Науково-методичний підхід до оптимізації управління ланцюгами постачання із застосуванням моделей штучного інтелекту

Abstract

UK: У цій статті досліджується застосування методів штучного інтелекту (ШІ) для прогнозування попиту в логістичних системах. Розглянуто основні підходи, включаючи машинне навчання, нейронні мережі та аналіз часових рядів. Проведено огляд актуальної літератури (2019–2025 рр.), який висвітлює сучасні тенденції та виклики у цій галузі. Аналітична частина включає порівняння ефективності різних моделей ШІ на основі їх точності та обчислювальної складності. Розроблено експериментальну гібридну архітектуру LSTM-CNN з механізмом уваги й зовнішніми факторами (погода, календарні події), а також виконано порівняльний аналіз із базовими моделями ARIMA, Prophet та Gradient Boosting. Результати на відкритому наборі даних M5 Forecast та виробничих даних холодового ланцюга показали зниження sMAPE на 18 % і MAE – на 22 % порівняно з класичними підходами. Запропоновано методологію прогнозування попиту з використанням комбінації рекурентних нейронних мереж (RNN) та алгоритмів градієнтного бустингу. Отримані висновки підтверджують доцільність інтеграції ШІ-рішень у логістичні системи для оптимізації логістичних процесів та окреслюють напрями подальших досліджень, зокрема застосування графових нейронних мереж і пояснюваного ШІ.

EN: This article explores the application of artificial intelligence (AI) methods for demand forecasting in logistics systems. The purpose of this article is to develop a scientific and methodological approach to optimizing supply chain management based on artificial intelligence models, which improves the efficiency of planning, forecasting, and coordinating logistics processes. The methodological basis of the study is a scientific and methodological approach to optimizing supply chain management, which combines systemic, process, and intellectual-analytical levels of analysis of logistics processes. The systemic approach allows us to consider the supply chain as a complex of interrelated elements (manufacturers, warehouses, transport hubs, distributors, consumers), whose activities are aimed at achieving a common goal – increasing the efficiency and adaptability of the logistics system. The process approach involves structuring logistics operations in the form of continuous processes of planning, forecasting, transportation, storage, and distribution. The intellectual-analytical approach, which is central to this study, is implemented through the use of artificial intelligence models to improve decision-making, increase the accuracy of forecasts, and minimize risks in supply chains. The study Economic space № 206, 2025 11 examines the main approaches, including machine learning, neural networks, and time series analysis. A review of current literature (2019–2025) is provided, highlighting contemporary trends and challenges in this field. The analytical part includes a comparison of the effectiveness of different AI models based on their accuracy and computational complexity. An experimental hybrid LSTM CNN architecture with an attention mechanism and external factors (weather, calendar events) has been developed, and a comparative analysis with the basic ARIMA, Prophet, and Gradient Boosting models has been performed. A methodology for demand forecasting using a combination of recurrent neural networks (RNN) and gradient boosting algorithms has been proposed. The conclusions confirm the feasibility of integrating AI solutions into logistics systems to optimize logistics processes and outline directions for further research, in particular the application of graph neural networks and explainable AI.