アサヒ飲料が2つのAIで輸送コスト約6.2%削減、在庫平準化の実証実験

役割の異なる2つの機械学習モデルを直列に並べ、「どれだけ出るかを読む」ことと「どう補充するかを決める」ことを切り分けた設計が、まず効いていると見られます。需要を読む処理と、読んだ結果をもとに膨大な組み合わせから補充パターンを選ぶ処理では、求められる精度も更新の頻度も本来異なります。ひとつのモデルに両方を背負わせなかったことで、狙いどおりに動かないときに予測側と計算側のどちらを手当てすべきかが判別できる構造になっている点も見逃せません。

次に注目したいのは、仕組みを一社の在庫管理ツールではなく、メーカー・卸売業・小売業をつなぐ情報基盤として置いた判断です。需要の歪みが企業と企業の境目で生まれている以上、打ち手も同じ境目に置かなければ届きません。PSI情報を蓄積・共有する土台をサービスの中核に据えたのは、課題の発生場所と対策の設置場所を一致させる考え方だと読めます。開発は物流データ基盤を手がけるHacobuとAI開発を担うJDSCの共同で行われ、飲料メーカーであるアサヒ飲料が自社の物流現場で検証するという役割分担で進められました。

三つ目は、AIに与えた目標の翻訳の仕方です。在庫を極限まで絞ることを目指すのではなく、必要最低限の補充数量を毎日一定に保つという、現場が扱いやすい形に目標を置き換えています。輸送は総量よりも量のばらつきによって手配が難しくなる性質があり、日々の振れ幅を抑える方向に目標を定めれば、AIが出した計算結果がそのまま配車の組みやすさへ変換されます。