Обзор DeepVu, поставщика программного обеспечения для цепочки поставок

Автор: Léon Levinas-Ménard

Последнее обновление: ноябрь, 2025

DeepVu (Vufind, Inc.) — калифорнийский поставщик ИИ, основанный в 2016 году Моатазом Рашадом и профессором Валидом Арефом, возникший из ранее существовавшего стартапа в области компьютерного зрения, Vufind. Его заявленная цель — предоставление “автономного устойчивого планирования” для производителей и розничных торговцев посредством объединения глубокого обучения, многоагентного обучения с подкреплением, цифрового двойника-симуляции и запатентованного графа знаний цепочки поставок под названием VuGraph.¹²³⁴ Семейство основных продуктов сосредоточено вокруг VuDecide “агентов планирования на базе ИИ”, обучаемых на цифровых двойниках VuSim для генерации сценариев рекомендаций для планирования спроса, оптимизации запасов, выполнения заказов, производства и управления рисками при шоках, таких как нарушения в стиле COVID, резкие скачки цен на сырьё, перегрузка портов или торговые ограничения.⁵⁶⁷⁸⁹ Этим агентам подаются не только транзакционные данные клиента, но также большой поток внешних макро- и микроэкономических сигналов — процентные ставки, индекс потребительских цен, цены на сырьё, валютные курсы и многое другое — интегрированных в VuGraph.¹⁰⁶³ DeepVu позиционирует этот стек как полнофункциональный слой ИИ, работающий поверх ERP-систем, таких как SAP, Microsoft Dynamics, Oracle и Infor, обещая поддержку принятия решений в режиме реального времени или близком к нему и “устойчивое” планирование к шокам.⁵¹¹¹² Однако публичная техническая документация остается скудной: нет подробных алгоритмических описаний, открытого кода, формальных архитектурных схем и количественных тестов, помимо маркетинговых заявлений и ряда партнерских и каталоговых обзоров.¹³⁹¹⁴¹⁵ В результате, хотя терминология — глубокое обучение с подкреплением, генеративные модели принятия решений на базе ИИ, цифровые двойники, графы знаний — полностью соответствует современным модным трендам в ИИ, степень того, в какой мере реализация DeepVu действительно является передовой, а не обычной системой “машинное обучение плюс правила”, обёрнутой в современную терминологию, трудно проверить исключительно по публичным данным.

Обзор DeepVu

DeepVu — частный стартап в области искусственного интеллекта со штаб-квартирой в регионе залива Сан-Франциско (San Ramon / Berkeley), основанный в ноябре 2016 года Моатазом Рашадом и профессором Валидом Арефом.¹¹⁶¹⁷¹⁸ Компания явно позиционирует себя как поставщик «автономного устойчивого планирования цепочки поставок на базе ИИ» для производственных и розничных предприятий, с акцентом на волатильность, сценарии шоковых событий и устойчивость.⁵²⁶¹⁴¹⁵ Собственная страница «О нас» описывает DeepVu как коммерческий стартап в области ИИ, использующий искусственный интеллект “на благо планеты и человечества”, с акцентом на социальную и экологическую ответственность, а также отмечая предыдущий опыт основателей в области аппаратного обеспечения, визуальных технологий и крупномасштабных систем обработки данных.¹¹⁹

С точки зрения продукта, DeepVu предлагает несколько тесно взаимосвязанных компонентов:

VuDecide – многоагентные “агенты планирования на базе ИИ”, обученные с помощью глубокого обучения с подкреплением (DRL) поверх симулятора цифрового двойника (VuSim) для выдачи рекомендаций.⁵⁶¹¹⁹
VuSim – симулятор цифрового двойника, способный воспроизводить сценарии шоковых и обычных событий (задержки из-за COVID, перегрузка портов, засухи, торговые ограничения и т.д.) для обучения агентов.⁵⁶⁸
VuGraph – «масштабируемый граф знаний цепочки поставок», объединяющий данные клиентов с сотнями внешних макроэкономических и иных сигналов, используемых в качестве признаков для прогнозирования и принятия решений.¹⁰³⁴
Набор SaaS-модулей (или “агентов ИИ”), разработанных для конкретных вариантов использования: устойчивое к шокам планирование спроса, автоматическое пополнение запасов, выполнение заказов, планирование грузоперевозок, оптимизация спецификаций закупок и другие сценарии управления рисками и устойчивости в цепочке поставок.⁵¹¹⁸⁹³

Общее обещание состоит в предоставлении слоя ИИ, который непрерывно учится на исторических решениях и результатах, моделирует шоки в цифровых двойниках и предлагает рекомендованные действия, которые планировщики могут принять или отклонить. DeepVu подчёркивает, что система остаётся «поддерживаемым ИИ принятием решений», а не полностью автономным исполнением, оставляя участие человека в процессе.⁵¹¹ Это концептуально логично, однако технические детали — представления состояний, пространства действий, функции вознаграждения, режимы обучения, свойства сходимости — не раскрываются. Независимые доказательства эффективности ограничены несколькими университетскими проектными сотрудничествами,⁵¹¹²⁰ маркетплейс-записями,⁶⁷ и общими положительными отзывами в сторонних обзорах.¹³⁹¹⁴ Патенты, специфичные для заявленных методов обучения с подкреплением для цепочки поставок, не представлены явно в публичных каталогах, и не опубликованы сравнительные исследования, сравнивающие алгоритмы DeepVu с альтернативными подходами.

В коммерческом плане DeepVu — небольшая компания, получившая финансирование (на стадии seed, согласно Golden и Tracxn) с ограниченным, но ненулевым присутствием в аналитике цепочек поставок, включая упоминания о сотрудничестве с «производителями первого уровня» в США и Азии, а также с известными брендами, такими как American Express, Kohl’s и SAP.¹⁵¹¹²¹¹⁷¹⁵ Однако компания предоставляет очень мало подробных кейсов клиентов, а большинство ссылок представляют собой либо анонимизированные отраслевые сегменты («производственные предприятия»), либо общие каталожные записи. Это указывает на поставщика на ранней стадии, с технически амбициозным позиционированием, но с ограниченными публичными данными о крупных, многолетних развертываниях.

DeepVu против Lokad

DeepVu и Lokad занимаются планированием цепочек поставок, однако делают это с принципиально разными техническими подходами и степенью публичной прозрачности.

Парадигма планирования: многоагентное обучение с подкреплением против вероятностной оптимизации. DeepVu представляет свою основную ценность как “автономное устойчивое планирование”, достигаемое посредством агентов многоагентного обучения с подкреплением (VuDecide), обученных на цифровом двойнике (VuSim) для работы в обычных и шоковых ситуациях.⁵²⁶⁸ Основной упор сделан на принятие решений на основе сценариев: агенты моделируют ряд шоков (например, скачки цен на сырьё, сдвиги спроса в стиле COVID, перегрузка портов) и затем предлагают кандидатные политики решений, влияние которых по ключевым показателям сравнивается, чтобы планировщик мог выбрать оптимальный вариант.⁵⁶⁸²² Напротив, подход Lokad сосредоточен на вероятностном прогнозировании и оптимизации, при котором система вычисляет полные предсказательные распределения для спроса и сроков поставки, а затем напрямую оптимизирует экономические цели (ожидаемая прибыль, затраты на запасы, штрафы за обслуживание), чтобы сформировать ранжированные списки заказов, перемещений или расписаний.²²²³²⁴²⁵²⁶ В случае Lokad логика оптимизации выражается через доменно-специфический язык (Envision) и решается с использованием стохастических алгоритмов оптимизации (например, метод Монте-Карло с индивидуальным дискретным поиском) вместо «черного ящика» RL; процесс планирования представляет собой единую вероятностную модель, переходящую от сырых данных к решению, а не явное сочетание цифрового двойника и агента.²⁴²⁵²⁷
Прозрачность и программируемость. DeepVu не предоставляет публичной технической документации о том, как устроены или обучаются агенты VuDecide: отсутствует формальное описание пространств состояний/действий, стратегий формирования вознаграждений или режимов офлайн и онлайн обучения. Его блог-посты и маркетинговые страницы подчеркивают концептуальную идею агентов принятия решений на базе ИИ, оставаясь на повествовательном уровне.⁶⁸²² По сути, система представлена как закрытый прибор: клиенты видят информационные панели и результаты работы агентов, но не внутренние модели. В отличие от этого, Lokad обладает обширной публичной документацией по Envision (синтаксис, семантика, примеры), а также техническими статьями и лекциями, объясняющими его вероятностные модели и методы оптимизации, включая работу его модели на конкурсе M5.²⁵²⁸²⁹³⁰²⁷ Lokad прямо ожидает, что его клиенты (через “Supply Chain Scientists”) будут читать и даже изменять код, управляющий их оптимизацией; DeepVu же ожидает, что они настраивают агентов и используют рекомендации из в основном «черного ящика» системы.
Моделирование данных: граф знаний против табличного DSL. Технологическая концепция DeepVu сильно опирается на VuGraph — граф знаний цепочки поставок, обогащенный сотнями внешних сигналов (макроэкономические индикаторы, цены на сырьё, погодные условия, тарифы и т.д.).¹⁰⁶¹⁴³⁴ VuGraph предоставляет контекстуальные признаки как для прогнозирования, так и для агентов обучения с подкреплением; метафора графа знаний является центральной в позиционировании. В то же время Lokad работает преимущественно с табличными наборами данных и программируемым DSL: внешние сигналы (например, макроиндикаторы) добавляются просто как дополнительные таблицы, и любая «графоподобная» логика кодируется в Envision, а не реализована как отдельная платформа графа знаний.²⁴²⁵ Другими словами, DeepVu формализует модель данных в виде графа, тогда как Lokad формализует логику принятия решений как код с вероятностными примитивами.
Восстановление после шоков: симуляция цифровых двойников против вероятностных распределений. Для обеспечения устойчивости DeepVu использует VuSim для моделирования шоковых сценариев (шоки потребительских расходов, засухи, дефицит рабочей силы, торговые ограничения) и затем обучает агентов на этих многосценарных траекториях.⁵⁶⁸ Результатом является набор сценариев с соответствующими показателями KPI. В отличие от этого, Lokad интегрирует шоки в свои вероятностные распределения, например, позволяя спросу и срокам поставки иметь распределения с тяжелыми хвостами или мультимодальные распределения и напрямую оптимизируя ожидаемую прибыль по этим распределениям; шоки рассматриваются как редкие события с ненулевой вероятностью в распределениях, а не как отдельные сценарии в цифровом двойнике.²³²⁶²⁷ Это различие носит скорее концептуальный, чем чисто технический характер, но оно влияет на подход пользователей к оценке риска (выбор сценария против оптимизации с учетом распределения).
База доказательств и независимая валидация. DeepVu может ссылаться на университетские сотрудничества (проекты Berkeley Data-X), проверки на маркетплейсах (Microsoft AppSource) и каталоги, такие как Tracxn, Craft и Gust, а также на небольшой набор обозначенных “сотрудничеств” (American Express, Kohl’s, SAP) и данные о производителях первого уровня.⁵⁶¹¹²¹²⁰¹⁴¹⁵ Однако количественных доказательств точности прогнозирования или оптимизации немного, отсутствует участие в публичных конкурсах и нет публикаций в рецензируемых журналах. Напротив, методы прогнозирования Lokad были внешне протестированы в конкурсе M5 Forecasting Competition, где команда заняла 6-е место в общем зачете из 909 команд и 1-е место на уровне SKU.³¹³²³³²⁹[^21Lok] Хотя конкурсы не являются идеальным показателем реальной ценности, они предоставляют некоторое независимое подтверждение того, что вероятностное прогнозирование от Lokad технически компетентно. Lokad также предоставляет многочисленные публичные кейсы с обозначенными клиентами (например, Air France Industries, розничные сети, производители), тогда как подробности кейсов DeepVu ограничены.
Коммерческая зрелость и модель поставки. Обе компании предлагают облачный SaaS с поддержкой экспертов, но с разными масштабами и акцентами. DeepVu — стартап на стадии seed с сильной ориентацией на профессиональные услуги (обогащение графа знаний, индивидуальные модели), выставляемые почасово, и явно предлагает “создать для вас индивидуальное решение с использованием нашей платформы AI + Knowledge Graph”.¹⁰³ Lokad — более зрелый поставщик с большей клиентской базой; его модель также опирается на собственных экспертов (“Supply Chain Scientists”), но работает на основе внутренне согласованной, публично документированной платформы (Envision), а не смеси готовых модулей и индивидуальных консультаций.²⁴²⁵³⁴[^17Lok] С точки зрения покупателя, обе модели требуют сотрудничества с экспертами поставщика, однако долгосрочные риски различаются: платформа DeepVu менее прозрачна, но потенциально более ориентирована на RL/цифровых двойников; платформа Lokad более открыта, но требует определённой готовности использовать подход моделирования с помощью DSL.

Короче говоря, DeepVu и Lokad стремятся автоматизировать и улучшить принятие решений в цепочках поставок в условиях неопределенности, при этом DeepVu рассматривает это как многоагентное обучение с подкреплением поверх цифровых двойников с добавлением графа знаний, а Lokad — как вероятностное прогнозирование с оптимизацией, выраженной через DSL. Публичные материалы DeepVu сильно опираются на современные ярлыки ИИ с ограниченным техническим изложением, в то время как материалы Lokad предлагают больше инженерной прозрачности и внешней проверки. Это не доказывает, что технология DeepVu слабая, а лишь то, что внешнему наблюдателю труднее провести её строгую оценку.

История компании и эволюция

Происхождение: Vufind и переход к цепочкам поставок

DeepVu берет своё начало от Vufind Inc, предыдущего стартапа, основанного Моатазом Рашадом, который сосредоточился на компьютерном зрении и приложениях дополненной реальности, таких как API для распознавания объектов и AR-геосоциальная игра (vuHunt).¹⁶³⁵¹⁹ Публичные профили Рашада описывают его как технолога в области аппаратного и программного обеспечения с многочисленными патентами в области GPU/DSP и визуальных технологий, и отмечают, что Vufind разработал такие продукты, как vuMatch, vuStyle и vuGraph для электронной коммерции.¹⁶³⁵¹⁹ Около 2016 года основатели Vufind изменили направление с AR/электронной коммерции на аналитику цепочек поставок, используя возможности data science для создания движка глубокого обучения для производителей.

DeepVu (Vufind, Inc., ведущая бизнес под брендом DeepVu) по данным Golden, Craft и Tracxn была основана примерно в 2016–2017 годах, со штаб-квартирой в San Ramon и присутствием в Berkeley, CA.¹³⁶¹⁷⁴ Собственная страница «О нас» DeepVu указывает, что компания была основана в ноябре 2016 года Рашадом и Арефом (профессором Пёрдью с опытом работы с базами данных и в Microsoft Research) и позиционирует компанию как коммерческий стартап в области ИИ с социально и экологически ориентированной миссией.¹

К 2018 году DeepVu появилась в экосистеме UC Berkeley Data-X как партнёр в проектах, ориентированных на прогнозирование цен на сырьё и оптимизацию цепочек поставок для производителей, что свидетельствует о ранних экспериментах с глубоким обучением и прогнозированием для промышленных сценариев использования.⁵¹¹²⁰ Описания проектов Data-X характеризуют DeepVu как “стартап в области глубокого обучения, ориентированный на оптимизацию цепочек поставок для производителей”, работающий с производителями первого уровня в США и Азии, с кейсами, включающими прогнозирование цен на сырьё для оптимизации спецификаций закупок.¹¹²⁰

Финансирование и статус компании

Публичная информация о финансировании ограничена. Golden указывает Vufind (работающий под DBA DeepVu) как компанию с типом финансирования seed,¹⁷ а Tracxn описывает DeepVu как «финансируемую компанию», не раскрывая размер раунда.¹³⁶¹⁵ В основных технологических новостных архивах не зафиксированы крупные раунды венчурного капитала или поглощения, связанные с DeepVu, что свидетельствует о сравнительно скромном масштабе финансирования. Справочники, такие как Craft и Tracxn, перечисляют DeepVu как частную, активную компанию в категории SaaS для управления цепочками поставок на базе ИИ с несколькими сотнями конкурентов в аналогичных сегментах.¹³⁶¹⁵⁴

Нет никаких доказательств того, что DeepVu приобретала другие компании, и нет признаков того, что сама была куплена. Сайты с корпоративной информацией и адреса демонстрируют типичный след малых стартапов, а не крупные многонациональные операции.¹⁷⁴

Смена позиционирования: от «глубокого обучения как услуги» к «автономному устойчивому планированию»

Ранние описания DeepVu подчеркивали «глубокое обучение как услугу» для максимизации маржи и повышения эффективности цепочки поставок для производителей, включая такие применения, как управление рисками в цепочке поставок, прогнозирование запасов, предсказание событий, оптимизация затрат и распознавание дефектов.²²¹¹⁴ Со временем брендинг сместился в сторону устойчивости цепочки поставок, автономного планирования и агентного ИИ. Пресс-релизы и корпоративный блог теперь описывают DeepVu как «пионера новой категории под названием автономное устойчивое планирование» и многократно выделяют «агентов принятия решений на базе ИИ», обученных на цифровых двойниках и обогащенных сигналами графа знаний VuGraph.¹³⁵⁶⁷⁸³⁷²²

Эта эволюция в целом соответствует более широкой рыночной тенденции: многие поставщики ИИ преобразовывали стандартные возможности машинного обучения в «агентов ИИ», «цифровых двойников» и «графы знаний», поскольку эти термины стали модными. Проблема с технической точки зрения заключается в том, что базовый уровень инноваций трудно определить только по маркетинговому языку.

Продукт и варианты использования

Линейка продуктов и упаковка

Публичные веб-страницы DeepVu и его размещения в маркетплейсах предлагают два основных способа поставки:

Подписки SaaS для конкретных планирующих агентов – например, «Агент ИИ для устойчивого планирования спроса в условиях шока», доступный на Microsoft AppSource, и аналогичные агенты VuDecide для управления запасами, выполнения заказов и планирования производства.⁵⁶⁷⁸⁹
Взаимодействие в рамках профессиональных услуг – когда команда DeepVu разрабатывает индивидуальные решения ИИ + графов знаний на основе VuGraph и VuSim для специфических задач в цепочке поставок клиента, оплата производится по почасовой ставке.¹⁰³

Страница профессиональных услуг явно указывает, что DeepVu «создаст для вас индивидуальное решение, используя нашу платформу ИИ + графов знаний и готовые модели», и перечисляет варианты применения, такие как ИИ-приложения для оптимизации цепочки поставок от начала до конца, модели прогнозирования на основе глубокого обучения для оценки спроса и мощностей, старение запасов, анализ спутниковых снимков портов и распределительных центров, симуляции цифровых двойников с учетом сценариев шока и оценка рисков поставщиков.¹⁰³

Сайт сторонних обзоров (Nerdisa) подытоживает DeepVu как платформу управления цепочками поставок на основе ИИ, наиболее подходящую для производителей и розничных торговцев среднего и крупного бизнеса, подчеркивая «многоагентное принятие решений на базе ИИ» и «рекомендации на основе сценариев» для планировщиков.¹³⁹ Хотя такие обзоры не являются первичными источниками, они подтверждают собственное описание продукта DeepVu как двигателя для принятия планировочных решений, а не просто инструмента для прогнозирования.

Планирование спроса и S&OP

Флагманское предложение в области S&OP, по всей видимости, представляет собой Агент ИИ VuDecide для устойчивого планирования спроса в условиях шока, как описано в пресс-релизе и статье в блоге, объявляющих о его доступности на Microsoft AppSource.¹³⁶⁷ Согласно этим источникам:

Базовый прогноз спроса берется из Dynamics 365 Sales или внутренних прогнозов.
Затем агенты принятия решений на базе ИИ интегрируют планирование сценариев шока, генерируя несколько устойчивых к шокам прогнозов (например, с учетом макроэкономических шоков, влияющих на потребительские расходы).
Агенты обогащаются сотнями внешних сигналов из VuGraph, такими как процентные ставки, уровень безработицы, заработная плата, цены на сырье, объемы экспорта/импорта и валютные курсы.⁶⁸³
Человеческие планировщики могут выбирать между различными сценариями прогнозов, учитывая такие ключевые показатели эффективности, как OTIF, стоимость грузоперевозок, затраты на хранение запасов, трудовые затраты и т.д.⁶⁸

Блог подчеркивает концептуальный сдвиг от «традиционных подходов, ориентированных на прогнозирование», и непоследовательных моделей, основанных на MAPE, к агентам принятия решений на базе ИИ, которые оптимизируют бизнес-результаты по различным сценариям.⁸ Однако детали реализации — конкретные архитектуры моделей, обработка временных рядов, поперечная структура, метрики ошибок или то, как агенты RL взаимодействуют с базовыми прогнозами — не описаны.

Оптимизация запасов и автоматическое пополнение

DeepVu предоставляет отдельные страницы для управления запасами и выполнения заказов, описывая агентов VuDecide, которые обучаются на основе исторических данных об уровнях запасов, заказах (B2C и B2B), решениях по выполнению, акциях и логистических данных, объединенных с сигналами VuGraph.¹¹⁹ Эти агенты предназначены для того, чтобы:

Рекомендовать количества автоматического пополнения на уровне магазина/распределительного центра для минимизации затрат на хранение при удовлетворении спроса.
Оптимизировать решения по выполнению заказов (из какого распределительного центра отправлять, стоит ли делить заказы, какой способ доставки использовать) с учетом таких ключевых показателей, как стоимость грузоперевозок, обещанные сроки доставки, штрафы за разделение заказов и штрафы OTIF.¹¹⁹
Оптимизировать старение запасов для сокращения вынужденных акций и распродаж путем перераспределения партий на распределительные центры с более высоким спросом, контролируя при этом затраты на грузоперевозки.¹¹
Оптимизировать показатели OTIF для каждого распределительного центра/магазина розничного покупателя по каждой товарной позиции в месяц.¹¹

Снова, повествование выглядит правдоподобным: подходы на основе RL или другого машинного обучения, в принципе, могут извлечь уроки из исторических решений по выполнению заказов и ограничений для улучшения политик. Однако количественные показатели эффективности, представления политик или механизмы управления ограничениями не раскрываются.

Закупки, планирование производства и управление рисками

Страница снабженческой цепочки ИИ и описание профессиональных услуг расширяют сферу применения DeepVu до оптимизации спецификаций закупок (BoM), управления рисками производства и обеспечения устойчивости.⁵⁸³¹² Заявленные возможности включают:

Оптимизацию спецификации материалов путем моделирования работы с несколькими поставщиками, деталями, колебаний цен и надежности для минимизации затрат по BoM.⁵
Интеллект для принятия решений в планировании производства, который «соблюдает сроки поставок продукции, достигает целей по прибыльности и обеспечивает непрерывность цепочки поставок», используя сигналы VuGraph и неструктурированные данные от заводов и поставщиков.⁸
Среды цифровых двойников для оценки сценариев риска, таких как нарушения из-за пандемии, перегруженность портов, задержки с контейнерами и торговые ограничения.⁵⁸
Модели компьютерного зрения для спутниковых снимков портов, распределительных центров и ферм, а также анализ изображений продукции.¹⁰³

Публичные материалы рассматривают эти возможности как приложения одной и той же базовой платформы ИИ + графа знаний, а не как отдельные продукты. Отсутствие подробных примеров затрудняет понимание, какие из этих вариантов использования уже находятся в эксплуатации, а какие остаются на уровне идей.

VuGraph: граф знаний для цепочки поставок

VuGraph описывается как «масштабируемая платформа графа знаний для цепочки поставок» и, по сути, является самым конкретным техническим артефактом DeepVu.¹⁰¹⁴³⁴ Согласно описаниям от DeepVu и сторонних источников:

VuGraph агрегирует большое количество внешних макроэкономических сигналов (индексы CPI, PPI, уровень безработицы, коэффициенты ВВП, процентные ставки, валютные курсы и т.д.), а также, потенциально, микроуровневые сигналы, такие как индексы продаж в магазинах.¹⁰⁶³
Эти сигналы используются для усиления моделей планирования спроса и агентов ИИ, предположительно в качестве экзогенных регрессоров или контекстных признаков.¹⁰⁶¹⁴³⁴
VuGraph предлагается как самостоятельная «тестовая среда» для изучения того, как макросигналы могут улучшить модели планирования спроса.¹⁰³
Обогащение/расширение графа знаний и визуализации являются частью профессиональных услуг DeepVu.¹⁰

Не раскрывается внутренняя структура графа (узлы, ребра, схема), метод присвоения «прогностических весов» сигналам или то, чем обучение структурированным графом (если оно имеет место) отличается от использования большой таблицы признаков. Тем не менее, VuGraph предоставляет несколько более конкретный актив по сравнению с общей концепцией «агентов ИИ».

VuSim: цифровой двойник и сценарии шока

VuSim, симулятор цифровых двойников, упоминается в материалах по цепочке поставок на основе ИИ DeepVu и на главной странице в качестве среды, на которой обучаются агенты VuDecide.⁵² Говорят, что он симулирует:

Нормальную работу.
Условия шока, такие как задержки из-за COVID, всплески спроса, перегруженность портов, задержки с контейнерами, геополитические ограничения, резкий рост цен на товары, шоки в потребительских расходах, засухи, нехватку рабочей силы и торговые ограничения.⁵²⁶⁸

Заявленная идея такова: «В условиях идеального шторма рисков для цепочки поставок для смягчения необходимо симулировать!», при этом агенты RL обучены действовать устойчиво в этих смоделированных мирах.⁵² Однако подробности моделирования не предоставлены: как представляются физические ограничения, как шоки распространяются через цифрового двойника, как производится калибровка по реальным данным или как контролируются ошибки симуляции.

Технологии, архитектура и утверждения об ИИ

Облачный стек и интеграции

DeepVu осуществляет обучение моделей и работу панелей управления на облачной инфраструктуре, с упоминанием как кластеров Azure, так и GCP.¹⁰³ Платформа заявляет о «бесшовной интеграции» с ERP-платформами, включая SAP, Microsoft, Oracle и Infor, предположительно через коннекторы или API.⁵¹² Это в целом соответствует стандартной практике современных поставщиков SaaS-решений.

Несколько записей в каталогах (AppEngine, Tracxn, Craft, SuperAGI) описывают DeepVu как SaaS-решение для управления цепочками поставок / оптовой торговли / ИИ в районе Бэй, подчеркивая облачное развертывание и использование в режиме многопользовательской аренды.¹²³⁸¹⁴¹⁵⁴ Однако ни одна из них не предоставляет независимых архитектурных схем или глубоких технических оценок.

Глубокое обучение и обучение с подкреплением

Маркетинг DeepVu постоянно подчеркивает глубокое обучение и глубокое обучение с подкреплением:

Главная страница называет DeepVu решением «full stack», где «Глубокое обучение с подкреплением (DRL) является самым продвинутым, масштабируемым, самонастраивающимся типом генеративных агентов ИИ для принятия решений».²
Страница о цепочке поставок на основе ИИ упоминает «многоагентные модели принятия решений на базе ИИ (обучение с подкреплением) (VuDecide)», обученные на VuSim.⁵
AppEngine и другие каталоги упоминают обучение с подкреплением для S&OP, оптимизации запасов, прогнозирования дефицита и аналогичных задач.²¹⁴
Блоги говорят об «агентах принятия решений на базе ИИ», использующих обучение с подкреплением с участием обратной связи от людей.⁸

Несмотря на это, нет публичного описания фреймворка RL (например, метод градиента политики против Q-обучения, on-policy против off-policy, непрерывные против дискретных действий, структура вознаграждения), а также отсутствует обсуждение типичных проблем RL (неэффективность выборки, нестационарность, ограничения по безопасности) в контексте цепочки поставок. Ни кодовых репозиториев, ни академических статей, ни патентов, описывающих методы RL DeepVu, не найдено в публичном доступе.

Самое простое и последовательное толкование заключается в том, что DeepVu использует сочетание методов контролируемого обучения и оптимизации политик в стиле RL (возможно, автономное RL на основе исторических данных) в рамках собственных моделей, но со стороны невозможно определить, насколько это превосходит более традиционные предиктивные модели с добавлением эвристических правил. Эти утверждения выглядят правдоподобными, но не поддаются проверке.

Модели принятия решений на базе генеративного ИИ

Несколько страниц теперь описывают агентов VuDecide как «модели принятия решений на базе генеративного ИИ», используя терминологию, соответствующую более широкой тенденции генеративного ИИ.²¹¹ В данном контексте «генеративный» означает:

Генерация рекомендаций по принятию решений (например, количества пополнения запасов, варианты выполнения заказов), а не текста или изображений.
Возможно, генерация нескольких сценариев (сценарий шока против базового сценария) для выбора планировщиками.⁶¹¹⁸

Нет никаких указаний на то, что DeepVu использует крупные языковые модели (LLMs) в качестве основного планировочного движка; генеративный ИИ здесь является маркетинговым термином для моделей принятия решений в стиле RL, а не для генерации естественного языка.

Граф знаний и внешние сигналы

Использование графа знаний является одним из более конкретных отличительных признаков DeepVu. VuGraph агрегирует широкий набор внешних сигналов:

Макроэкономические показатели (CPI, PPI, уровень безработицы, коэффициенты ВВП, процентные ставки, валютные курсы).¹⁰⁶³
Секторальные сигналы, такие как индексы продаж сетевых магазинов.¹⁰³
Возможно, другие данные (например, спутниковые снимки, обработанные моделями компьютерного зрения, документы и отчеты поставщиков).[^\4]³

AppEngine и другие каталоги подчеркивают, что модели DeepVu используют внешние сигналы, такие как цены на сырье, ВВП, погодные условия, цены на бензин и тарифы, наряду с внутренними данными.²¹⁴ В принципе, систематическое включение таких сигналов могло бы улучшить прогнозирование и планирование, если они действительно обладают предсказательной способностью; в крайнем случае, VuGraph предоставляет структурированное хранилище для экспериментов.

Снова, отсутствует ключевой элемент — методология: нет описания того, как производится отбор сигналов, инженерия признаков или регуляризация для предотвращения переобучения на шумных макроданных, а также нет доказательств повышения производительности на вневыборочных данных, обусловленного использованием VuGraph.

Доказательства против модных слов

В совокупности технология DeepVu насыщена современной терминологией ИИ — глубокое обучение, глубокое RL, многоагентное принятие решений, генеративный ИИ, цифровые двойники, графы знаний. Хотя ни одно из этих утверждений явно не является ложным, публичных доказательств очень мало:

Нет открытых бенчмарков, конкурсов или рецензируемых публикаций.
Нет подробных технических блогов, объясняющих архитектуры моделей или инженерные компромиссы.
Нет публичных SDK или API, раскрывающих внутренние модели.
Нет явного обсуждения ограничений, режимов отказа или негативных результатов.

В отличие от этого, немаркетинговые доказательства ограничиваются следующим:

Сотрудничество с Data-X в Беркли, которое показывает, что DeepVu участвовал в реальных проектах по прогнозированию и имел доступ к реальным промышленным данным.⁵¹¹²⁰³⁹
Размещение на Microsoft AppSource и соответствующий пресс-релиз, указывающие на базовый уровень проверки со стороны Microsoft (хотя в основном коммерческой, а не технической проверки).[^^2]⁶⁷
Каталожные резюме (AppEngine, Gust, Craft, Tracxn, Golden), которые соответствуют самодескрипции DeepVu, но не являются независимыми техническими аудитами.¹²²¹¹⁴¹⁷¹⁵⁴
Небольшое количество сторонних обзорных статей, предоставляющих оценки на уровне менеджера по продукту, но без алгоритмической проверки.¹³⁹

С точки зрения скептицизма, наиболее разумный вывод заключается в том, что DeepVu создала настоящий механизм принятия решений на основе машинного обучения с некоторыми передовыми элементами (внешние сигналы, сценарное планирование, возможно, RL), однако точный уровень технической сложности нельзя определить по публичной информации и не следует считать его соответствующим самой сильной интерпретации маркетинговых фраз.

Развертывание, модель доставки и методология

SaaS плюс услуги с высоким уровнем взаимодействия

Модель развертывания DeepVu, по-видимому, объединяет SaaS модули с профессиональными услугами с высоким уровнем взаимодействия:

Клиенты могут подписаться на агентов VuDecide для конкретных задач (планирование спроса, управление запасами, выполнение заказов) как облачные сервисы, иногда через торговые площадки, такие как Microsoft AppSource.¹³⁶⁷⁹
В то же время, DeepVu предлагает широкий спектр профессиональных услуг для «большинства кейсов цепочки поставок», включая обработку данных, автоматическую очистку, обогащение графа знаний и индивидуальное моделирование, по ставкам $400–450 в час в зависимости от сложности.¹⁰³

Это говорит о том, что многие проекты будут индивидуальными, где команда DeepVu создает логику решения на базе платформы, а не полагается исключительно на инструменты самообслуживания. В этом смысле DeepVu напоминает гибрид между поставщиком программного обеспечения и AI-консалтинговой компанией.

Интеграция данных и настройка цифровых двойников

Страница AI для цепочек поставок указывает на то, что DeepVu интегрируется с существующими ERP-платформами (SAP, Microsoft, Oracle, Infor), извлекая данные и инсайты из существующих систем цепочки поставок в свои AI-модели.⁵¹² Профессиональные услуги включают обработку данных и их очистку для огромных наборов, что подразумевает активное участие DeepVu в построении конвейеров поступления данных и очистке исторических данных.¹⁰³

Настройка цифровых двойников VuSim, вероятно, включает в себя:

Моделирование сети цепочки поставок клиента (заводы, распределительные центры, порты, поставщики).
Калибровку сценариев шоков (например, исторические шаблоны загруженности портов, траектории цен на сырье).
Валидацию смоделированных KPI по историческим периодам.

Ничто из этого не прописано в публичной документации, однако такие шаги необходимы для придания цифровым двойникам достоверности. Учитывая сложность, разумно предположить, что проекты по внедрению значимых развертываний будут длиться несколько месяцев.

Принятие решений с участием человека

DeepVu неоднократно подчёркивает, что его система остаётся с поддержкой искусственного интеллекта при принятии решений:

Агенты VuDecide «рекомендуют решения» и предоставляют информацию об их влиянии на KPI в различных сценариях; человеческие планировщики выбирают или изменяют рекомендованное действие.⁵²⁶¹¹⁸
Блог-посты изображают планировщиков как «дирижёров», обладающих сверхспособностями искусственного интеллекта, которые определяют сценарии шоков и позволяют AI отображать их по всей цепочке создания стоимости.⁸

Это в целом соответствует лучшим практикам поддержки принятия решений с высоким воздействием: полная автоматизация сложного планирования в условиях неопределенности редко является реалистичной или желательной. Однако отсутствие публичных демонстраций пользовательского интерфейса или документации затрудняет оценку того, насколько удобны или интерпретируемы фактические рекомендации по принятию решений.

Клиенты, рекомендации и коммерческая зрелость

Известные клиенты и секторы

Профиль Gust для DeepVu перечисляет «ведущие компании с участием», включая American Express, Kohl’s и SAP.²¹ Описания проектов Data-X упоминают «производителей первого уровня в США и Азии» в качестве партнеров DeepVu.¹¹²⁰ Каталоги AppEngine и другие описывают производителей как основную клиентскую базу с акцентом на FMCG, промышленность и здравоохранение.⁵²¹⁴¹⁵

Однако:

Собственный сайт DeepVu не предоставляет подробных, конкретных кейс-стадий.
Перечисленные проекты могут быть пилотными или PoC, а не долгосрочными производственными внедрениями.
Нет публичного квантитативного отчета о достигнутой экономии, улучшенных показателях OTIF или сокращении запасов.

Таким образом, данные о клиентах являются наводящими, но слабыми. Покупателю следует воспринимать указанные логотипы в обобщенных профилях как косвенное доказательство и запрашивать прямые рекомендации.

Рыночное позиционирование и конкуренция

Tracxn позиционирует DeepVu среди нескольких тысяч стартапов в области искусственного интеллекта и цепочек поставок, перечисляя более тысячи активных конкурентов – от крупных игроков вроде Palantir и Quantexa до многочисленных мелких фирм.¹³⁶¹⁵ Craft и Golden аналогичным образом классифицируют DeepVu как небольшую частную компанию в секторе глубокого обучения и управления цепочками поставок в формате SaaS.¹⁷⁴

Нет признаков широкого освещения аналитическими компаниями (например, Gartner, IDC) или включения в основные отраслевые квадранты. Это соответствует компании на начальной стадии развития с некоторыми заметными партнерствами (например, листинг на Microsoft AppSource), но еще не признанной лидером в своей категории.

Общая коммерческая зрелость

Если собрать все данные воедино:

Возраст: около 8–9 лет с момента основания (2016).
Финансирование: стадия seed; без крупных публичных раундов.
Масштаб: небольшая команда в Калифорнии, Франции и Канаде (согласно странице профессиональных услуг).¹⁰³
Рекомендации: ограниченное количество публично указанных клиентов; больший акцент на секторах и типах взаимодействий.
Видимость: присутствие в нишевых AI-каталогах и университетских экосистемах; умеренная общая рыночная заметность.

Это подтверждает классификацию DeepVu как коммерчески незрелого поставщика на ранней стадии, обладающего серьезными техническими амбициями, но с ограниченным публичным послужным списком. Для покупателей, избегающих риска, это означает повышенный риск поставщика и необходимость тщательных пилотных проектов и контрактных гарантий.

Заключение

Что именно предоставляет решение DeepVu?

Основываясь на публичной информации, DeepVu предоставляет:

Облачный AI-механизм принятия решений (VuDecide), который формирует рекомендованные действия для задач планирования цепочек поставок — планирование спроса, пополнение запасов, выполнение заказов, планирование производства и снижение рисков.
Эти рекомендации генерируются с помощью моделей, которые обучаются на исторических транзакционных данных, прошлых решениях и результатах, дополненных внешними макро- и микросигналами, хранящимися в VuGraph.
Модели принятия решений обучаются и оцениваются с использованием цифровых двойников с множеством сценариев (VuSim), имитирующих как нормальные, так и шоковые условия.
Человеческие планировщики используют эти рекомендации через панели управления или интеграции с ERP-системами, выбирая или изменяя действия на основе влияния на KPI.

Другими словами, продукт DeepVu лучше всего описывается как система поддержки принятия решений на основе AI и сценариев для цепочек поставок, а не просто инструмент прогнозирования или классический оптимизационный решатель.

Через какие механизмы и архитектуры достигаются эти результаты?

DeepVu заявляет, что использует:

Глубокое обучение для прогнозирования и распознавания шаблонов.
Глубокое обучение с подкреплением (мультиагентное) для формирования политик принятия решений.
Генеративные AI-модели принятия решений, которые предлагают варианты действий.
Граф знаний (VuGraph) для структурирования внешних сигналов и контекстных данных.
Симулятор цифровых двойников (VuSim) для генерации сценариев шоковых и нормальных условий.
Облачная инфраструктура (Azure / GCP) для обучения и предоставления моделей.
Интеграции с ERP-платформами для поступления данных и выполнения действий.

Однако, нет публичного, технически подробного описания следующих элементов:

Архитектуры моделей и процедуры обучения.
Настройки RL (пространство состояний/действий, функции вознаграждения, стратегии исследования, ограничения безопасности).
Схема графа знаний и механизмы обучения.
Калибровка и валидация цифровых двойников.
Архитектура системы (микросервисы, потоки данных, характеристики задержек).

Таким образом, несмотря на то, что концептуальные механизмы понятны и правдоподобны, детали реализации остаются непрозрачными, и внешние наблюдатели не могут с уверенностью оценить, является ли система DeepVu действительно более продвинутой по сравнению с другими инструментами планирования, улучшенными с помощью ML.

Коммерческая зрелость и присутствие на рынке

DeepVu представляет собой:

Небольшой стартап на стадии seed, основанный в 2016 году, с офисами в Калифорнии и некоторым присутствием во Франции и Канаде.¹¹⁰³¹⁷
Действует преимущественно в производственных и розничных цепочках поставок, с упоминаниями о сотрудничестве с производителями первого уровня и несколькими известными компаниями (Amex, Kohl’s, SAP), но с ограниченными публичными деталями.¹¹²¹²⁰
Позиционируется как полнофункциональная AI-платформа с графом знаний с SaaS-модулями и консалтинговыми услугами, взимая премиальные почасовые ставки за индивидуальную работу.¹⁰³

С точки зрения покупателя, это означает повышенный риск поставщика (по сравнению с устоявшимися поставщиками APS или цепочек поставок), но потенциально большую гибкость и инновационность, если технология оправдывает ожидания. При отсутствии независимых доказательств эффективности, комплексная проверка должна включать:

Тщательную оценку результатов пилотного проекта на собственных данных покупателя.
Проверку рекомендованных клиентов и производственных внедрений.
Разъяснение вопросов собственности на ИС, переносимости моделей и стратегий выхода в случае неудачи поставщика или его поглощения.

Общая оценка

DeepVu представляет согласованное и амбициозное видение для планирования цепочек поставок с использованием AI: мультиагентные агенты RL, обученные на цифровых двойниках, дополненные графом знаний о цепочке поставок и внешними сигналами, предоставляющие рекомендации на основе сценариев, которые явно учитывают шоки и устойчивость. Выбор концептуальных инструментов — цифровые двойники, RL, графы знаний — соответствует современным направлениям исследований в области AI, а участие DeepVu в академических программах (например, Berkeley Data-X) и на торговых площадках (Microsoft AppSource) свидетельствует о наличии существенной работы, стоящей за маркетинговыми лозунгами.

Однако, снаружи DeepVu остаётся чёрным ящиком. Без технической документации, кода, бенчмарков или подробных кейс-стадий невозможно подтвердить глубину и надежность его реализации. Скептическое, но справедливое толкование заключается в том, что DeepVu создала настоящую ML-инфраструктуру и некоторые специализированные модели, однако её публичное общение изобилует модными словами, и покупатели не должны делать вывод о передовости RL или сложности цифровых двойников, исходя только из используемой терминологии.

В относительных терминах, по сравнению с поставщиками, такими как Lokad, которые раскрывают свой стек моделирования и имеют внешнюю оценку на международных конкурсах, технология DeepVu труднее для оценки и должна рассматриваться как перспективная, но непроверенная в масштабах. Для организаций с сильной склонностью к инновациям и способностью проводить строгие пилотные проекты DeepVu может быть интересным партнером с высоким риском и высоким потенциалом в области устойчивого планирования. Для тех, кто ищет полностью обезрисованные, прозрачно документированные решения, отсутствие проверяемых доказательств является существенной проблемой.