميقة (DNNs) لتحسين المخزون وإطار عمل للتعاون الديناميكي مع الموردين.
باستخدام مجموعة بيانات من سلسلة الإمداد بالتجزئة في الولايات المتحدة، تظهر الدراسة تقدمًا كبيرًا في دقة التوقعات، حيث حقق النموذج الهجين تقليصًا في خطأ التوقع بنسبة 50% وزيادة بنسبة 21.4% في كفاءة المخزون. أدى تنفيذ استراتيجيات تحسين في الوقت الحقيقي إلى تقليل نفاد المخزون وتقليل تكاليف الاحتفاظ. بالإضافة إلى ذلك، عزز إنشاء نظام رفاهية الموردين من تخفيف المخاطر وزاد من مرونة سلسلة الإمداد بشكل عام. تشمل مجموعة البيانات بيانات المعاملات، وبيانات المبيعات، وسلوك العملاء، ومعلومات السوق الخارجية المستمدة من مجموعة بيانات مبيعات سلسلة الإمداد بالتجزئة على كاجل.
مقدمة
تتناول مقدمة هذه الورقة البحثية الدور الحاسم للذكاء الاصطناعي (AI) وتعلم الآلة (ML) في تحسين سلاسل الإمداد، والتي تعتبر ضرورية لتعزيز الكفاءة التشغيلية، والمرونة، والاستجابة لتغيرات السوق العالمية. توفر تقنيات AI وML أدوات متقدمة للتحليلات التنبؤية، وتوقع الطلب، والتحكم في المخزون، واتخاذ القرارات في الوقت الحقيقي، متجاوزة بشكل كبير الطرق التقليدية. تمكّن تقنيات مثل الشبكات العصبية والتعلم المعزز من توقعات دقيقة للطلب من خلال تحليل البيانات التاريخية والمتغيرات الخارجية، مما يقلل من نفاد المخزون والزيادة في المخزون بينما يحسن إدارة المخزون من خلال سياسات التجديد الديناميكية.
على الرغم من الفوائد الكبيرة لـ AI وML، بما في ذلك تقليل التكاليف وتحسين تخصيص الموارد، لا تزال التحديات مثل تجزئة البيانات، وتوافق الأنظمة، والاعتبارات الأخلاقية قائمة. تقترح الورقة منهجيات مبتكرة، بما في ذلك نماذج التوقع الهجينة AI-ML، وتحسين المخزون المستقل، وإطارات التعاون المحسن مع الموردين، لمعالجة هذه التحديات وتحسين مرونة سلسلة الإمداد. ستتناول الأقسام التالية من الورقة مراجعة الأدبيات، والمنهجية، والابتكارات المقترحة، والتأثيرات المتوقعة لهذه الحلول المدفوعة بالذكاء الاصطناعي على إدارة سلسلة الإمداد.
طرق
تهدف المنهجية المقترحة لتحسين سلسلة الإمداد المدفوعة بالذكاء الاصطناعي الهجين إلى تعزيز عمليات سلسلة الإمداد من خلال دمج توقعات الطلب في الوقت الحقيقي، وتحسين المخزون، وأنظمة اللوجستيات. تستفيد هذه الطريقة من تقنيات متقدمة في التعلم العميق (DL) وتعلم الآلة (ML)، بما في ذلك الشبكات العصبية المتكررة (RNNs)، وآليات الانتباه، والتعلم الجماعي، والشبكات العصبية العميقة (DNNs). من خلال استخدام هذه المنهجيات الحديثة، تم تصميم الإطار لإدارة سلاسل الإمداد المعقدة بشكل فعال، مما يؤدي إلى نتائج تشغيلية أكثر دقة ومرونة وكفاءة. يتم توضيح الهيكل العام للإطار المقترح في الشكل 1.
النتائج
تسلط قسم النتائج الضوء على الدور الحاسم لمعالجة البيانات وتحليل الميزات في تطوير نموذج AI هجين ناجح باستخدام مجموعة بيانات التجزئة الأمريكية. تضمنت عملية معالجة البيانات تنظيفًا صارمًا وتحويلًا، بما في ذلك تعويض المتوسط/الوضع للحفاظ على سلامة البيانات وتقييس Min-Max لتطبيع الميزات العددية لتوافق الشبكات العصبية. حددت مرحلة هندسة الميزات المصادر الرئيسية للتقلب في سلسلة الإمداد، كاشفة أنه بينما تظهر الخصائص المعاملات الفردية مثل “الكمية” و”المبيعات” ارتباطًا إيجابيًا معتدلًا (0.16)، فإن قدرة نموذج AI على التقاط العلاقات غير الخطية تعزز بشكل كبير من دقة التوقعات.
بالإضافة إلى ذلك، تشير تحليل الموسمية، كما هو موضح في الجدول 7 والمبين في الشكل 3، إلى ذروة الطلب في الربع الرابع (متوسط الكمية = 3.65). تؤكد هذه النتيجة على ضرورة التوسع الديناميكي، كما اقترح آلية الانتباه الثانية، لتخفيف نفاد المخزون خلال فترات الطلب العالي. بشكل عام، تضع معالجة البيانات الشاملة وتحليل الميزات البصيرة أساسًا قويًا لقدرات النموذج التنبؤية.
نقاش
يسلط قسم النقاش في الورقة الضوء على التأثير الكبير للذكاء الاصطناعي (AI) وتعلم الآلة (ML) على إدارة سلسلة الإمداد (SCM)، لا سيما في توقع الطلب، وإدارة المخزون، وتحسين اللوجستيات. لقد واجهت الطرق التقليدية التي تعتمد على البيانات التاريخية صعوبة في التكيف مع تعقيدات الأسواق الحديثة، بينما توفر AI وML رؤى ديناميكية مدفوعة بالبيانات تعزز الكفاءة التشغيلية. تشير الدراسات المرجعية، مثل تلك التي أجراها ساجا وآخرون (2024) ويارلاجادا (2025)، إلى أن النماذج المدفوعة بالذكاء الاصطناعي يمكن أن تقلل بشكل فعال من نفاد المخزون وتكاليف الاحتفاظ من خلال التكيف مع ظروف السوق في الوقت الحقيقي. علاوة على ذلك، تشير التحليل المقارن لنماذج تعلم الآلة من قبل شيخة وجودريتش (2025) إلى أن الطرق الجماعية مثل XGBoost تحسن بشكل كبير من دقة التوقعات وكفاءة العمليات.
على الرغم من هذه التقدمات، تواجه دمج AI وML في سلاسل الإمداد تحديات، بما في ذلك مشكلات جودة البيانات، وتوافق الأنظمة، والتكاليف الحاسوبية المرتبطة بحلول AI المعقدة. تؤكد الورقة على الحاجة إلى أبحاث مستقبلية لتعزيز شفافية النموذج، وتطوير حلول AI قابلة للتوسع، وتنسيق تكامل البيانات. بالإضافة إلى ذلك، يتم الإشارة إلى إمكانية النماذج الهجينة التي تجمع بين التقنيات الإحصائية التقليدية وخوارزميات تعلم الآلة كمسار واعد لتحسين دقة التوقعات، لا سيما في الصناعات التي تتعرض للطلب الدوري والاضطرابات الخارجية. بشكل عام، بينما النتائج واعدة، فإن معالجة التحديات الموضحة أمر حاسم للتنفيذ الناجح والمستدام لحلول سلسلة الإمداد المدفوعة بالذكاء الاصطناعي.
DOI: https://doi.org/10.63332/joph.v6i3.4059
Publication Date: 2026-03-11
Author(s): Kamana Parvej Mishu et al.
Primary Topic: Supply Chain and Inventory Management
Overview
The optimization of supply chains is increasingly critical for businesses aiming to enhance operational efficiency and flexibility in a rapidly evolving global landscape. This research investigates the integration of Artificial Intelligence (AI) and Machine Learning (ML) technologies to improve demand forecasting, inventory optimization, and logistics within supply chain management. The study proposes the development of a hybrid AI-ML model that leverages Recurrent Neural Networks (RNNs), Attention Mechanisms, and Ensemble Learning for forecasting, alongside Deep Learning Networks (DNNs) for inventory optimization and a framework for dynamic supplier collaboration.
Utilizing a dataset from the USA retail supply chain, the research demonstrates significant advancements in forecasting accuracy, with the hybrid model achieving a reduction in forecast error by 50% and a 21.4% increase in inventory efficiency. The implementation of real-time optimization strategies notably decreased stockouts and minimized holding costs. Additionally, the establishment of a supplier welfare system enhanced risk mitigation and bolstered the overall resilience of the supply chain. The dataset encompasses transactional data, sales data, customer behavior, and external market information sourced from the Retail Supply Chain Sales Dataset on Kaggle.
Introduction
The introduction of this research paper addresses the critical role of Artificial Intelligence (AI) and Machine Learning (ML) in optimizing supply chains, which are essential for enhancing operational efficiency, resilience, and responsiveness to global market changes. AI and ML technologies provide advanced tools for predictive analytics, demand forecasting, inventory control, and real-time decision-making, significantly surpassing traditional methods. Techniques such as neural networks and reinforcement learning enable accurate demand predictions by analyzing historical data and external variables, thereby minimizing stockouts and overstocking while optimizing inventory management through dynamic replenishment policies.
Despite the substantial benefits of AI and ML, including cost reduction and improved resource allocation, challenges such as data fragmentation, system compatibility, and ethical considerations persist. The paper proposes innovative methodologies, including hybrid AI-ML forecasting models, autonomous inventory optimization, and enhanced supplier collaboration frameworks, to address these challenges and improve supply chain resilience. The subsequent sections of the paper will elaborate on the literature review, methodology, proposed innovations, and the anticipated impacts of these AI-driven solutions on supply chain management.
Methods
The proposed methodology for hybrid AI-driven supply chain optimization aims to enhance supply chain operations through the integration of real-time demand forecasting, inventory optimization, and logistics systems. This approach leverages advanced techniques in Deep Learning (DL) and Machine Learning (ML), including Recurrent Neural Networks (RNNs), Attention Mechanisms, Ensemble Learning, and Deep Neural Networks (DNNs). By employing these modern methodologies, the framework is designed to effectively manage complex supply chains, resulting in more accurate, flexible, and efficient operational outcomes. The overall structure of the proposed framework is illustrated in Figure 1.
Results
The results section highlights the critical role of data preprocessing and feature analysis in developing a successful Hybrid AI model using a USA retail dataset. The preprocessing pipeline involved rigorous cleaning and transformation, including Mean/Mode imputation to maintain data integrity and Min-Max scaling to normalize numerical features for neural network compatibility. The feature engineering phase identified key sources of volatility in the supply chain, revealing that while individual transactional characteristics like “Quantity” and “Sales” show a moderate positive correlation (0.16), the AI model’s ability to capture non-linear relationships significantly enhances forecasting accuracy.
Additionally, seasonality analysis, as detailed in Table 7 and illustrated in Figure 3, indicates a peak demand in Quarter 4 (Mean Quantity = 3.65). This finding underscores the necessity for dynamic scaling, as suggested by the second Attention Mechanism, to mitigate stockouts during high-demand periods. Overall, the comprehensive data preprocessing and insightful feature analysis lay a robust foundation for the model’s predictive capabilities.
Discussion
The discussion section of the paper highlights the significant impact of Artificial Intelligence (AI) and Machine Learning (ML) on supply chain management (SCM), particularly in demand forecasting, inventory management, and logistics optimization. Traditional methods relying on historical data have struggled to adapt to the complexities of modern markets, whereas AI and ML provide dynamic, data-driven insights that enhance operational efficiency. Studies referenced, such as those by Sajja et al. (2024) and Yarlagadda (2025), demonstrate that AI-driven models can effectively reduce stockouts and holding costs by adapting to real-time market conditions. Furthermore, the comparative analysis of machine learning models by Sheikha and Goodrich (2025) indicates that ensemble methods like XGBoost significantly improve forecasting accuracy and operational efficiency.
Despite these advancements, the integration of AI and ML into supply chains faces challenges, including data quality issues, system interoperability, and the computational costs associated with complex AI solutions. The paper emphasizes the need for future research to enhance model transparency, develop scalable AI solutions, and harmonize data integration. Additionally, the potential of hybrid models that combine traditional statistical techniques with machine learning algorithms is noted as a promising avenue for improving forecasting accuracy, particularly in industries subject to cyclical demand and external disruptions. Overall, while the findings are promising, addressing the outlined challenges is crucial for the successful and sustainable implementation of AI-driven supply chain solutions.