Штучний інтелект

Анотація: У статті розглянуто проблему адаптивного управління запасами в умовах нестабільного попиту, високої варіативності продажів та необхідності оперативного прийняття рішень у логістичних системах. Проведено аналіз сучасних підходів до використання методів машинного навчання та навчання з підкріпленням для підтримки процесів управління запасами. Встановлено, що більшість існуючих рішень орієнтована або на підвищення точності прогнозування попиту з подальшою оптимізацією параметрів поповнення запасів, або на використання наскрізних інтелектуальних моделей, у яких аналіз стану системи та прийняття рішень реалізуються в межах єдиного програмно-алгоритмічного компонента. Запропоновано концептуальну архітектуру адаптивного вибору політик поповнення запасів, побудовану на принципі функціонального розділення процесів оцінювання альтернативних політик та прийняття рішень. Особливістю підходу є використання архітектури «оцінювання–вибір» (evaluator-selector architecture), у межах якої окремий інтелектуальний компонент здійснює оцінювання очікуваної ефективності альтернативних політик поповнення запасів, тоді як інший компонент забезпечує їх адаптивний вибір відповідно до поточного стану системи. Показано, що підвищення точності прогнозування попиту не гарантує вибору найбільш ефективної політики поповнення запасів, оскільки результативність управлінських рішень визначається сукупністю економічних, логістичних та операційних чинників. На відміну від більшості сучасних ML- та RL-орієнтованих систем, запропонований підхід забезпечує модульність архітектури, підвищує інтерпретованість процесу прийняття рішень, спрощує інтеграцію з корпоративними інформаційними системами та створює можливість незалежного вдосконалення окремих функціональних компонентів. Наукова новизна роботи полягає у формуванні концептуальних засад архітектури адаптивного вибору політик поповнення запасів на основі функціонального розділення процесів оцінювання альтернатив та прийняття рішень. Практичне значення дослідження полягає у можливості використання запропонованого підходу як основи для побудови інтелектуальних систем підтримки прийняття рішень в умовах невизначеного попиту та динамічного ринкового середовища.

Ключові слова: адаптивне управління запасами; адаптивний вибір політики; машинне навчання; навчання з підкріпленням; інтелектуальна система підтримки прийняття рішень; evaluator-selector architecture

Посилання:

1. Silver E. A., Pyke D. F., Thomas D. J. Inventory and Production Management in Supply Chains. 4th ed. Boca Raton : CRC Press, 2016. 664 p. DOI: 10.1201/b10463.
2. Mohammed Z., Chafi A., El Hammoumi M. A hybrid learning framework for forecasting uncertainty and adaptive inventory planning in retail supply chains // Supply Chain Analytics. 2025. Vol. 13. Article 100180. DOI: 10.1016/j.sca.2025.100180.
3. Rolf B., Jackson I., Müller M., Lang S., Reggelin T., Ivanov D. A review on reinforcement learning algorithms and applications in supply chain management // International Journal of Production Research. 2023. Vol. 61, No. 20. P. 7151–7179. DOI: 10.1080/00207543.2022.2140221.
4. Boute R. N., Gijsbrechts J., van Jaarsveld W., Vanvuchelen N. Deep reinforcement learning for inventory control: A roadmap // European Journal of Operational Research. 2022. Vol. 298, No. 2. P. 401–412. DOI: 10.1016/j.ejor.2021.07.016.
5. Cuartas C., Aguilar J. Hybrid algorithm based on reinforcement learning for smart inventory management // Journal of Intelligent Manufacturing. 2023. Vol. 34. P. 123–149. DOI: 10.1007/s10845-022-01982-5.
6. Bergsma R., de Ruijt C., Bhulai S. A systematic review of machine learning approaches in inventory control optimization // Operations Research Perspectives. 2025. Vol. 15. Article 100367. DOI: 10.1016/j.orp.2025.100367.
7. Muth M., Lingenfelder M., Nufer G. The application of machine learning for demand prediction under macroeconomic volatility: a systematic literature review // Management Review Quarterly. 2025. Vol. 75. P. 2759–2802. DOI: 10.1007/s11301-024-00447-8.
8. Samal T., Ghosh A. Ensemble-based predictive analytics for demand forecasting in multi-channel retailing // Expert Systems with Applications. 2026. Vol. 299, Part D. Article 130212. DOI: 10.1016/j.eswa.2025.130212.
9. Wang J., Luo L. A forecasting method of multi-category product sales: analysis and application // Management System Engineering. 2023. Vol. 2. Article 2. DOI: 10.1007/s44176-023-00012-9.
10. Liu Y., Kalaitzi D., Wang M., Papanagnou C. A machine learning approach to inventory stockout prediction // Journal of Digital Economy. 2025. Vol. 4. P. 144–155. DOI: 10.1016/j.jdec.2025.06.002.
11. Goulart D. D., de Carvalho R. B., Henriques M. A., Nunes Carvalho B. K. G. Predictive models for inventory optimization: a machine learning application for demand forecasting at a construction supplies distributor // Future Business Journal. 2026. Vol. 12. Article 92. DOI: 10.1186/s43093-026-00807-8.
12. Bansal V., Bisi A., Roy D. Integrated inventory replenishment and online demand allocation decisions for an omnichannel retailer with ship-from-store strategy // European Journal of Operational Research. 2024. Vol. 316. P. 1085–1100. DOI: 10.1016/j.ejor.2024.02.027.
13. Ren X. et al. Data-driven analysis on inventory problem for anticipatory shipping // Computers & Industrial Engineering. 2025. Article 111038. DOI: 10.1016/j.cie.2025.111038.
14. Vieira B. P., Frazzon E. M. Application of Reinforcement Learning to Improve Finished Goods Inventory Management: A Systematic Review // IFAC-PapersOnLine. 2025. Vol. 59, No. 10. P. 841–846. DOI: 10.1016/j.ifacol.2025.09.143.
15. Geevers K., van Hezewijk L., Mes M. R. K. Multi-echelon inventory optimization using deep reinforcement learning // Central European Journal of Operations Research. 2024. Vol. 32. P. 653–683. DOI: 10.1007/s10100-023-00872-2.
16. Gijsbrechts J., Boute R. N., Van Mieghem J. A., Zhang D. J. Can Deep Reinforcement Learning Improve Inventory Management? Performance on Lost Sales, Dual-Sourcing, and Multi-Echelon Problems // Manufacturing & Service Operations Management. 2022. Vol. 24, No. 3. P. 1349–1368. DOI: 10.1287/msom.2021.1064.
17. Park H., Choi D. G., Min D. Adaptive inventory replenishment using structured reinforcement learning by exploiting a policy structure // International Journal of Production Economics. 2023. Vol. 266. Article 109029. DOI: 10.1016/j.ijpe.2023.109029.
18. Dehaybe H., Catanzaro D., Chevalier P. Deep Reinforcement Learning for inventory optimization with non-stationary uncertain demand // European Journal of Operational Research. 2024. Vol. 314, No. 2. P. 433–445. DOI: 10.1016/j.ejor.2023.10.007.
19. Tian R., Lu M., Wang H., Wang B., Tang Q. IACPPO: A deep reinforcement learning-based model for warehouse inventory replenishment // Computers & Industrial Engineering. 2024. Vol. 187. Article 109829. DOI: 10.1016/j.cie.2023.109829.
20. Zhang Y., He L., Zheng J. A Deep Reinforcement Learning-Based Dynamic Replenishment Approach for Multi-Echelon Inventory Considering Cost Optimization // Electronics. 2025. Vol. 14, No. 1. Article 66. DOI: 10.3390/electronics14010066.
21. Rizqi Z. U., Chou S.-Y. Neuroevolution reinforcement learning for multi-echelon inventory optimization with delivery options and uncertain discount // Engineering Applications of Artificial Intelligence. 2024. Vol. 134. Article 108670. DOI: 10.1016/j.engappai.2024.108670.
22. Demizu T., Fukazawa Y., Morita H. Inventory management of new products in retailers using model-based deep reinforcement learning // Expert Systems with Applications. 2023. Vol. 229. Article 120256. DOI: 10.1016/j.eswa.2023.120256.
23. Teck S., Phạm T.-S., Rousseau L.-M., Vansteenwegen P. Deep reinforcement learning for the real-time inventory rack storage assignment and replenishment problem // European Journal of Operational Research. 2025. Vol. 327, No. 2. P. 606–622. DOI: 10.1016/j.ejor.2025.05.008.
24. Kolyaei M., Zhang L., Blom M. Inventory replenishment and fulfilment decisions for an omnichannel retailer: a reinforcement learning-based method // International Journal of Production Research. 2025. Vol. 63, No. 24. P. 9571–9592. DOI: 10.1080/00207543.2025.2520596.
25. An L., Li A. A., Moseley B., Ravi R. The Nonstationary Newsvendor with (and Without) Predictions // Manufacturing & Service Operations Management. 2025. Vol. 27, No. 3/4. DOI: 10.1287/msom.2024.1168.
26. Zhang W., Li C., Qin H., Xu Y., Zhu R. Thompson Sampling for Repeated Newsvendor // CoRR/arXiv. 2025. DOI: 10.48550/arXiv.2502.09900.