Driving Digital Transformation in Quick Service Laboratory Supply Chains Through Statistical Anomaly Detection
Notice bibliographique
Résumé
ABSTRACT Quick Service Laboratories (QSL) provide the necessary diagnostic services that have to be performed within limited time frames and rely on coordinated solutions across its supply chain to operate successfully. The application of standard supply chain management approaches often fails to recognize the variable and unpredictable nature of QSL operations, which significantly contributes to stockouts, delays, or surplus inventory. This study looks into a different approach to the traditional methodologies of supply chain management by investigating the means when machine learning algorithms with the purpose of discovering anomalous behavior patterns are applied to QSL supply chain practices and generate value. In examining and evaluating the historical demand forecasting patterns, inventory levels, and operational performance metrics will be more easily identifiable as anomalous behaviors or dissenting levels such as demand spikes, unanticipated inventory shortfall levels, and atypical arrival patterns of inventory to generate disruption to laboratory operations. Machine learning models can be supervised or unsupervised to learn normal operation behaviors, and even detect anomalies in real time through model training. These models facilitate proactive interventions that would improve inventory management and distribution planning, as well as service delivery in general. When building on the results of our detection modeling, we found that machine learning anomaly detection could provide actionable suggestions and improved supply chain resiliency, and reduce stockouts and excess inventory, all while maintaining more controlled service levels. Our comparative evaluation of conventional monitoring and forecasting methods demonstrates superior capabilities over traditional methods in our results, by resorting to fully utilizing the complexity of simple linear and rare events found in QSL supply chains and their digital transformation story.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».