Tóm tắt: Việc sử dụng quá mức tài nguyên thiên nhiên, mức độ chất thải cao được

tạo ra và việc xử
lý các hóa chất độc hại không đúng cách đã dẫn đến tác hại nghiêm trọng đến môi trường mà các tổ
chức doanh nghiệp phải gánh chịu. Các doanh nghiệp vừa và nhỏ (SMEs) đóng vai trò thiết yếu trong
việc giảm tác động đến môi trường toàn cầu, điều vốn đã trở thành một thành phần thậm chí còn quan
trọng hơn trong chiến lược của các công ty trong hai thập kỷ qua. Một trong những ngành chín muồi
nhất có thể thay đổi để trở nên “xanh hơn” chính là quản lý chuỗi cung ứng. Quản lý chuỗi cung ứng
xanh (GSCM) là quản lý chuỗi cung ứng có tích hợp các hoạt động môi trường, cho phép các doanh
nghiệp điều chỉnh hoạt động thu mua, sản xuất, phân phối, tiêu thụ và tái chế tài nguyên để giảm tác
động đến môi trường.Và liên quan đến quản lý vận hành (OM), việc phân tích dữ liệu đã trở thành
một xu hướng gia tăng nhanh chóng trong lĩnh vực này. Nhiều tài liệu mới về chủ đề này sử dụng các
phương pháp học máy để phân tích cách các tổ chức hoạt động. Bài đánh giá này sẽ phân tích vai trò
của học máy trong GSCM và quản lý vận hành.

I. Giới thiệu về GSCM

1. Thực trạng hiện nay và hoàn cảnh phát triển của GSCM
Nỗi lo sợ trong nhân loại đã tăng lên trong vòng 20 năm vừa qua với số
lượng thảm kịch trên toàn thế giới và các nhà khoa học môi trường dự đoán
rằng mực nước biển sẽ tăng lên do các núi băng tan chảy. Sự nóng lên toàn cầu
là kết quả của sự mất cân bằng sinh thái do lạm dụng tài nguyên thiên nhiên,
xử lý nhựa và cao su không đúng cách, sản xuất quá nhiều rác và chất gây hại
môi trường nói chung. Biến đổi môi trường được đẩy mạnh bởi sự năng động
và tăng trưởng của các công ty. Các hoạt động kinh doanh toàn cầu có tác động
rất lớn đến tự nhiên. Ngưỡng môi trường hoặc việc khai thác quá mức tài
nguyên môi trường không được xem xét trong các chiến lược truyền thống của
các công ty.
Trong những năm gần đây, nhận thức về môi trường tăng lên đã làm tăng áp
lực lên chính quyền địa phương và chính phủ các quốc gia nhằm phát triển và
áp dụng nghiêm ngặt luật bảo vệ môi trường để ngăn chặn thiệt hại thêm cho
môi trường. Đây là một trong những lý do chính cho sự tiến bộ của GSCM.
Các công ty cũng đang bắt đầu liên kết GSCM với các nhiệm vụ quản lý khác
như mua sắm, sản xuất, bảo trì và logistics. Khái niệm GSCM đã trở nên phổ
biến nhờ vào trao đổi thông tin tại các hội nghị quốc tế khác nhau. Mối liên hệ
quan trọng giữa chương trình GSCM và hiệu quả kinh doanh được thể hiện ở
nghiên cứu thực nghiệm ổn định. GSCM là chất xúc tác để biến các doanh
nghiệp thành một nền kinh tế công bằng và “xanh” hơn.
 Hình 1
GSCM là một hệ thống tiên tiến bao gồm phục hồi, khôi phục và xử lý sản
phẩm. Lưu lượng vòng kín tối ưu hỗ trợ tích hợp theo chiều dọc kết hợp với
các nhà cung cấp và người tiêu dùng. Do đó, GSCM có thể được sử dụng như
một công cụ quan trọng để sử dụng bền vững các nguồn lực trong nền kinh tế
tuần hoàn (xem Hình 2). Để nghiên cứu hành vi của các quá trình phức tạp như
vậy đòi hỏi một lý thuyết cụ thể. GSCM có thể được coi là một hệ thống thân
thiện với môi trường với các hệ thống con và quy trình.

Hình 2

2. Vai trò của thông tin trong SCM

Hiệu quả của chuỗi cung ứng được xác định thông qua chia sẻ thông tin và
hợp tác. Đổi mới cho các nhà cung cấp ảnh hưởng đến trao đổi thông tin và tốc
độ của chuỗi cung ứng. Khả năng của các công ty trong việc tăng tầm nhìn, sự
nhanh nhẹn, khả năng thích ứng và sự liên kết của chuỗi cung ứng bị ảnh
hưởng nặng nề bởi trao đổi thông tin và liên kết giữa các nguồn lực. Trong bối
cảnh kinh tế biến động này, việc quản lý thông tin để hỗ trợ các phong trào
logistics là một phần quan trọng của thành công. Trao đổi thông tin với các nhà
 cung cấp quản lý môi trường, lợi ích tài chính và môi trường của khách hàng
và các đối tác trong chuỗi cung ứng. Hệ thống thông tin đóng một vai trò quan
trọng trong việc kích hoạt, chuyển đổi và cải thiện các quy trình và hoạt động
kinh doanh xanh. Một số giải pháp CNTT cơ bản và tiên tiến đang có sẵn cho
các công ty trong thời đại công nghiệp 4.0 này để quyết định tốt hơn về thông
tin thời gian thực. Những công cụ và công nghệ này giúp theo dõi chuỗi cung
ứng và thúc đẩy trao đổi thông tin trên toàn phương tiện. Việc thu thập và nâng
cao khả năng cạnh tranh của chuỗi cung ứng như vậy đóng một vai trò thiết
yếu trong các công cụ cơ bản tương tự như các cảm biến, máy ghi dữ liệu, bộ
điều khiển quá trình, bảng điều khiển, sơ đồ, thiết bị cầm tay, gói tín hiệu,
thang đo và thiết bị hiệu chuẩn. Tích hợp công nghệ trong chuỗi cung ứng theo
chiều dọc cải thiện năng lực sản xuất và sản xuất xanh của tổ chức.
II. VAI TRÒ CỦA HỌC MÁY (ML) TRONG QUẢN LÍ CHUỖI
CUNG ỨNG XANH
*Học máy (tiếng Anh: machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan
đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ
liệu để giải quyết những vấn đề cụ thể
1. Về AI
Sự cải tiến công nghệ trong vòng nhiều năm gần đây đã ảnh hưởng lớn đến
GSCM. Kỹ thuật số hóa các quá trình GSCM có ảnh hưởng tích cực đến số
lượng lớn ngành trong phạm vi tổ chức, bao gồm kinh doanh, tài chính, nhân
sự, marketing, và bán hàng. Tận dụng điện thoại thông minh, GPS (Global
Positioning System), và xe tải tự lái, robot giá kệ kho đang trở nên phổ biến
nhanh chóng trong chuỗi cung ứng. AI-trí tuệ nhân tạo có thể hỗ trợ thiết kế,
điều khiển và quản lý hệ thống GSCM, bao gồm hệ thống agent-based, thay
đổi các thuật toán và hệ thống chuyên môn.
Ứng dụng của công nghệ AI cũng có thể đem lại tạo ra liên kết cùng với các
nhà cung ứng xanh và đối tác doanh nghiệp nhằm tăng năng suất hậu cần. Các
yếu tố về công nghệ này đóng góp cho sức ổn định của chuỗi cung ứng. Trong
lĩnh vực quản lý chuỗi cung ứng , công nghệ trí tuệ nhân tạo bao gồm agent-
based, tính di truyền và hệ thống chuyên biệt hóa đang càng phổ biến. Trong
bài kế hoạch hệ thống, điều khiển và quản lý, hệ thống AI có thể được sử dụng
có phương pháp.
2. Vai trò AI
Quản lý chuỗi cung ứng xanh là, một quá trình phức tạp, nếu không có kế
hoạch quản lý tốt thì cả hệ thống không thể sản xuất kết quả như ý muốn. Dữ
liệu kết hợp với mỗi giai đoạn quá trình là cần thiết để thu thập thông tin then
chốt . Các công nghệ thông minh cho thu thập dữ liệu có thể được triển khai,
và nhiều AI có thể là đòn bẩy cho kế hoạch và điều khiển hệ thống chuỗi cung
ứng ổn định. Bất kì sự hợp nhất tài liệu hệ thống AI về quá trình GSCM đều
không có khác nhau trong tài liệu hiện hành. Hơn nữa, cần có những nghiên
 cứu để phân tích cơ hội của sự yêu cầu đối với AI cho xe ô tô và doanh nghiệp
công nghiệp sử dụng GSCM cho quá trình thông tin.

3. Quá trình thu mua

Chiều hướng GSCM khác nhau vẫn được nghiên cứu để mở rộng học thuyết
GSCM. Sự thu mua máy móc cho dự án mới nhất và đổi mới là vô cùng quan
trọng. Sự quan trọng của việc mua, việc giới hạn thời gian, điều kiện thu mua
và mô hình công ty doanh nghiệp là các khía cạnh quan trọng có thể ảnh hưởng
đến kết cấu thu mua. Các kết cấu thu mua có tầm quan trọng độc nhất GSCM,
vì vậy việc kết cấu thu mua phù hợp với quá trình tiếp cận GSCM là rất cần
thiết.
4. Độ phức tạp của sản phẩm
Công ty kinh doanh cho rằng độ phức tạp sản phẩm có tác động thuận lợi
đến tương tác giữa chuỗi cung ứng thích hợp và hiệu suất sản xuất cũng như
tác động đến sự tính toán thời gian và marketing của các sản phẩm mới, bởi nó
đòi hỏi sự đánh giá gay gắt và năng lực thay đổi đa dạng.
Độ phức tạp sản phẩm bao gồm sự tinh vi sản phẩm liên quan tới độ phức
tạp công nghệ; thủ tục hình thức; khả năng sáng tạo của người cung ứng để xây
dựng các thành phần; và khả năng tiếp cận chuyên môn sản xuất.
Độ phức tạp của các sản phẩm làm tăng giá thành của sản phẩm xanh và
kéo dài thời gian lâu hơn để sản xuất. Do đó, một chiến lược GSCM thích hợp
là cần thiết, dựa trên độ phức tạp sản phẩm và quá trình GSCM cần được chọn
lọc thêm để đạt được các mục tiêu ổn định.
III. ML VÀ QUẢN LÝ VẬN HÀNH
Các phương pháp ML được sử dụng để dạy các thiết bị quản lý một lượng
lớn dữ liệu hiệu quả hơn. Đôi khi các mẫu hoặc thông tin có thể được trích xuất
hoặc hiểu từ lượng dữ liệu khổng lồ bằng các kỹ thuật tiêu chuẩn. Rất nhiều bộ
dữ liệu có sẵn đã dẫn đến nhu cầu ngày càng tăng đối với các phương pháp
ML.
Trong một số ngành công nghiệp từ y tế đến quân sự, các phương pháp ML
được sử dụng rộng rãi để khám phá và trích xuất kiến thức và thông tin dữ liệu.
Các nhà toán học và lập trình viên đã thực hiện một số cuộc điều tra đã dẫn đến
việc phát minh ra thuật toán ML khác nhau. Một số nghiên cứu đề cập đến lợi
ích của công nghệ ML áp dụng trong ước tính nhu cầu và bán hàng, vận
chuyển và phân phối, sản xuất, kiểm soát hàng tồn kho, lựa chọn nhà cung cấp
và phân khúc,…
Sự quan tâm và đầu tư ngày càng tăng vào công nghệ AI đã thúc đẩy đáng
kể mạng lưới cung ứng. Những giải pháp CNTT hiện đại này đã giúp các công
ty phát triển dễ dàng hơn. Bây giờ, ngay cả trên các tổ chức và trang web khác
nhau, các hoạt động của công ty và chuỗi cung ứng có thể dễ dàng kết nối. Các
 thiết bị thông minh, điểm bán hàng, ứng dụng di động, công nghệ cảm biến đã
cho phép các doanh nghiệp có được dữ liệu khách hàng, dữ liệu nhân khẩu học,
địa lý và hành vi, bắt buộc để phát triển sản phẩm và dịch vụ theo thời gian
thực. Công nghệ AI đã tăng năng suất hoạt động thông qua robot và tự động
hóa và cho phép tiếp thị hiểu rõ hơn và dự đoán nhu cầu khách hàng. Thế giới
của chuỗi cung ứng ngày càng trở nên thiết yếu bởi vì khách hàng yêu cầu các
sản phẩm phù hợp và các dịch vụ được cá nhân hóa trong thời gian ngắn và
thời gian thực hiện ngắn hơn.
Bảng 1: Một số thuật toán được sử dụng

Loại học Thuật toán Mô tả

tập

Học có 1. Cây quyết 1) DT sử dụng các giá trị liên quan để sắp xếp
giám sát định (DT) phẩm chất thành các nhóm có thể được phân loại (Kotsiatis et al.,
2. Na¨ıve 2005).
Bayes 2) Na ıve Bayes có thể được sử dụng tốt nhất
3. Vectơ hỗ để phân cụm và phân loại đối tượng (Lowd & Domingos, 2005).
trợ máy móc
3) Máy vectơ hỗ trợ (SVM) hoạt động tốt trên các tính toán lề
4. K- hàng (Karatzoglou et al., 2006).
xóm gần
nhất 4) Người học sử dụng dữ liệu đào tạo trong KNN. Khi người học
được trình bày dữ liệu thử nghiệm, nó sẽ so sánh cả hai. K dữ liệu
5. Giám sát liên quan nhất của tập huấn luyện được sử dụng (Harrington,
thần kinh 2012). Dữ liệu thử nghiệm hiện đang ở dạng lớp mới K.
mạng
5) Kết quả đầu ra dự kiến và thực tế sẽ được so sánh bằng cách
sử dụ ng các mạ ng nơ-ron đượ c giám sát (SNN) và thông số
sẽ được thay đổi dựa trên về sai lầm được tìm thấy (Dey, 2016)

Học 1. Cụm K- 1. Kỹ thuật phân cụm K-means xác định các cụm K dựa trên sự
không means tương tự của các cụm dữ liệu (Shalev- Shwartz và cộng sự,
giám sát 2. Phân tích 2011).
thành phần 2. Phân tích thành phần chính (PCA) làm giảm độ mờ dữ liệu,
chính cho phép tính toán nhanh hơn (, 2012).
3. Mạng nơ- 3. Dữ liệu được phân loại bằng cách sử dụng các mạng nơ-ron
ron không không được giám sát (UNN). Bởi vì kết quả là không chắc chắn,
giám sát UNN đánh giá mối tương quan giữa đầu vào và loại chúng cho
phù hợp (Dey, 2016).
Học bán 1.Tự đào tạo 1. Phân loại tự đào tạo sử dụng dữ liệu có nhãn trước, sau đó là
giám sát 2.Máy vectơ dữ liệu không có nhãn (Dey, 2016).
hỗ trợ 2. Máy vectơ hỗ trợ truyền dẫn (TSVM) là một phần mở rộng của
chuyển tiếp SVM phân tích cả dữ liệu được dán nhãn và không được gắn
nhãn (Dey, 2016).

Học tập 1.Thúc đẩy 1.Tăng cường liên quan đến hai biến số: người học yếu và người
toàn thể 2.Đóng bao học mạnh. Nó làm giảm sự thiên vị và phương sai bằng cách thu
hút người học kém và sức mạnh của họ (Zhou, 2009).
2.Đóng bao là một cách tiếp cận khác để cải thiện độ chính xác
và độ ổn định của ML (Lemmens,& Croux, 2006).

IV. LỢI ÍCH CỦA ML TRONG OM VÀ GSCM

1. Lợi ích của ML trong GSCM
Việc sử dụng AI và các thuật toán mới có thể cải thiện rõ nét sự bền vững
và tính hiệu quả của chuỗi cung ứng bằng cách liên kết với các công ty. Những
công nghệ này có thể được áp dụng để tạo ra một chuỗi cung ứng thông minh,
hiệu quả trong nhiều lĩnh vực cụ thể như: Quản lý tồn kho, hoạch định nhu cầu,
vận chuyển,...
2. Nhiều cơ hội chia sẻ quá trình về vận chuyển hàng hoá
Việc chia sẻ hoặc hợp tác trong quá trình vận chuyển cho ta thấy sự chia sẻ
kỹ thuật vận chuyển giữa các bên. Trường Kinh Doanh Vlerick và trường KU
Leuven (Bỉ) đã phát triển một thuật toán giúp các công ty tìm cách trao đổi
thông tin vận chuyển.
Hệ thống này hoạt động bằng cách ghi lại sự tiếp nhận và loại bỏ dữ liệu
GPS từ các công ty vận chuyển. Nhờ đó, hệ thống luôn được thông báo về tình
hình vận chuyển, tải hàng tồn kho, loại phương tiện vận chuyển và chi phí vận
chuyển.
Các giải pháp dựa trên AI cho phép công ty chia sẻ thông tin về chuỗi cung
ứng với các tổ chức khác, qua đó có thể tăng tốc vận chuyển, tiết kiệm tiền,
giảm thiểu ô nhiễm => xanh hoá đáng kể chuỗi cung ứng của họ.
3. Hoạch định lộ trình tốt hơn với phương tiện vận chuyển độc lập
Việc thiết lập giao thông vận tải độc lập là ứng dụng trí tuệ nhân tạo
logistics thường được sử dụng nhất. Ô tô không người lái có thể tự phát triển
các lộ trình nhờ có các công cụ GPS tiên tiến và đi theo chúng một cách hiệu
quả hơn so với những lộ trình do con người tạo ra. Những ví dụ như tàu thuỷ
chạy bằng điện và ô tô bán tự hành đã có mặt trên thị trường cho ta thấy tương
lai của logistics xanh là rất đáng mong đợi.
4. Lập kế hoạch giao hàng khẩn cấp
 Một khả năng khác mà AI có thể làm rất tốt đó là tăng tối đa hiệu quả vận
chuyển bằng cách xác định những yếu tố cần thiết cho quá trình vận chuyển.
AI có thể xem xét môi trường vận chuyển để đưa ra các lộ trình giao hàng cân
bằng giữa số lượng hàng và nhiên liệu. Ngoài ra, AI có thể điều chỉnh độ ưu
tiên của nó đối với các biến cụ thể nhờ những tính toán phức tạp nhanh hơn
con người rất nhiều.
5. Đưa ra các quyết định phức tạp một cách nhanh chóng
Các công ty có thể huấn luyện AI trong chuỗi cung ứng xanh để đưa ra
những quyết định tích cực khi gặp vấn đề khó khăn. Ví dụ, số lượng hàng hoá
chính xác cần vận chuyển cũng như loại phương tiện cần sử dụng có thể được
xác định nhờ AI. Vì hệ thống dựa trên AI có thể hoạt động trong thời gian thực
nên nó có thể thích nghi trong trường hợp có vấn đề nảy sinh nhằm thay đổi
kịp thời và giảm thiểu các rủi ro khác có liên quan. Các công cụ thông minh
cũng có thể phân tích hiệu suất của chuỗi cung ứng và đề xuất các cải tiến. Các
công ty có thể sử dụng AI để tìm các mối quan hệ lâu dài.
6. Tiết kiệm nhiên liệu
Dựa vào kết quả khảo sát năm 2018, hơn 67% công ty áp dụng các giải
pháp IoT* công nghiệp ghi nhận đạt được sự bền vững môi trường nhờ tiêu thụ
ít nhiên liệu, giải phóng ít khí thải hơn. Những thay đổi nổi bật, tuy nhiên,
không diễn ra hết cùng một lúc. Cần tốn thời gian, tiền bạc và công sức để đạt
được những thay đổi ấy
*Internet Vạn Vật, hay cụ thể hơn là Mạng lưới vạn vật kết nối Internet hoặc là Mạng
lưới thiết bị kết nối Internet (tiếng Anh: Internet of Things, viết tắt IoT) là một liên mạng,
trong đó các thiết bị, phương tiện vận tải (được gọi là "thiết bị kết nối" và "thiết bị thông
minh"), phòng ốc và các trang thiết bị khác được nhúng với các bộ phận điện tử, phần mềm,
cảm biến, cơ cấu chấp hành cùng với khả năng kết nối mạng máy tính giúp cho các thiết bị
này có thể thu thập và truyền tải dữ liệu.
7. Ít lãng phí hàng hoá hơn
Công nghệ ML cho phép các doanh nghiệp quan sát và ghi nhận tình trạng
của hàng hoá trong các container. Nếu chúng bị hư hỏng hoặc hết hạn thì sẽ
được thay mới ngay kịp thời. Bằng cách này, nhu cầu Logistics ngược* sẽ
giảm do người tiêu thụ không có nhiều lí do trả hàng.
*Logistics ngược: Khi sản phẩm của nhà sản xuất thường di chuyển qua mạng lưới
chuỗi cung ứng, nó sẽ đến tay nhà phân phối hoặc khách hàng. Bất kỳ quá trình hoặc quản
lý sau khi giao sản phẩm liên quan đến hậu cần ngược. Nếu sản phẩm bị lỗi, khách hàng sẽ
trả lại sản phẩm. Sau đó, công ty sản xuất sẽ phải tổ chức vận chuyển sản phẩm bị lỗi, thử
nghiệm sản phẩm, tháo dỡ, sửa chữa, tái chế hoặc xử lý sản phẩm. Sản phẩm sẽ đi ngược
lại qua mạng lưới chuỗi cung ứng để giữ lại bất kỳ việc sử dụng nào từ sản phẩm bị lỗi.
Pirelli, một trong những nhà sản xuất lốp xe hàng đầu, đã đưa các cảm biến
điện tử tự động vào kho của mình để theo dõi các vị trí khí nén, số lượng chính
xác và số lượng hàng hóa mới được đưa vào sản xuất. Pirelli có thể tránh tình
trạng bỏ đi những lốp sản xuất ở những nơi có quy trình phù hợp và giảm
lượng khí thải độc tố ra khí quyển nếu có sự cố khí nén.
V. THÁCH THỨC VÀ CƠ HỘI
1. Thách thức
Robotics và AI tác động đáng kể đến nguồn nhân lực của chuỗi cung ứng..
‘‘Displacement ‘‘ là thuật ngữ được sử dụng bởi Acemoglu & Restrepo (2018)
để mô tả cách các công nghệ mới dần dần thay thế công việc. Họ lập luận rằng
tăng năng suất kinh tế không được duy trì trừ khi hành động dịch chuyển phù
hợp với tác động phục hồi (tạo ra các nhiệm vụ lao động mới). Tầng lớp trung
lưu giàu có, ổn định cần thiết cho sự thịnh vượng kinh tế lâu dài. Thất nghiệp
cao làm giảm tiêu dùng, gây tổn hại cho chuỗi cung ứng sản xuất hàng hóa và
dịch vụ cỡ trung bình. Vậy, chuỗi cung ứng có thể làm gì khác để tiếp tục hoạt
động?
2. Cơ hội
Mặc dù công nghệ AI có thể thay thế một số chức năng được hình thành
trước đây bởi con người hoặc máy tính, nhiều nhiệm vụ vốn có của con người,
chẳng hạn như ‘‘ lý luận phức tạp, phán đoán '' rất khó tự động hóa. Ví dụ,
Daugherty & Wilson (2017) làm nổi bật các nhiệm vụ AI mới. Người huấn
luyện thuật toán AI là một trong những nghề nghiệp mới: “Người giải thích” có
nhiệm vụ đào tạo các chuyên gia phi kỹ thuật về AI và “người bảo trì” có
nhiệm vụ luôn để mắt đến AI.
Một hiệu quả tương tự được mong đợi từ những tiến bộ AI hiện tại trong
xử lý hình ảnh X quang chẩn đoán. Theo các nghiên cứu năm 2018, các hệ
thống y tế nên tổ chức lại các nhóm X quang để phản ánh những thay đổi này.
X quang và bệnh lý nên được kết hợp như một chuyên gia thông tin, giám sát
và phân tích các kết quả đầu ra của công nghệ AI. Các nghiên cứu cho rằng AI
có thể giúp các bác sĩ X quang của con người bằng cách đọc hình ảnh và làm
nổi bật các khu vực quan trọng để bác sĩ X quang tập trung vào. Để thực sự
được đạt được hiệu quả tốt nhất từ AI, các tổ chức y tế phải xác định các lĩnh
vực quan trọng đòi hỏi sự nhận xét của con người. Ví dụ, các dịch vụ chăm sóc
chính đang thiếu bác sĩ đặc biệt là ở khu vực nông thôn. Sự gia tăng tuổi thọ và
tỷ lệ sinh giảm sẽ thúc đẩy nhu cầu về các dịch vụ như chăm sóc người cao
tuổi. Những phát hiện này có thể giúp các tổ chức chăm sóc sức khỏe tái lập kế
hoạch nhân sự, đào tạo và phân công công việc để tránh dịch chuyển.
VI. KẾT LUẬN VÀ ĐỊNH HƯỚNG TƯƠNG LAI
Chúng ta đều biết rằng quản lý chuỗi cung ứng hiệu quả là một mục tiêu
quan trọng cho các doanh nghiệp trong thập kỷ tới. Logistics bền vững sẽ cho
phép chúng ta thay đổi hoạt động kinh doanh bằng cách cải thiện hình ảnh của
công ty, tiết kiệm lượng lớn năng lượng, tăng nguồn doanh thu bằng cách trở
“xanh hơn”, tìm kiếm đối tác mới, hợp lý hóa quy trình logistics.
Trước khi kết luận bài báo này, các tác giả đã xác định nhiều lĩnh vực
nghiên cứu tại giao điểm của ML và OM. Đầu tiên, là thuật toán học có giám
sát. ML có thể được sử dụng để đưa ra những tác động can thiệp đối với những
người không đồng nhất, khắc phục vấn đề nội sinh phổ biến trong dữ liệu quan
sát. Học hỏi chuyên sâu có thể đại diện cho sự lựa chọn của khách hàng tốt hơn
nhưng việc tìm câu trả lời cho các vấn đề tối ưu hóa như phân loại hoặc giá cả
trong các mô hình là không dễ dàng. Làm thế nào chúng ta có thể đảm bảo rằng
thăm dò không dẫn đến kết quả nguy hiểm hoặc không thể đảo ngược? Các nền
tảng có bộ quy tắc riêng, chẳng hạn như không cho phép khách hàng thoát khỏi
nền tảng. Đánh giá chính sách, dựa trên dữ liệu trong quá khứ, cũng là một
thách thức lớn trong học tập năng động.
VII. THAM KHẢO
[1] J.S. Hurwitz, M. Kaufman, A. Bowles, Cognitive computing and big data analytics,
John Wiley & Sons, 2015.
[2] A. Dey, Machine learning algorithms: a review, Int. J. Comput. Sci. Info. Technol. 7
(3) (2016) 1174–1179.
[3] Maghrebi, M., Sammut, C., & Waller, S. T. (2015). Feasibility study of automatically
performing the concrete delivery dispatching through machine learning techniques.
Engineering, Construction and Architectural Management.
[4] H. Wu, G. Evans, K.-H. Bae, Production control in a complex production system using
approximate dynamic programming, Int. J. Prod. Res. 54 (8) (2016) 2419–2432.
[5] A.T. Gumus, A.F. Guneri, F. Ulengin, A new methodology for multi-echelon
inventory management in stochastic and neuro-fuzzy environments, Int. J. Prod. Econ.
128 (1) (2010) 248–260.
[6] W. Jiang, J. Liu, Inventory Financing with Overconfident Supplier Based on Supply
Chain Contract, Mathematical Probl. Eng. 2018 (2018) 1–12.
[7] M.B.O. Huserbråten, E. Eriksen, H. Gjøsæter, F. Vikebø, Polar cod in jeopardy under
the retreating Arctic sea ice, Commun. Biol. 2 (1) (2019) 1–8.
[8] J. Peñuelas, J. Sardans, A. Rivas-ubach, I.A. Janssens, The human-induced imbalance
between C, N and P in Earth’s life system, Glob. Change Biol. 18 (1) (2012) 3–6.
[9] A.-N. El-Kassar, S.K. Singh, Green innovation and organizational performance: the
influence of big data and the moderating role of management commitment and HR
practices, Technol. Forecast. Soc. Chang. 144 (2019) 483–498.
[10] M. Song, S. Wang, Market competition, green technology progress and comparative
advantages in China, Manag. Decis. 56 (1) (2018) 188–203.
[11] Y. Li, M. Zhang, Green manufacturing and environmental productivity growth,
Industrial Manage. Data Syst. 118 (6) (2018) 1303–1319.
[12] M.-L. Tseng, M. Lim, K.-J. Wu, L.i. Zhou, D.T.D. Bui, A novel approach for
enhancing green supply chain management using converged interval-valued triangular
fuzzy numbers-grey relation analysis, Resour. Conserv. Recycl. 128 (2018) 122–133.
[13] R.M. Vanalle, G.M.D. Ganga, M. Godinho Filho, W.C. Lucato, Green supply chain
management: An investigation of pressures, practices, and performance within the
Brazilian automotive supply chain, J. Cleaner Prod. 151 (2017) 250–259