Обзор DeepVu, поставщика программного обеспечения для цепочек поставок

От Léon Levinas-Ménard

Последнее обновление: апрель, 2025

DeepVu — это поставщик программного обеспечения, ориентированный на ИИ, который появился в середине 2010-х годов с обещанием произвести революцию в планировании цепочек поставок. Основанная в ноябре 2016 года Моатазом Рашадом и профессором Уалидом Арефом – развившаяся из компании Vufind Inc. – DeepVu стремится повысить устойчивость цепочек поставок и операционную эффективность с помощью автономной системы поддержки принятия решений. Интегрированная платформа использует передовые методы машинного обучения, включая обучение с подкреплением с участием нескольких агентов и симуляцию цифрового двойника, для оптимизации планирования спроса, производственного планирования, закупок и логистики. Постоянно интегрируя внешние сигналы в режиме реального времени и моделируя как рутинные операции, так и сценарии с шоками, система стремится предоставлять надежные рекомендации с поддержкой ИИ, при этом сохраняя человеческий контроль в качестве неотъемлемого элемента. Несмотря на амбициозное видение автономного, устойчивого планирования, остаются вопросы относительно уровня технической прозрачности, независимой валидации моделей и практических компромиссов, присущих подходу с участием человека в процессе принятия решений.

1. История и фон компании

DeepVu была основана в ноябре 2016 года Моатазом Рашадом и профессором Уалидом Арефом, развившись из компании Vufind Inc. (некоторые источники называют 2017 годом основания) About DeepVu CB Insights. Компания позиционирует себя как стартап в сфере ИИ, направленный на укрепление устойчивости цепочек поставок, операционной эффективности и устойчивости за счёт передовых инструментов поддержки принятия решений.

2. Что предлагает решение DeepVu?

DeepVu позиционирует своё предложение как «автономную систему устойчивого планирования», предназначенную для расширения возможностей планировщиков:

Оптимизация решений в цепочках поставок: Динамическое предложение действий в планировании спроса, производственном планировании, закупках и логистике с целью снижения затрат на хранение запасов, предотвращения отсутствия товаров и оптимизации выбора поставщиков.
Снижение операционных рисков: Моделирование как нормальных операций, так и сбоев, включая задержки, рост цен на сырьё и геополитические потрясения, для проактивного реагирования на возможные шоки в цепочках поставок.
Обеспечение поддержки принятия решений: Гарантируется, что, хотя система использует сложные алгоритмы для автоматизации рекомендаций, окончательные решения проходят проверку экспертами.

3. Как работает решение DeepVu?

3.1 Основная архитектура и компоненты ML/ИИ

Платформа DeepVu построена на нескольких ключевых элементах:

Решения на основе ИИ с участием нескольких агентов: Набор ИИ-агентов, в основном использующих методы обучения с подкреплением (часто называемые глубоким обучением с подкреплением или генеративным ИИ/DRL), работают параллельно для создания альтернативных сценариев принятия решений. Homepage
Симуляция цифрового двойника (VuSim): Основной симулятор цифрового двойника воссоздаёт как нормальные, так и экстремальные сценарии в операциях цепочек поставок, позволяя системе оценивать и сравнивать влияние различных решений на ключевые показатели бизнеса.
Богатый граф знаний (VuGraph): Интеграция внешних данных, включая макроэкономические и отраслевые показатели, обеспечивает контекст для ИИ-моделей.
Интеграция с ERP-системами: Предоставляемая в виде SaaS-решения, DeepVu интегрируется через API с существующими ERP-системами, такими как SAP, Oracle и Microsoft Dynamics, что позволяет использовать выводы на основе ИИ в рамках существующих рабочих процессов.

3.2 Модель развертывания и внедрения

Решение DeepVu предоставляется в виде модульного сервиса по подписке, основанного на конкретных сценариях использования:

Доставка через SaaS: Предлагается по принципу “à la carte”, и клиенты могут выбрать отдельные модули — например, планирование спроса или производства — по мере необходимости.
Интеграция с облаком: Размещённая на крупных облачных платформах, таких как AWS и G-Cloud, платформа поддерживает обработку данных в режиме реального времени и непрерывное обучение, обеспечиваемое кластером ИИ/ML на базе Python Careers.
Принятие решений с участием человека: Хотя система генерирует автономные рекомендации, окончательные решения требуют проверки человеком, что служит страховкой от возможных алгоритмических неточностей.

4. Оценка методов машинного обучения и ИИ

DeepVu утверждает, что использует современные библиотеки, такие как TensorFlow и PyTorch, в своём стеке ИИ, с акцентом на обучение в режиме реального времени как на исторических данных, так и на потоковых данных. Опора на стратегии обучения с подкреплением и методы генеративного ИИ предназначена для постоянного совершенствования моделей принятия решений посредством динамического моделирования сценариев цепочек поставок. Однако подробные сведения о архитектурах моделей, режимах обучения и проверке производительности остаются в дефиците. Ресурсы, такие как технические блоги Demand Planning Blog Post и академические проекты Data-X DeepVu Project, предоставляют некоторое представление, хотя независимое тестирование ограничено.

5. Скептическая критика и нерешённые вопросы

Несколько аспектов платформы DeepVu требуют осторожной оценки:

Рекламный шум поставщика vs. техническая прозрачность: Хотя компания использует модные термины, такие как «Generative AI» и «симуляция мультисценарных шоков», подробные технические отчёты или рецензируемые валидации ограничены.
Валидация и сравнительное тестирование: Сравнительные показатели точности прогнозов и улучшения рентабельности инвестиций в основном предоставляются самим поставщиком, что вызывает вопросы относительно производительности в различных реальных приложениях.
Сложность vs. практичность: Внедрение цифрового двойника, интегрированного с богатым графом знаний, требует значительной интеграции данных и операционной сложности, что может создать проблемы для принятия на уровне предприятия.
Участие человека в процессе: Хотя контроль со стороны человека минимизирует риски, присущие полной автоматизации, он также может ограничивать повышение эффективности, ставя под сомнение уровень истинной операционной автономии.

DeepVu против Lokad

При сравнении DeepVu с Lokad — компанией, известной своей платформой количественной оптимизации цепочек поставок — различия становятся очевидными. DeepVu делает акцент на автономном, управляемом ИИ подходе, который опирается на обучение с подкреплением с участием нескольких агентов и симуляцию цифровых двойников для предвидения сбоев и рекомендации корректирующих мер. Интеграция богатого внешнего графа знаний направлена на обеспечение контекстной глубины, хотя технические детали остаются на высоком уровне. В отличие от этого, Lokad глубоко укоренён в программируемой, количественной методологии, которая использует вероятностное прогнозирование и предметно-ориентированный язык (Envision) для создания специализированных приложений для цепочек поставок. Подход Lokad, характеризующийся строгими числовыми алгоритмами и высокой технической прозрачностью, автоматизирует рутинные решения, одновременно гарантируя, что модели постоянно совершенствуются с помощью методов глубокого обучения. По сути, стратегия DeepVu опирается на более целостную модель симуляции, устойчивую к шокам и адаптируемую с участием человека, в то время как Lokad нацелен на точную, основанную на данных оптимизацию каждого решения, что снижает необходимость в ручном вмешательстве после развертывания.

6. Заключение

DeepVu предлагает инновационную платформу планирования на основе ИИ, разработанную для повышения устойчивости цепочек поставок посредством передовых агентов принятия решений, симуляции цифровых двойников и интеграции внешних сигналов в режиме реального времени. Целостный подход к оптимизации прогнозирования, закупок, производственного планирования и логистики обещает значительное сокращение неэффективности и подготовку предприятий к сбоям. Однако зависимость платформы от громких заявлений, основанных на модных терминах, и ограниченная техническая прозрачность указывают на то, что потенциальным пользователям необходимо тщательно взвесить инновационные перспективы с потребностью в строгой, независимой валидации. В экосистеме, где альтернативы, такие как Lokad, предоставляют конкретные, количественно обоснованные решения, подкреплённые детальными техническими рамками, подход DeepVu представляет собой как захватывающий рубеж, так и поучительную историю о том, как амбиции сталкиваются с практическими вызовами.