Целью данной статьи является изучение практики зарубежных транснациональных корпораций в области использования искусственного интеллекта и машинного обучения для управления цепочками поставок в условиях глобальных кризисов. Методологическим основанием данной статьи явился комплексный подход, позволивший использовать совокупность методов (анализа, классификации и обобщения), позволивших системно и последовательно исследовать опыт транснациональных корпораций в решении проблемы использования новейших достижений в области машинного обучения и использования искусственного интеллекта в управлении цепочками поставок в условиях глобальных кризисов. В результате исследования автором выделены и систематизированы основные причины, требующие использования машинного обучения искусственного интеллекта в управлении цепочками поставок в условиях глобальных кризисов. Практическая ценность данной статьи определяется возможностью использования полученных результатов в целях дальнейшей разработки проблемы, связанной с использованием искусственного интеллекта и машинного обучения для управления цепочками поставок в условиях глобальных кризисов. Сделан вывод, что система машинного обучения, позволяющая расширять возможности искусственного интеллекта, дает возможность транснациональным компаниям принимать решения на основе исторической и текущей информации о спросе и предложении, формируя точные прогнозы относительно функционирования цепочек поставок в условиях турбулентной внешней среды. Интеллектуальные системы машинного обучения (ИСМО) предоставляет транснациональным корпорациям инструмент, который способствует сокращению расходов и увеличению доходов, позволяет поддержать имидж надежного поставщика.
Основной проблемой любого подхода к машинному обучению является однофазность всего процесса. Исходное пространство признаков преобразуется таким образом, чтобы все данные соответствовали более-менее стандартным нормальным распределениям, после чего запускается модель, и в результате получаются выходные данные. Однако в настоящей статье рассматривается другая сторона вопроса. А что будет, если нелинейным способом преобразовать исходное пространство признаков и уже к новому пространству применить некоторый алгоритм? Представлено техническое объединение исправления геометрии пространства и последующее решение задачи формирования векторных образов для объектов панельных данных. В конце исследования приведено сравнение результатов как с ранее предложенными моделями, так и самого алгоритма с собой с учетом модификаций функций потерь. Результат показывает преимущество совместного обучения рассмотренных моделей упрощения пространства и моделей, используемых для решения некоей последующей задачи (например, построения векторных образов и кластеризации объектов). Основной упор сделан на аналитику панельных данных, однако идеология вполне поддается обобщению на любые направления, где присутствует множество дескриптивных векторов, характеризующих некоторый объект (для сохранения общности он не конкретизируется).