Background: The purpose of this article is to present the developed AdaBoost.M1 based on Ant Colony Optimization (hereby referred to as ACOBoost.M1 throughout the study) to classify the risk of delay in the pharmaceutical supply chain. This study investigates one research hypothesis, namely, that the ACOBoost.M1 can be used to predict the risk of delay in the supply chain and is characterized by a high prediction performance. Methods: We developed a machine learning algorithm based on Ant Colony Optimization (ACO). The meta-heuristic algorithm ACO is used to find the best hyperparameters for AdaBoost.M1 to classify the risk of delay in the pharmaceutical supply chain. The study used a dataset from 4PL logistics service provider. Results: The results indicate that ACOBoost.M1 may predict the risk of delay in the supply chain and is characterized by a high prediction performance. Conclusions: The present findings highlight the significance of applying machine learning algorithms, such as the AdaBoost.M1 model with Ant Colony Optimization for hyperparameter tuning, to manage the risk of delays in the pharmaceutical supply chain. These findings not only showcase the potential for machine learning in enhancing supply chain efficiency and robustness but also set the stage for future research. Further exploration could include investigating other optimization techniques, machine learning models, and their applications across various industries and sectors.
Zapotrzebowanie transportowe z roku na rok zwiększa się. Dzieje się tak z powodu wzrostu produkcji i konsumpcji. Czym dłuższy jest łańcuch dostaw, tym większe są możliwości wystąpienia w nim zakłóceń, gdyż wszystkie operacje wiążą się z ryzykiem. Jednakże o ryzyku w kontekście łańcucha dostaw i zarządzania nim mówi się od niedawna. Niestety żadna branża nie jest odporna na przewidywalne i nieprzewidywalne zakłócenia, które wywołują straty (np. zaginięcie towaru). Z punktu widzenia przewoźników istotna byłaby możliwość przewidzenia wystąpienia np. uszkodzenia towaru. Artykuł koncentruje się na wykorzystaniu metod uczenia maszynowego do przewidzenia ryzyka uszkodzeń towarów (takich jak sprzęt RTV, AGD czy telefony/komputery) w transporcie drogowym. W ramach badań wykorzystano pięć inteligentnych metod: regresję logistyczną, maszynę wektorów nośnych (SVM); drzewo decyzyjne; naiwny klasyfikator bayesowski; AdaBoost. Natomiast celem jest przedstawienie koncepcji oraz wymienionych metod uczenia maszynowego, miar oceniających wydajność modeli oraz wyników związanych z przeprowadzonym badaniem. Postawiony cel zdeterminował wybór metod badawczych – wykorzystano analizę literatury oraz programowanie. W ostatniej części artykułu przedstawiono wyniki otrzymane z analizy pięciu modeli. W ramach badań ustalono, że najlepszą zdolność predykcyjną ma AdaBoost.
EN
The transport demand is increasing year by year. This is because of the increase in production and consumption. The longer the supply chain is, the more likely it is to be disrupted, as all operations involve risks. However, risk in the context of the supply chain and its management has recently been discussed. Unfortunately, no industry is immune to predictable and unpredictable disruptions that affect losses (e.g. loss of goods). From the point of view of carriers, it would be important to be able to predict the occurrence of, for example, damage to the goods. The article focuses on the use of machine learning methods to predict the risk of damage to goods (such as electronics, household appliances or telephones/computers) in road transport. The research used five intelligent methods such as: logistic regression; support vector machine (SVM); decision tree; naive Bayesian classifier; AdaBoost. The aim of the paper is to present the concept and the above-mentioned methods of machine learning, measures assessing the performance of models and the results related to the conducted research. The set goal determined the choice of the research methods – literature analysis and programming were used. The last part of the article presents the results obtained from the analysis of five models. The research established that AdaBoost has the best predictive ability.
W ostatnich latach coraz większą uwagę poświęca się zastosowaniu technologii Big Data, uczenia maszynowego oraz sztucznej inteligencji (artificial intelligence — AI). Przedsiębiorstwa dążą do przewagi konkurencyjnej poprzez odpowiednie zastosowanie analityki danych. Technologia Big Data może być wykorzystywana w wielu różnych branżach, np. w branży transportowej czy medycznej, a potencjalnie we wszystkich. Olbrzymim problem w łańcuchu logistycznym jest ryzyko opóźnień, na które może wpływać wiele czynników, m.in. nieczytelna etykieta na przesyłce, brak pracowników magazynowych czy kongestia w miastach. Artykuł koncentruje się na zastosowaniu technologii Big Data do wykrywania ryzyka opóźnień w łańcuchach dostaw produktów leczniczych. Jego celem jest przedstawienie koncepcji dużych zbiorów danych, architektury Big Data dla łańcucha dostaw produktów leczniczych oraz zaprezentowanie wyników badań związanych z predykcją ryzyka opóźnień dzięki implementacji tej architektury w rzeczywistym przedsiębiorstwie. Postawiony cel zdeterminował wybór następujących metod badawczych: analizy literatury oraz modelowania, które pozwoliło zaprojektować i wdrożyć architekturę dla łańcucha dostaw w badanym przedsiębiorstwie. W ostatniej części artykułu zaprezentowano model regresji logistycznej do przewidywania opóźnień w łańcuchu dostaw produktów leczniczych. W ramach badań ustalono, że model ma wysoką zdolność predykcyjną.
EN
In recent years, more and more attention has been paid to the use of Big data technology, machine learning and AI. Enterprises strive for a competitive advantage through the appropriate use of data analytics. Big data can be used in many different industries, e.g. in the transport or medical industry, and potentially in all of them. A huge problem in the supply chain is the risk of delay, which may be influenced by many factors, including illegible label on the package, lack of warehouse workers or congestion in cities. The article focuses on the use of Big Data technology to detect the risk of delays in the supply chains of medicinal products. Its purpose is to present the concept of Big Data, Big Data architecture for the drug supply and to present the results of research related to the prediction of the risk of delays in its implementation in a real enterprise. The set goal determined the choice of the following research methods: analysis of literature and the use of modeling, which allowed to design and implement the architecture for the drug supply chain to collect data in the studied enterprise. The last part of the article presents a logistic regression model for predicting delays in the supply chain of medicinal products. The research established that the model has a high predictive ability.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.