في عالم يتسم بالتعقيد المتزايد لسلاسل الإمداد، تظل disruptions في النقاط اللوجستية الحرجة تهديدًا كبيرًا. ومع ذلك، غالبًا ما تركز أنظمة التنبؤ الحالية على دقة التنبؤ على حساب تقديم تحذيرات مبكرة قابلة للتفسير. وفي إطار هذه التحديات، تم اقتراح نهج مبتكر يجمع بين شبكة الاهتمام الزمني (Temporal Graph Attention Network - TGAT) ونموذج لغوي كبير (Large Language Model - LLM) لتقديم تحذيرات مبكرة يمكن فهمها.

يعتمد النظام المقترح على نموذج يتعلم من البيانات الفعلية، مستخدمًا نموذج TGAT للتنبؤ بالاختناقات في سلاسل الإمداد، بينما يقوم بتطوير تفسيرات مفهومة للخطر باستخدام نموذج LLM. تشير الدراسة إلى أن القاعدة القائمة على الأدلة تعزز من موثوقية التعامل مع التنبؤات، حيث يتم نمذجة التفاعلات بين النقاط اللوجستية باستخدام شبكة قائمة على نظام تحديد المواقع الآلي (AIS).

النموذج لا يقتصر فقط على تقديم دقة في التنبؤ، بل يحافظ أيضًا على مستوى عالٍ من التفسير، مما يعزز الثقة بين المستخدمين في اتخاذ القرارات الاستراتيجية. التجارب التي أجريت على بيانات حقيقية لأكثر من ستة أشهر أثبتت أن النظام الجديد يتفوق على النماذج التقليدية، مما يؤدي إلى تحسين مؤشرات الأداء مثل دقة التنبؤ والتناسق في التفسير.

باختصار، يعد هذا الإطار الاستكشافي خطوة مهمة نحو دمج تقنيتي الذكاء الاصطناعي التفسيرية في إدارة مخاطر سلاسل الإمداد، مما قد يعزز من قدرتنا على مواجهة الأزمات المستقبلية.