00:00:07 Проблема черного ящика в управлении цепями поставок.
00:02:20 Внедрение ИИ и сложных числовых рецептов, усугубляющих проблему черного ящика.
00:03:59 Различия между старыми ERP-системами и современными, и их связь с проблемой черного ящика.
00:06:10 Примеры из реальной жизни, демонстрирующие проблему черного ящика и её влияние на компании.
00:07:36 Как компании преодолевают проблему черного ящика с помощью таблиц Excel.
00:09:06 Концепция белого ящика для обеспечения прозрачности и понимания.
00:11:27 Важность разработки нескольких продуманных показателей для объяснения решений.
00:14:17 Преимущества использования экономических драйверов для принятия решений.
00:15:28 Ограничения Excel в обработке сложных данных и необходимость в более совершенных инструментах.
00:17:36 Важность тщательной документации входных данных системы, чтобы избежать неверных результатов.
00:18:47 Исследование необходимости гибких слоев обработки данных, поддерживающих промежуточные вычисления.
00:20:08 Необходимость разработки независимых экономических драйверов для предотвращения вводящих в заблуждение результатов.
00:21:09 Почему белый ящик имеет решающее значение и каковы последствия отсутствия прозрачного процесса.
Резюме
В этом интервью Киран Чендлер и Жуан Верморель обсуждают важность «белого ящика» в оптимизации цепей поставок. Цепи поставок — это сложные системы, и применение программного обеспечения или техник на базе ИИ может сделать их менее прозрачными. Верморель утверждает, что традиционные системы ERP, зачастую разработанные с нулевым уровнем интеллекта, способствуют этой непрозрачности. Подход Lokad, основанный на белом ящике, нацелен на восстановление прозрачности за счет сосредоточения на нескольких тщательно подобранных показателях и использованием корпоративных метрик, таких как экономические драйверы. С помощью Envision, их языка программирования, Lokad помогает поддерживать прозрачность процесса оптимизации цепей поставок. Применение белого ящика может повысить доверие к системам управления цепями поставок и улучшить общую эффективность.
Расширенное резюме
В этом интервью ведущий Киран Чендлер обсуждает концепцию «белого ящика» с Жуаном Верморелем, основателем Lokad — компании, специализирующейся на разработке программного обеспечения для оптимизации цепей поставок. Разговор начинается с объяснения проблемы «черного ящика» в информатике, которая относится к системам, где можно наблюдать входные и выходные данные без понимания их внутренней работы. Это может создавать проблемы, особенно с ростом использования искусственного интеллекта в различных отраслях.
Верморель объясняет, что цепи поставок по своей сути являются сложными системами, включающими множество людей, продуктов и локаций. Эта сложность приводит к непрозрачности, что затрудняет понимание работы цепи в целом. Добавление программного обеспечения, даже базового, которое не обладает особыми интеллектуальными способностями, может еще больше усилить эту непрозрачность. Проблема усугубляется, когда в систему внедряются сложные числовые рецепты или методы на базе ИИ, что еще больше затрудняет понимание смысла чисел и получаемых результатов.
Непрозрачность, как определяет ее Верморель, означает, что для людей, работающих с цепями поставок или их организующих, очень сложно понять, что означает каждое число, откуда оно взялось и почему установлено именно такое значение, а не другое. Непрозрачность отражает сложность проникновения в суть вещей при расследовании работы цепи.
По словам Вермореля, проблема черного ящика широко распространена в индустрии цепей поставок. Традиционные системы планирования ресурсов предприятия (ERP) и другие устаревшие технологии зачастую были непрозрачными по разным причинам, таким как сложность разработки эффективных реляционных схем для баз данных или наличие множества систем, которые не были хорошо интегрированы. Каждая из этих систем может быть относительно простой сама по себе, но их объединение приводит к значительной путанице и множеству случайных интеграций, которые плохо задокументированы. Это создает накопительную непрозрачность даже в системах, которые по отдельности вполне просты. А когда в дело вмешиваются числовые рецепты, непрозрачность резко возрастает, так как становится крайне сложно проверить правильность данных.
Внедрение сложных числовых рецептов или методов на базе ИИ в эти системы может привести к резкому увеличению непрозрачности. Это делает проверку достоверности получаемых чисел еще более сложной. Раньше, возможно, можно было вручную сверить значения запасов в разных системах, но с добавлением сложных числовых рецептов такая проверка становится практически невозможной.
Верморель объясняет, что традиционные системы планирования ресурсов предприятия (ERP) больше ориентированы на управление, чем на планирование, и зачастую разрабатываются без какого-либо интеллекта. Сложные числовые рецепты, которые некоторые поставщики могут называть ИИ, обычно добавляются поверх ERP, что делает весь процесс еще более непрозрачным.
На практических примерах Верморель отметил, что даже простые вычисления, такие как расчет резервного запаса, могут привести к эффекту черного ящика. Например, компания может задать уровень сервиса в 99.9%, но фактически достичь лишь 97%. Такое несоответствие между входными данными и результатом приводит к непониманию внутренних процессов системы. Обычно компании решают эту проблему с помощью таблиц Excel, извлекая исходные данные из ERP-систем и разрабатывая собственные числовые рецепты для контроля вычислений.
Подход белого ящика, как описывает Верморель, признает, что даже простые модели могут становиться непрозрачными при применении к сложным сценариям цепей поставок. Цель белого ящика — восстановление прозрачности и понимания в этих моделях. Создавая процесс, нацеленный на восстановление прозрачности, компании могут заслужить доверие и в конечном итоге отказаться от использования таблиц Excel.
Одной из проблем подхода белого ящика является избыток показателей и индикаторов. Компании часто требуют больше KPI и индикаторов при использовании черного ящика, но это может привести к еще большей сложности и непрозрачности. Верморель предлагает сосредоточиться на нескольких тщательно подобранных числах, чтобы объяснить принятые решения.
Белый ящик нацелен на предоставление объяснений конечным результатам решений, имеющих физическое воздействие на цепи поставок, таким как производство, закупки или перемещение запасов. Для этого процесс опирается на несколько показателей, измеряемых в долларах или евро, поскольку эти единицы наиболее понятны на уровне всей компании. Сосредоточенность на конечном результате и объяснение решений с использованием корпоративных метрик помогают создавать понимание и прозрачность в оптимизации цепей поставок.
Верморель объясняет, что риск дефицита товара может оказаться гораздо выше стоимости приобретаемых товаров, если он приводит к остановке производственной линии. Для решения этой проблемы Lokad применяет экономические драйверы для принятия решений. Эти драйверы полезны тем, что позволяют проводить сравнение на уровне всей компании, обеспечивая использование сопоставимых метрик.
Одной из проблем традиционных методов оптимизации цепей поставок является закрытость многих аналитических систем. В отличие от них, подход Lokad поддерживает белый ящик, позволяющий пользователям понять внутреннюю работу системы и проверить ее результаты. Верморель отмечает, что Excel является эффективным инструментом для реализации белого ящика в небольших масштабах, но испытывает трудности при работе с большими объемами данных или сложными вычислениями.
Для преодоления этих ограничений Lokad разработала язык программирования под названием Envision, который позволяет пользователям оставаться ближе к данным, проводить проверки и создавать дашборды. Это помогает поддерживать прозрачность в процессе оптимизации цепей поставок.
Для компаний, использующих программные решения на основе черного ящика, Верморель рекомендует начать с тщательной документации входных данных системы. Часто в компаниях отсутствует полноценная документация, что приводит к принципу «мусор на входе — мусор на выходе». Следующий шаг — обеспечить, чтобы аналитический уровень системы был достаточно гибким, как в Excel, позволяя пользователям без труда добавлять столбцы и отлаживать свою логику.
Как только эти предпосылки будут выполнены, компаниям следует сосредоточиться на разработке качественных экономических драйверов, максимально независимых друг от друга. Это позволяет избежать риска двойного учета или упущения важных факторов при принятии решений.
Белый ящик имеет решающее значение в оптимизации цепей поставок, поскольку обеспечивает достоверность результатов системы. Если пользователи не доверяют системе, они возвращаются к своим таблицам Excel, которые, по словам Вермореля, являются необходимой защитой от «безумия системы». Принятие белого ящика помогает компаниям установить доверие к процессам оптимизации цепей поставок и повысить общую эффективность.
Полная расшифровка
Kieran Chandler: Сегодня на Lokad TV мы обсудим решение, известное как белый ящик. Итак, Жуан, прежде чем перейти к белому ящику, возможно, нам стоит начать с проблемы черного ящика. В чем заключается суть черных ящиков и в чем проблема?
Joannes Vermorel: Цепи поставок — это сложные системы, в которых участвует множество людей, продуктов и, возможно, различных локаций. С самого начала очевидно, что это очень сложная задача, и именно из-за своей сложности она уже обладает определенной непрозрачностью. Очень сложно полностью понять всю систему. Затем, когда в ней появляются дополнительные программные слои, проблема усугубляется. Я говорю о сравнительно базовом программном обеспечении, которое просто перемещает «водопроводные» элементы IT-системы вашей цепи поставок, ничего умного. Но даже это создает дополнительный уровень непрозрачности. Сейчас происходит следующее: некоторые поставщики рекламируют ИИ, но я предпочитаю рассматривать их как использование умных, продвинутых числовых рецептов для цепей поставок. Как только вы вводите нетривиальные числовые рецепты в середину программного обеспечения, которое фактически управляет вашей цепью поставок, возникает совершенно новый уровень непрозрачности.
Kieran Chandler: Вы упомянули ключевое слово — непрозрачность. Не могли бы вы рассказать подробнее, что вы имеете в виду под непрозрачностью?
Joannes Vermorel: Под непрозрачностью я подразумеваю, что для людей в организации, работающих с цепями поставок или занимающихся их организацией, очень сложно понять, что означает то или иное число, откуда оно взялось и почему установлено именно такое значение, а не другое. Непрозрачность отражает сложность проникновения в суть вещей, когда вы пытаетесь исследовать свою цепь поставок.
Kieran Chandler: Итак, мы говорим о проблеме черного ящика, когда из системы выдаются результаты, и мы не знаем, откуда они берутся. Насколько распространена эта проблема? Видно ли это часто в индустрии цепей поставок?
Joannes Vermorel: Да, я бы сказал, что старые ERP и IT-системы были очень непрозрачными по разным причинам. В то время было гораздо сложнее разработать хорошие реляционные схемы для баз данных, поэтому внутренняя структура могла быть довольно запутанной. В сложной цепи поставок могли существовать множество систем, которые не были хорошо интегрированы, и объединение их приводило к значительному беспорядку и множеству случайных интеграций, которые плохо задокументированы. Это приводит к возникновению непрозрачности даже в системах, которые по отдельности достаточно просты. А когда в дело вмешиваются числовые рецепты, непрозрачность резко возрастает, так как становится очень сложно проверить корректность чисел.
Kieran Chandler: Дело не в том, чтобы проверить центральную систему на наличие запасов в удаленной локации, а затем удостовериться, что значение запасов в самой удаленной системе совпадает. Иногда такие проверки действительно бывают сложными. Но если в дело не вмешиваются числовые рецепты, такое можно сделать. Как только же вы вводите модель линейной регрессии в середину, становится практически адом повторить что-либо или понять, что происходит. Так что, полагаю, именно это и изменилось между старыми ERP-системами и современными. Сейчас мы используем более сложные числовые рецепты. Так ли это, что приводит к появлению метода черного ящика?
Joannes Vermorel: Обычно те сложные числовые рецепты не интегрированы в ERP. То есть ERP, несмотря на своё название «планирование ресурсов предприятия», имеет очень мало общего с планированием – почти ничего. Все сводится к управлению. Таким образом, у вас есть системы управления ресурсами предприятия, которые, как правило, реализованы с нулевым уровнем интеллекта по замыслу. Вы просто хотите отслеживать свои активы, а сверху накладываются аналитические слои. Но, вы правы, в этих аналитических слоях присутствуют сложные рецепты, которые некоторые поставщики могут называть ИИ, и система становится намного непрозрачнее.
Kieran Chandler: А как насчет примера из реальной практики, показывающего, как эти проблемы черного ящика реально влияют на компании?
Joannes Vermorel: В реальном мире удивительно то, что для создания эффекта «черного ящика» не требуется ИИ. Более простые вещи уже вызывают повсеместный эффект «черного ящика». Я видел множество компаний, где даже что-то настолько простое, как расчет страхового запаса — то есть сколько продукции нужно держать на складе, если предположить, что спрос нормально распределен поверх прогноза, и то же самое для срока поставки — приводит к эффекту «черного ящика». Они говорят: «Я задаю уровень сервиса в 99,9 процента, а измерения показывают, что фактически уровень сервиса составляет лишь 97 процентов». Таким образом, возникает странный разрыв между установленным в системе значением, скажем 99,9, и тем, что вы получаете на практике, а именно 97. Это тот случай, когда система является «черным ящиком», и вы действительно не понимаете, что происходит. Очевидно, результат работы системы не соответствует вашим ожиданиям, поэтому вы сталкиваетесь с этим эффектом «черного ящика» лицом к лицу.
Kieran Chandler: Если это так распространено, как компании решают эти проблемы?
Joannes Vermorel: Обычно они справляются с этим с помощью огромного количества Excel-таблиц. Что происходит, когда вам нельзя доверять числовым данным из системы? Люди просто извлекают данные из ERP, базовые данные, которым можно доверять, такие как запасы, исторические продажи, исторические заказы на покупку и тому подобное. Они могут дважды проверить, что данные в Excel-таблице соответствуют системе, и таким образом избежать эффекта «черного ящика». Они даже проверяют, что информация в Excel совпадает с тем, что есть на полках в складе, чтобы быть уверенными. А потом они начинают создавать свои собственные числовые рецепты прямо в Excel-таблице, где специалист по цепочке поставок контролирует расчеты на каждом этапе, и все это наглядно. Так они стараются избежать эффекта «черного ящика». Хотя, когда Excel-таблица передается от одного специалиста по цепочке поставок другому с годами, в самих таблицах может накапливаться определенная степень непрозрачности и эффекта «черного ящика». Excel — не панацея; он просто помогает.
Kieran Chandler: Давайте поговорим о решении. Подход white boxing, то есть «открытого ящика»: по нашим наблюдениям, даже некоторые тривиальные числовые рецепты, как простая формула страхового запаса или что-то чуть более сложное, чем скользящее среднее, превращаются в «черный ящик». Для получения эффекта «черного ящика» не нужен ИИ. Любая линейная модель с тремя переменными — большинство людей не способны вычислить ее в уме. Таким образом, даже столь упрощенная модель с тремя переменными быстро становится относительно непрозрачной для тех, кто использует ее результаты.
Joannes Vermorel: Как только вы переходите к чему-то более сложному, особенно к моделям, способным учесть нелинейности в цепочках поставок, они становятся непрозрачными по своей сути. Вам нужен процесс, который мы называем white boxing — полностью ориентированный на то, чтобы восстановить прозрачность и понимание, несмотря на то, что по умолчанию вы получаете почти обратное. Альтернативы нет. Если даже такая упрощенная модель, как расчет страхового запаса, уже непрозрачна, то нет оснований надеяться, что более совершенная и реалистичная модель, основанная, например, на вероятностных прогнозах и оценке риска для ваших запасов, будет менее непрозрачной. Наоборот, она будет еще более непрозрачной, но более точной. Поэтому нам необходим процесс white boxing, чтобы создать понимание, вызвать доверие и в конечном итоге заставить людей по уважительным причинам отказаться от Excel-таблиц.
Kieran Chandler: Итак, как это фактически работает на практике? Как вы проверяете полученные результаты и реализуете истинный подход «открытого ящика»?
Joannes Vermorel: Одна из сложностей заключается в том, что очень легко, когда люди сталкиваются с «черным ящиком», утонуть в море показателей. Генерируя числа, основная реакция — сказать: «Дайте мне больше индикаторов, создайте больше KPI, я хочу видеть все больше и больше». Но так вы получаете гигантские таблицы с десятками столбцов, которые по-прежнему остаются полностью непрозрачными и невероятно сложными. Исходная идея заключается в том, чтобы иметь несколько чисел, чрезвычайно хорошо проработанных для объяснения решений.
Во-первых, идея в том, что не стоит пытаться объяснять абсолютно всё, особенно числовые артефакты. Вас не интересует, как происходят промежуточные этапы вычислений. Главное — конечный результат, решение, которое оказывает материальное воздействие на вашу цепочку поставок. Вы решаете производить больше, закупать больше или перемещать запасы из одного места в другое. Это конечная цель, и именно об этом идет речь.
White boxing заключается в том, чтобы для каждого отдельного решения иметь, возможно, полдюжины показателей, объясняющих это решение, измеряемых в долларах или евро. Вторая идея состоит в использовании долларов и евро, потому что эти единицы понятны на уровне всей компании. Если вы понимаете, почему закупаете еще 100 единиц продукта, и у вас есть переменная, которая говорит: «Риск отсутствия запаса составляет 50 тысяч евро, потому что если этот товар закончится, производственная линия остановится», то стоимость отсутствия запаса может оказаться намного выше стоимости закупаемого товара, если подвергается риску производственная линия. Именно такие выводы и получают люди.
Kieran Chandler: Итак, вы используете экономические драйверы. В чем их суть? Экономические драйверы чрезвычайно полезны, потому что они сопоставимы на уровне всей компании. Дело в том, что у вас есть одно решение, где задействовано полдюжины экономических драйверов, и другое решение с другими экономическими драйверами, и вы хотите, чтобы все ваши измерения были совместимы, чтобы можно было сравнить яблоки с яблоками и апельсины с апельсинами. Если сравнивать яблоки с апельсинами, вы теряетесь. Обычно именно это и происходит с процентами ошибок. Помимо экономических драйверов, что в подходе Lokad позволяет реализовать white boxing? Чем он отличается от других методов?
Joannes Vermorel: Для этого нужны инструменты, а большинство аналитических систем не справляются с поддержкой white boxing так хорошо. Excel, на самом деле, довольно хорош, потому что вы работаете очень близко к данным, но он разваливается, когда увеличивается сложность и объем данных. Excel отлично работает, если у вас меньше десяти столбцов и около тысячи строк. Если же вы начинаете обрабатывать миллионы строк и десятки столбцов, он быстро превращается в гигантский «спагетти-код» в вашей таблице. Excel хорош для небольших объемов, но рушится при масштабной сложности.
Многие аналитические системы не могут сохранить ни одного свойства Excel, и данные оказываются слишком отдалены от пользователя. В Lokad мы разработали Envision, в названии которого присутствует слово “vision”, исходя из идеи о том, что нам нужно оставаться как можно ближе к данным, чтобы постоянно проводить все те проверки, похожие на Excel. Envision очень упрощает создание формул для отображения всех ваших чисел на дашборде, чтобы вы могли проверять их, как в Excel, исключительно для валидации.
Идея заключается в том, что мы можем создавать сложные дашборды, где ваши основные драйверы будут показаны на видном месте, но при этом вы можете добавить множество небольших блоков, содержащих все необходимые проверки, как в Excel, чтобы убедиться, что ваши расчеты корректны и промежуточные этапы не исказились.
Kieran Chandler: Если я компания и использую программное обеспечение, которое демонстрирует множество характеристик «черного ящика», что мне следует делать? Какой первый шаг нужно предпринять, чтобы лучше понять, что происходит?
Joannes Vermorel: Прежде всего, вам необходимо иметь подробную документацию о том, что входит в систему. Обычно документация отсутствует. Чтобы уточнить, речь идет о таблице, требующей примерно одной страницы документации, а не IT-документации, а документации, ориентированной на цепочку поставок и бизнес.
Kieran Chandler: Знаете, работая с клиентами, мы довольствуемся, если у каждого поля есть хотя бы одна строка документации. Обычно бывает около 20 таблиц, в каждой из которых по 20 полей, и едва ли получается хотя бы одна строка документации на таблицу. Мы должны иметь по одной странице документации на каждое поле. Вероятно, для большинства компаний начальным шагом является полное документирование всех входных данных системы; иначе получаете: мусор на входе — мусор на выходе.
Joannes Vermorel: Второе — убедиться, что ваши слои обработки данных, ваши аналитические слои, обеспечивают ту же гибкость, что и Excel. Таким образом, вы можете, добавив несколько операторов или строк кода, создать все те удобные для отчетности столбцы, необходимые для отладки логики. К сожалению, аспект программирования невозможно избежать, поскольку, как и в Excel, все сводится к формулам и тому подобному, так что это программирование. Но всего за несколько строк кода можно создать все эти столбцы. Если у вас нет системы, поддерживающей такой гибкий процесс, когда вы просто можете создать столбцы, как в Excel, для проверки промежуточных расчетов, то всё закончится провалом. Вы никогда не доберетесь до сути вашего «черного ящика».
Таким образом, вероятно, на этом этапе вам нужно изменить аналитический слой, если у вас его нет, обеспечивающего какую-либо гибкость. Затем следующим шагом является создание действительно хороших экономических драйверов. И под «действительно хорошими» я подразумеваю, что каждый отдельный драйвер должен быть максимально независим от остальных. Вы хотите, чтобы показатели были совершенно ортогональными. Опасность в том, что если вам не удастся создать серию индикаторов, отражающих действительно независимые аспекты, вы можете многократно смотреть на одно и то же и заблуждаться.
Это сложный момент, но идея в том, что когда вы смотрите на экономический индикатор, который показывает 100€ затрат или прибыли, вы должны удостовериться, что он максимально независим от другого драйвера, который также указывает на 100€ прибыли или затрат.
Kieran Chandler: Таким образом, ключевые моменты — это действительно понимание входных и выходных данных, а также определение этих экономических драйверов. И в заключение, почему white-boxing так важен?
Joannes Vermorel: White-boxing так важен, потому что без него все ваши усилия по оптимизации цепочки поставок окажутся напрасными. Люди по уважительной причине вернутся к своим Excel-таблицам, ведь если у вас нет процесса white-boxing, дающего уверенность, что результаты, полученные из системы, адекватны, вероятность того, что ваши результаты безумны, чрезвычайно высока. Люди поступают разумно: не доверяют таким результатам и возвращаются к своим Excel-таблицам. Excel-таблицы, к сожалению, являются необходимым решением против безумия системы. White-boxing обязателен; иначе не ждите, что ваши команды специалистов по цепочке поставок откажутся от своих Excel-таблиц в ближайшее время. Они не откажутся, и, поступая так, защищают вашу компанию, ведь доверять безумной системе гораздо опаснее, чем тратить время на Excel.
Kieran Chandler: И кто бы мог подумать, что многие аналитики, вероятно, считали, что Excel приводит к безумию, но вот оно. Это все на эту неделю. Большое спасибо за ваше время, и увидимся на следующей неделе. Спасибо за просмотр.