Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
* These authors contributed equally
В этой статье представлена причинная структура ИИ, использующая байесовскую сеть для моделирования системных рисков в глобальной экспедиторской перевозке. Цель — усилить стратегическое принятие решений, количественно оценивая, как фундаментальные риски влияют на ключевые показатели эффективности (затраты, время, надёжность), что позволяет проактивно и точно снижать риски.
Глобальная экспедиторская индустрия сталкивается со сложными и каскадными рисками. Традиционные аналитические методы часто недостаточны для управления этими рисками. В данной статье предлагается протокол для создания и использования причинной системы искусственного интеллекта (ИИ) для системного управления рисками. Протокол состоит из трёх основных этапов. Первый этап включает создание иерархической байесовской сети (BN). Этот BN служит графом причинных знаний. Его конструкция объединяет экспертизу в области для отображения взаимосвязей между фундаментальными драйверами риска и ключевыми показателями эффективности (KPI): затратами, временем и надёжностью. Второй этап — параметризация BN через определение условных вероятностей. Этот этап сочетает экспертное суждение с инсайтами из отраслевых отчётов. Модель Noisy-MAX используется для управления неопределённостью в условиях дефицита данных. На заключительном этапе параметризованная модель используется для проведения предиктивных моделей и диагностического анализа. Прямой вывод формирует базовый профиль риска. Одновременно анализ чувствительности выявляет точки вмешательства с высоким рычагом. Применение этого протокола даёт несколько ключевых инсайтов: (i) рыночный спрос и предложение определяются как центральный узел системного риска. (ii) Модель генерирует разные отпечатки риска для каждого KPI. Стоимость проявляет наибольшую уязвимость к коммерческим факторам. Время наиболее чувствительно к логистическим сбоям. Надёжность уникально подвержена киберугрозам. Эта работа вносит вклад в интерпретируемый инструмент искусственного интеллекта. Инструмент работает как движок «а что если». Она позволяет экспедиторам перейти от реактивного управления кризисами к проактивному, точно направленному снижению рисков.
Глобальная отрасль экспедиторских перевозок — невидимый хребет современной торговли, многотриллионной экосистемы, управляющей потоком товаров, лежащим в основе глобального производства и электроннойкоммерции 1. Её бесшовная работа — это не просто логистическое удобство, а прямой фактор глобальной экономическойстабильности 2. Однако сейчас эта критически важная инфраструктура сталкивается с идеальным штормом сближающихся давлений. Интенсивная рыночная конкуренция3, ужесточение правилустойчивого развития 4, прорывныетехнолог....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Фреймворк для моделирования причинно-следственного ИИ
Каузальный фреймворк ИИ был построен на основе байесовских сетей (BN) — класса белых коробок вероятностных моделей ИИ. В отличие от моделей «чёрного ящика», таких как глубокие нейронные сети, BN предлагают прозрачную структуру, идеально подходящую для областей, требующих объяснимости и причинного мышления11. Ядром фреймворка был направленный ациклический граф (DAG), который функционировал как граф причинно-следственных знаний, явно отображая причинно-следственные связи в экосистеме экспедиторских перевозок.
Сила этих отношений была количественн....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Базовый интеллект из модели причинного ИИ
Сначала мы запустили полностью параметризованный AI-фреймворк, чтобы создать базовый системный интеллектный снимок. Форвардный вывод модели рассчитывает предельное распределение вероятностей для каждого узла, обеспечивая количественный прогноз состояния риска по умолчанию в отрасли. Полный профиль иллюстрирован на рисунке 2.
Анализ основных отраслевых рисков
Модель выделяет финансовы.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В этом исследовании предложена и продемонстрирована причинная система ИИ для управления системными рисками в экспедиторской отрасли. Результаты не только выявляют критические факторы риска, но и подчёркивают сложную и взаимосвязанную природу ландшафта рисков. В этом разделе рассматриваются более широкие последствия этих результатов, практическое применение для различных заинтересованных сторон и ограничения текущих исследований.
Основной вклад этой работы закл.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, описанную в этой статье. Авторы также подтверждают, что содержание рукописи не было опубликовано и не подано к публикации в других местах.
Эта работа была частично поддержана Национальным фондом естественных наук Китая (NSFC) по гранту 72071144.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Данные причинно-следственной модели | Авторы (через Zenodo) | DOI: 10.5281/zenodo.17255289 | |
| GeNIe Academic | BayesFusion | Версия 2.3 |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Эта статья была опубликована
Видео скоро будет доступно