مدیریت موجودی به عنوان یکی از مؤلفه‌های کلیدی در زنجیره تأمین، نقش تعیین‌کننده‌ای در بهینه‌سازی هزینه‌ها، افزایش بهره‌وری و حفظ سطح مطلوب خدمت به مشتریان دارد. با توجه به تغییرات سریع محیط کسب‌وکار، نوسانات بازار، و عدم قطعیت در پیش‌بینی تقاضا، روش‌های سنتی مبتنی بر مدل‌های قطعی دیگر قادر به پاسخ‌گویی مؤثر به این پیچیدگی‌ها نیستند. در سال‌های اخیر، ترکیب رویکردهای هوش مصنوعی شامل: یادگیری ماشین، شبکه‌های عصبی، الگوریتم‌های ژنتیک و سیستم‌های فازی با مدل‌های احتمالاتی و آماری مانند مدل‌های بیزی، زنجیره‌های مارکوف و شبیه‌سازی مونت‌کارلو، به عنوان راهکاری نوین برای ارتقای دقت تصمیم‌گیری در مدیریت موجودی مطرح شده است. این مقاله به‌صورت توصیفی و در قالب کتابخانه‌ای- مروری، مطالعات انجام‌شده در زمینه استفاده از مدل‌های ترکیبی هوشمند–احتمالاتی برای پیش‌بینی تقاضا، تعیین نقطه سفارش، و کاهش هزینه‌های موجودی را مورد بررسی و مقایسه قرار می‌دهد. یافته‌ها نشان می‌دهند که بهره‌گیری از مدل‌های ترکیبی سبب بهبود چشم‌گیر در دقت پیش‌بینی، افزایش انعطاف‌پذیری در شرایط عدم قطعیت، و کاهش هزینه‌های نگهداری و کمبود موجودی می‌شود. با این حال، چالش‌هایی نظیر نیاز به داده‌های باکیفیت، پیچیدگی محاسباتی، و دشواری در تفسیر نتایج همچنان مانع از کاربرد وسیع این روش‌ها در محیط‌های واقعی هستند. در پایان، مقاله مسیرهای پژوهشی آینده نظیر استفاده از یادگیری عمیق، مدل‌های بیزی سلسله‌مراتبی، و سیستم‌های تصمیم‌یار تطبیقی را به‌عنوان جهت‌گیری‌های مؤثر برای توسعه مدیریت موجودی هوشمند پیشنهاد می‌کند.

هوش مصنوعی مدیریت موجودی رضایت مشتریان زنجیره تامین