ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-------------------

BÁO CÁO BÀI TẬP LỚN

MÔN: QUẢN LÝ SẢN XUẤT

Giáo viên hướng dẫn: Thầy Đỗ Ngọc Hiền

Lớp L02 Nhóm 8 HK222
Họ và tên MSSV

Trương Vĩnh Kiệt 2211780

Nguyễn Duy Khang 2211443

Võ Trần Thị Mỹ Vân 2213926

Phan Lê Thanh Trúc 2213723

Năm học: 2022-2023

 MỤC LỤC
Tóm tắt: ................................................................................................................................................. 2

I. GIỚI THIỆU VỀ GSCM .................................................................................................................. 2

1. Thực trạng hiện nay và hoàn cảnh phát triển của GSCM .......................................................... 2

2. Vai trò của thông tin trong SCM ................................................................................................... 3

II. VAI TRÒ CỦA HỌC MÁY (ML) TRONG QUẢN LÍ CHUỖI CUNG ỨNG XANH .............. 4

1. Về AI ............................................................................................................................................... 4

2. Vai trò AI ........................................................................................................................................ 4

3. Quá trình thu mua ......................................................................................................................... 5

4. Độ phức tạp của sản phẩm ............................................................................................................ 5

III. ML VÀ QUẢN LÝ SẢN XUẤT .................................................................................................... 5

IV. LỢI ÍCH CỦA ML TRONG OM VÀ GSCM .............................................................................. 7

1. Nhiều cơ hội chia sẻ về quá trình vận chuyển hàng hoá ......................................................... 8

2. Hoạch định lộ trình tốt hơn với phương tiện vận chuyển độc lập ........................................... 8

3. Lập kế hoạch giao hàng khẩn cấp ............................................................................................ 8

4. Đưa ra các quyết định phức tạp một cách nhanh chóng ......................................................... 8

5. Tiết kiệm nhiên liệu ................................................................................................................... 9

6. Ít lãng phí hàng hoá hơn ........................................................................................................... 9

V. THÁCH THỨC VÀ CƠ HỘI.......................................................................................................... 9

1. Thách thức ................................................................................................................................. 9

2. Cơ hội ....................................................................................................................................... 10

VI. KẾT LUẬN VÀ ĐỊNH HƯỚNG TƯƠNG LAI ......................................................................... 10

VII. THAM KHẢO ............................................................................................................................. 11

Mã QR CODE dẫn đến file Bài báo cáo gốc và Bài báo tiếng Việt ................................................ 12

1
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

2
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.

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 1). 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 1. Quản lí chuỗi cung ứng bền vững

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 sẵn có 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

3
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 không người lái, robot giá kệ kho đang trở nên phổ biến trong
chuỗi cung ứng. AI-trí tuệ nhân tạo có thể hỗ trợ thiết kế, kiểm soát và quản lý hệ thống GSCM, bao
gồm hệ thống agent-based, thuật toán biến đổi gen và hệ thống chuyên môn.

*Mô hình dựa trên tác nhân (tiếng anh: Agent-based system) là một mô hình tính toán để mô
phỏng các hành động và tương tác của các tác nhân tự trị nhằm hiểu hành vi của một hệ thống và
những gì chi phối kết quả của nó.

Việc áp dụng công nghệ AI cũng có thể 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 công nghệ này đóng góp vào sức bền vững 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 đang càng phổ biến. Trong lập kế hoạch hệ thống, kiểm
soát và quản lý, hệ thống AI có thể được sử dụng một cách có phương pháp.

2. Vai trò AI
Quản lý chuỗi cung ứng xanh, là một quy trình phức tạp, nếu không lập kế hoạch và quản lý tốt thì
cả hệ thống không thể tạo ra kết quả như mong muốn. Thu thập dữ liệu từ mỗi giai đoạn quá trình là
cần thiết để có được thông tin then chốt. Các công nghệ thông minh cho thu thập dữ liệu có thể được
triển khai, và nhiều AI có thể được tận dụng để lập kế hoạch và điều khiển hệ thống dây chuyền bền
vững. Bất kì sự kết hợp tài liệu hệ thống AI vào quy trình GSCM không là một lỗ hổng trong tài liệu

4
hiện hành. Hơn nữa, cần nghiên cứu thêm để phân tích cơ hội của yêu cầu AI đối với các doanh nghiệp
ô tô và công nghiệp sử dụng GSCM để xử lý thông tin.

3. Quá trình thu mua

Chiều hướng GSCM khác nhau vẫn đang được nghiên cứu để mở rộng lý thuyết GSCM. Cơ chế
đấu thầu mới nhất và các dự án sáng tạo là rất quan trọng. Tầm quan trọng của việc mua, giới hạn thời
gian, điều kiện mua và mô hình công ty doanh nghiệp là các khía cạnh quan trọng có thể ảnh hưởng đến
cấu trúc mua hàng. Cơ cấu đấu thầu có những hậu quả duy nhất của GSCM, do đó, cơ chế đấu thầu phải
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 sự phức tạp sản phẩm có tác động thuận lợi đến tương tác giữa chuỗi
cung ứng thích hợp và hiệu suất sản xuất và tác động đến sự thời gian và marketing của các mặt hàng
mới, bởi nó đòi hỏi phán đoán khó khăn và năng lực thay đổi đa dạng.

Độ phức tạp sản phẩm bao gồm sự tinh vi sản phẩm liên quan tới sự phức tạp công nghệ; thủ tục
chính quy; khả năng sáng tạo của nhà cung ứng để chế tạo bộ phận khác; 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 mất nhiều thời gian 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 bền vững.

III. ML VÀ QUẢN LÝ SẢN XUẤT

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…Bảng 1 cho thấy một số
thuật toán học tập nổi tiếng nhất với mô tả ngắn gọn.

5
 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

Các thuật toán ML thường 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 phẩm chất thành các nhóm có
giám sát định (DT) thể được phân loại (Kotsiatis et al., 2005).

2. Na¨ıve 2) Na¨ıve Bayes có thể được sử dụng tốt nhất để phân cụm và phân
Bayes loại đối tượng (Lowd & Domingos, 2005).

3. Vectơ hỗ 3) Máy vectơ hỗ trợ (SVM) hoạt động tốt trên các tính toán lề
trợ máy móc (Karatzoglou et al., 2006).

4. K- hàng 4) Người học sử dụng dữ liệu đào tạo trong KNN. Khi người học
xóm gần nhất được trình bày dữ liệu thử nghiệm, nó sẽ so sánh cả hai. K dữ liệu
liên quan nhất của tập huấn luyện được sử dụng (Harrington,
5. Mạng nơ-
2012). Dữ liệu thử nghiệm hiện đang ở dạng lớp mới K.
ron giám sát
5) Kết quả đầu ra dự kiến và thực tế sẽ được so sánh bằng cách sử
dụng các mạng nơ-ron được giám sát (SNN) và thông số sẽ được
thay đổi dựa trên về sai lầm được tìm thấy (Dey, 2016)

6
 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, 2011).
giám sát
2. Phân tích 2. Phân tích thành phần chính (PCA) làm giảm độ mờ dữ liệu,

thành phần cho phép tính toán nhanh hơn (, 2012).

chính
3. Dữ liệu được phân loại bằng cách sử dụng các mạng nơ-ron
không được giám sát (UNN). Bởi vì kết quả là không chắc chắn,
3. Mạng nơ-
UNN đánh giá mối tương quan giữa đầu vào và loại chúng cho
ron không
phù hợp (Dey, 2016).
giám sát

Học bán 1.Tự đào tạo 1. Phân loại tự đào tạo sử dụng dữ liệu có nhãn trước, sau đó là dữ
giám sát liệu không có nhãn (Dey, 2016).
2.Máy vectơ
hỗ trợ chuyển 2. Máy vectơ hỗ trợ truyền dẫn (TSVM) là một phần mở rộng của
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 học mạnh. Nó làm giảm sự thiên vị và phương sai bằng cách thu
2.Đóng bao
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

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...

7
 1. Nhiều cơ hội chia sẻ về quá trình vận chuyển hàng hoá
Việc 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 hóa đáng kể chuỗi
cung ứng của họ.

2. Hoạch định lộ trình tốt hơn với phương tiện vận chuyển độc lập
Việc thiết lập giao thông vận tải độc lập là một trong những ứng dụng của 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.

3. 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 như
đường thuỷ, đường bộ,.. 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.

4. 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.

8
 5. 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.

Iot (viết tắt của Internets of Things) hay Mạng lưới vạn vật kết nối Internet, 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, cảm biến,.. cùng với khả năng kết
nối mạng máy tính giúp cho các thiết bị này có thể thu thập và truyền tải dữ liệu.

6. 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 lý do trả hàng.

*Logistics ngược: 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.. 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. Quá trình đó gọi là Logistic ngược.

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 tồn kho và số lượng hàng hóa mới được đưa vào
sản xuất. Nhờ đó, Pirelli có thể tránh tình trạng bỏ đi những lốp đạt yêu cầu 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 ảnh hưởng 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?

9
 2. Cơ hội
Mặc dù công nghệ AI có thể thay thế một số chức năng trước đây được thực hiện 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 nhau 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 cá nhân khác nhau, 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 khám phá 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 quá khứ, cũng là một thách thức lớn trong học tập năng động.

10
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.

11
Mã QR CODE dẫn đến file Bài báo cáo gốc và Bài báo tiếng Việt

12