Dil modelleri talep planlamasına ne katar, ne katmaz?

Hızlı dönen bir ürünün tahmini bir gecede sıçramış ve planlamacının gözden geçirme toplantısı bir saat sonra başlıyor. Bakılacak üç yer var: yeni sayıyı gösteren ama nedenini göstermeyen tahmin aracı, paylaşılan bir hesap tablosundaki kampanya takvimi ve müşteri sipariş notlarıyla dolu bir satış e-posta kutusu. Saatin çoğu nedeni bulmaya gider.

Dil modellerinin yeri o tahminin içi değil, çevresidir. Talep planlamasında yapay zeka kullanırken sınır nettir: tahmin, satış geçmişi üzerinde çalışan istatistiksel ve makine öğrenmesi modellerinden gelir; dil modeli sayıları asla üretmez. Yapabileceği şey, o modellerin okuyamadığı metni okumak, değişiklikleri sade bir dille açıklamak ve planlamacıların sorularını kaynaklarıyla yanıtlamaktır.

Tahmin modeli neyi zaten iyi yapar?

İstatistiksel ve makine öğrenmesi tabanlı tahmin modelleri satış geçmişinden, takvimlerden, fiyatlardan ve kampanyalardan öğrenir. Trendi, mevsimselliği ve bilinen olayları binlerce ürün için aynı anda ve her seferinde aynı biçimde yakalar; doğrulukları da görmedikleri geçmiş dönemler üzerinde test edilerek ölçülebilir. Bu üç özellik, yani ölçek, tekrarlanabilirlik ve ölçülebilir hata, bir tahminin tam olarak ihtiyaç duyduğu şeydir.

Dil modelinde bu iş için bunların hiçbiri yoktur. Metni öngörerek üretir; ondan bir tahmin istendiğinde, bir sayıyı güvenilir kılan disiplinden yoksun ama akla yatkın bir sayı döndürür. Aynı çizgiyi daha geniş biçimde, üretken yapay zeka ile makine öğrenmesi arasındaki farkı anlatan notumuz çiziyor.

Sayıları tahmin modeli üretir. Dil modeli onları açıklar.

Planlamacılar zamanı nerede kaybediyor?

Nadiren tahmin aracında. Zaman, aracın çevresindeki işe gider:

• Okumak. Tedarikçi e-postaları, müşteri notları, satış yorumları ve kampanya planları metin olarak, birkaç dilde ve biçimde gelir.
• Neden aramak. Araç bir sayının değiştiğini gösterir, nedenini göstermez; planlamacılar hikayeyi birkaç sistemden yeniden kurar.
• Yeniden yazmak. Tedarikçi teyitlerindeki tarihler ve miktarlar plana elle kopyalanır.
• Açıklamak. Tahmine yapılan müdahalelerin (override) ve istisnaların gerekçesi planlama toplantısında, çoğu zaman akılda kalanlara dayanarak anlatılmak zorundadır.

Yeniden yazmak, belgeden bilgi çıkarma işidir; sonda bağlantısını verdiğimiz tedarik zinciri sayfası bunu ele alıyor. Diğer üçü dil işidir ve bir dil modelinin en çok yardımcı olduğu yer de burasıdır.

Dil modeli hangi metin sinyallerini okuyabilir?

Metin, kaynağı eklenmiş yapılandırılmış bir sinyale dönüştüğünde planlama için işe yarar hale gelir. En önemlileri üç türdür:

• Tedarikçi gecikme e-postaları. “Hattımız bakım nedeniyle duruyor; siparişiniz geç sevk edilecek.” Model tedarikçiyi, siparişi, yeni tarihi ve nedeni çıkarır ve bunları açık siparişle karşılaştırır. Taşıyıcılardan ve forwarder’lardan gelen belgeler de aynı düzeni izler; lojistik belgeleri notumuz bunu gösteriyor.
• Müşteri sipariş notları. “Bölgede iki mağaza daha açıyoruz, sonbahardan itibaren siparişlerimiz büyüyecek.” Sinyali müşteri, ürünler, yön, zamanlama ve notun kendisi oluşturur.
• Kampanya takvimleri. “İçecek grubunda bayram kampanyası” gibi kayıtlar ürünleri, tarihleri ve mekanizmasıyla birer olaya dönüşür ve planlama ekibinin kontrolüne hazır hale gelir.

Bu sinyallerin hiçbiri tahmini kendi başına değiştirmez. Bir sinyalin tahmine müdahaleyi haklı çıkarıp çıkarmadığına planlamacı karar verir. Ayrıca veri ekibi, bir sinyal türünün tahmin modeline girdi olarak verildiğinde doğruluğu artırıp artırmadığını test edebilir ve onu ancak test bunu gösterirse ekler.

Yapay zeka bir tahmin değişikliğini nasıl açıklayabilir?

Birçok tahmin sistemi bir tahmini hangi etkenlerin değiştirdiğini gösterebilir: son satışlar, mevsimsellik, bir kampanya işareti, bir fiyat değişikliği. Dil modeli eski ve yeni tahmini, tahmin sisteminin hesapladığı etken dağılımını ve ürüne ve döneme bağlı metin sinyallerini alır. Açıklamayı yazar; her ifade bir etkeni ya da bir belgeyi kaynak gösterir.

Temsili bir vakaya bakalım: bir planlamacı “Bu ürünün tahmini neden arttı?” diye soruyor. Yanıt, ana etken olarak kampanya işaretini gösterir ve arkasındaki kampanya takvimi kaydını kaynak olarak verir; ardından aynı haftalar için daha büyük siparişlerden söz eden iki müşteri sipariş notunu, her birinin bağlantısıyla ekler. Planlamacı üç kaynağı bir dakikada kontrol edip artışın doğru mu, fazla mı, az mı olduğuna karar verebilir.

Aynı düzen, planlamacıların her gün sorduğu diğer soruları da yanıtlar: bir tedarikçi gecikmesi hangi açık siparişleri etkiliyor, hangi müşteriler tahminin çok üzerinde sipariş verdi, son planlama toplantısından bu yana ne değişti? Her yanıt planlama sisteminin hesapladığı rakamlardan kurulur ve onları kaynak gösterir.

Bu yaklaşımın öngörülebilir tek bir açığı vardır: kaynaklar zayıf olduğunda dil modeli yine de akla yatkın bir neden önerir. Bunu önleyen kural basittir. Bir açıklama yalnızca kayıtlı etkenleri ve bağlı belgeleri kaynak gösterebilir; ikisi de bir değişikliği açıklamıyorsa “kayıtlı neden yok” der ve sorar. Yapay zekayla yönetim raporları notumuz aynı kuralı rapor yorumlarına uyguluyor.

Kontrol nerede planlamacılarda kalmalı?

• Stok yenileme. Sistem önerir; her stok yenilemeyi planlamacılar onaylar.
• Dışarıya verilen taahhütler. Satın alma siparişleri, teyit edilmiş teslim tarihleri ve bir tedarikçiye ya da müşteriye verilen her söz her zaman bir insan gerektirir.
• Müdahaleler. Bir sinyalin tahmini değiştirip değiştirmeyeceğine planlamacılar karar verir; her müdahale kaynağı ve nedeniyle kaydedilir.
• Belirsiz okumalar. Sistemin emin olmadığı çıkarımlar sinyal listesine değil, kontrol için bir kişiye gider.
• Planın kendisi. Dil modeli tahmini ve planı okur; ikisini de asla düzenlemez.

Kaydedilen müdahaleler ileride karşılığını verir: planlamacıların yaptığı düzeltmelerin doğruluğu gerçekten artırıp artırmadığını gösterir. Bu, yalnızca hafızaya dayanarak yanıtlanabilecek bir soru değildir.

Değer nasıl test edilir?

Önce bir başlangıç ölçümü alın, sonra her parçayı kendi ölçütüyle test edin:

1. Planlamacı zamanı: okumaya, neden aramaya ve açıklama hazırlamaya harcanan saatler, öncesi ve sonrası.
2. Açıklama kalitesi: geçmiş tahmin değişiklikleri test seti olur; planlamacılar açıklamalardan bir örneklemi etkenlere ve kaynaklara göre inceler.
3. Sinyal çıkarma: etiketlenmiş bir e-posta ve not örneklemi; kaçan sinyaller ve yanlış tarihler için kontrol edilir.
4. Tahmin doğruluğu: seçili ürünlerde ölçülür; kazanç bir metin sinyaline ancak geriye dönük test (backtest) bunu gösterirse yazılır.

Değerin çoğunu zamanda ve daha iyi belgelenmiş kararlarda bekleyin. Doğruluk kazancı mümkündür; ama varsayılmamalı, gösterilmelidir.

Hangi soruyla başlamalı?

Tek bir planlama ekibi ve bu ekibin her hafta sorduğu tek bir soru seçin; örneğin “En önemli ürünlerimizin tahminleri neden değişti?” Bir planlama asistanının (planner copilot) tedarikçi teyidi işinin yanına nasıl oturduğunu tedarik zinciri zekası sayfası gösteriyor. Kazanılan zamanın geliştirmeye değip değmediğini ise yapay zeka stratejisi ve keşif aşaması ortaya koyar.