مقاله ترجمه شده مدیریت هوشمند موجودی: راه حل مبتنی بر هوش مصنوعی برای زنجیره تامین دارویی

سال نشر: ۲۰۲۵

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی:  ۴ صفحه PDF

تعداد صفحه ترجمه فارسی: ۱۰   صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: M1926

نام ناشر (پایگاه داده): الزویر

نام مجله:   Societal Impacts

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۵ :  مدیریت هوشمند موجودی: راه حل مبتنی بر هوش مصنوعی برای زنجیره تامین دارویی

عنوان کامل انگلیسی:

Intelligent inventory management: AI-driven solution for the pharmaceutical supply chain

چکیده فارسی:

در صنعت داروسازی که با سرعت رشد بالا و مقررات سختگیرانه مواجه است، تدوین یک سیاست کارآمد برای تجدید موجودی، به دلیل ویژگی‌های خاص این حوزه مانند لزوم رعایت قوانین، محدودیت تاریخ انقضای محصولات و نوسانات غیرقابل پیش‌بینی در تقاضا، امری بسیار ضروری است. علاوه بر این، انطباق سریع با تغییرات تقاضا در بازار پویای داروسازی برای حفظ سطح خدمات بالا بسیار مهم است. این مطالعه یک سیاست بهینه تجدید موجودی را با استفاده از یادگیری تقویتی عمیق (DRL) توسعه می‌دهد تا در عین به حداقل رساندن کمبودها و ضایعات دارویی ناشی از انقضا، از در دسترس بودن داروها اطمینان حاصل کند. این پژوهش بر یادگیری مستمر متکی است. در این راستا، هر محیط خرده‌فروشی اطلاعات مرتبط با الگوهای پویای تقاضا، سطوح موجودی فعلی، سفارش‌های در جریان و زمان تحویل را به عنوان “فضای حالت” ثبت می‌کند تا مسئله‌ی مدیریت موجودی را به صورت یک فرآیند تصمیم‌گیری مارکوف (MDP) مدل‌سازی نماید. به منظور اتخاذ تصمیمات دقیق در زنجیره تأمین دارو، مقادیر بهینه سفارش از میان یک فضای اقدام پیوسته انتخاب می‌شوند که این امر منجر به افزایش سودآوری، ارائه خدمات به تعداد بیشتری از بیماران و در نهایت، بهبود کارآمدی سلامت عمومی می‌شود.

کلمات کلیدی: زنجیره تامین دارویی، مدیریت موجودی، محصولات دارویی، مدیریت زنجیره تامین، توسعه پایدار

Abstract

In a fast-paced and highly regulated pharmaceutical industry, developing an inventory replenishment policy is a critical task due to its unique characteristics, including regulatory compliance, product expiration, and unpredictable demand. In addition, it is highly crucial to quickly adapt the changes in demand in dynamic pharmaceutical market to maintain high service level. The project develops an optimal inventory replenishment policy with Deep Reinforcement Learning (DRL) to ensure the availability of medications while minimizing stockouts and medical waste due to expiration. It relies on continuous learning in which each retailer environment captures the information of dynamic demand patterns, current inventory levels, open orders and lead time as state space to map the inventory problem as Markov Decision Process (MDP). For accurate decision-making in pharmaceutical supply chain, the suitable order quantities are selected from continuous action space which results into higher profitability and serve an increased number of patients, thereby delivering health as a social good in an effective manner.

Keywords: Pharmaceutical supply chain, Inventory management, Pharmaceutical products, Supply chain management, Sustainable development