論文の概要: Implementing Reinforcement Learning Algorithms in Retail Supply Chains
with OpenAI Gym Toolkit
- arxiv url: http://arxiv.org/abs/2104.14398v1
- Date: Tue, 27 Apr 2021 03:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 13:11:17.281053
- Title: Implementing Reinforcement Learning Algorithms in Retail Supply Chains
with OpenAI Gym Toolkit
- Title（参考訳）: OpenAI Gym Toolkitを用いた小売チェーンにおける強化学習アルゴリズムの実装
- Authors: Shaun D'Souza
- Abstract要約: 予期せぬ環境に対応するシステムのトレーニング能力を備えた強化学習(rl)が小売サプライチェーン管理(scm)に採用されている。
本稿では,プライチェーン予測におけるRLの適用について検討し,OpenAI Gymツールキットを用いて適切なRLモデルとアルゴリズムを構築する方法について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: From cutting costs to improving customer experience, forecasting is the crux
of retail supply chain management (SCM) and the key to better supply chain
performance. Several retailers are using AI/ML models to gather datasets and
provide forecast guidance in applications such as Cognitive Demand Forecasting,
Product End-of-Life, Forecasting, and Demand Integrated Product Flow. Early
work in these areas looked at classical algorithms to improve on a gamut of
challenges such as network flow and graphs. But the recent disruptions have
made it critical for supply chains to have the resiliency to handle unexpected
events. The biggest challenge lies in matching supply with demand.
Reinforcement Learning (RL) with its ability to train systems to respond to
unforeseen environments, is being increasingly adopted in SCM to improve
forecast accuracy, solve supply chain optimization challenges, and train
systems to respond to unforeseen circumstances. Companies like UPS and Amazon
have developed RL algorithms to define winning AI strategies and keep up with
rising consumer delivery expectations. While there are many ways to build RL
algorithms for supply chain use cases, the OpenAI Gym toolkit is becoming the
preferred choice because of the robust framework for event-driven simulations.
This white paper explores the application of RL in supply chain forecasting
and describes how to build suitable RL models and algorithms by using the
OpenAI Gym toolkit.
- Abstract（参考訳）: コスト削減から顧客エクスペリエンスの向上に至るまで、予測は小売サプライチェーン管理(SCM)の欠如であり、サプライチェーンのパフォーマンス向上の鍵である。
いくつかの小売業者は、AI/MLモデルを使用してデータセットを収集し、Cognitive Demand Forecasting、Product End-of-Life、Forecasting、Demand Integrated Product Flowといったアプリケーションで予測ガイダンスを提供している。
これらの領域での初期の研究は、ネットワークフローやグラフといった課題の領域を改善するために、古典的なアルゴリズムに目を向けた。
しかし最近の混乱は、サプライチェーンが予期せぬ出来事に対処する回復力を持つことを重要視している。
最大の課題は需要と供給の一致にある。
強化学習(Reinforcement Learning, RL)は、予測精度の向上、サプライチェーン最適化の課題の解決、予期せぬ状況に対応するための訓練システムなど、SCMに採用されている。
UPSやAmazonのような企業は、AI戦略の勝利を定義し、消費者のデリバリ期待を上昇させるためにRLアルゴリズムを開発した。
サプライチェーンのユースケースにRLアルゴリズムを構築する方法はたくさんありますが、イベント駆動シミュレーションの堅牢なフレームワークのため、OpenAI Gymツールキットが好まれています。
本稿では,プライチェーン予測におけるRLの適用について検討し,OpenAI Gymツールキットを用いて適切なRLモデルとアルゴリズムを構築する方法について述べる。
関連論文リスト
- Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction
Using Interpretable Hybrid Quantum-Classical Neural Network [1.227497305546707]
サプライチェーン管理は、在庫管理の最適化、コスト削減、顧客満足度向上のための正確な後方予測に依存している。
本研究は,サプライチェーンの後方予測のための新しい方法論的枠組みを導入し,大規模データセットを扱う上での課題に対処する。
提案モデルであるQAmplifyNetは、量子古典的ニューラルネットワーク内で量子インスパイアされた技術を用いて、短いデータセットと不均衡なデータセット上で、効率よくバックオーダーを予測する。
論文 参考訳（メタデータ） (2023-07-24T15:59:36Z) - Large Language Models for Supply Chain Optimization [4.554094815136834]
大規模言語モデル(LLM)がサプライチェーンの自動化と人間の理解と信頼のギャップを埋めるのにどのように役立つかを検討する。
我々はOptiGuideを設計する。これは平易なテキストで入力クエリとして受け付け、基礎となる結果に関する洞察を出力するフレームワークです。
当社のフレームワークがMicrosoftのクラウドサプライチェーン内の実際のサーバ配置シナリオに与える影響を実演する。
論文 参考訳（メタデータ） (2023-07-08T01:42:22Z) - Enhancing Supply Chain Resilience: A Machine Learning Approach for
Predicting Product Availability Dates Under Disruption [2.294014185517203]
新型コロナウイルスのパンデミックや政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与えている。
正確な可用性の予測は 物流運用を成功させる上で 重要な役割を担います
簡易回帰、ラッソ回帰、リッジ回帰、弾性ネット、ランダムフォレスト(RF)、グラディエントブースティングマシン(GBM)、ニューラルネットワークモデルなど、いくつかの回帰モデルを評価する。
論文 参考訳（メタデータ） (2023-04-28T15:22:20Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。
本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。
我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
論文 参考訳（メタデータ） (2022-09-24T14:22:29Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Will bots take over the supply chain? Revisiting Agent-based supply
chain automation [71.77396882936951]
エージェントベースのサプライチェーンは2000年初頭から提案されている。
エージェントベースの技術は成熟しており、サプライチェーンに浸透している他の支援技術はギャップを埋めている。
例えば、IoTテクノロジのユビキティは、エージェントがサプライチェーンの状態を“理解”し、自動化のための新たな可能性を開くのに役立つ。
論文 参考訳（メタデータ） (2021-09-03T18:44:26Z) - Text Generation with Efficient (Soft) Q-Learning [91.47743595382758]
強化学習(RL)は、任意のタスクメトリクスを報酬としてプラグインすることで、より柔軟なソリューションを提供する。
ソフトQ-ラーニングの観点からテキスト生成のための新しいRL式を導入する。
雑音/負の例から学習し、敵攻撃、即時生成など、幅広いタスクにアプローチを適用する。
論文 参考訳（メタデータ） (2021-06-14T18:48:40Z) - The challenges and realities of retailing in a COVID-19 world:
Identifying trending and Vital During Crisis keywords during Covid-19 using
Machine Learning (Austria as a case study) [0.0]
将来予測の監査は季節性を重視しているため、トレンドベースのベンチマークに対する予測を選択することが推奨されている。
予測モデルは、サプライチェーン全体のエンドツーエンドのリアルタイム監視を提供する。
論文 参考訳（メタデータ） (2021-05-10T18:31:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。