Supply chain management depends on inventory forecasting because it determines both inventory amounts and service quality and operational expenses and strategic business choices. The practice of using statistical methods together with time series analysis continues to this day for inventory prediction purposes. The current complex supply networks along with shifting customer needs and large amounts of data require new forecasting methods because traditional approaches no longer work effectively. Organizations can improve their forecasting accuracy through Artificial Intelligence tools which enable them to develop dependable data-based inventory management systems. This research examines international studies about AI-based inventory prediction systems which function within supply chain management systems. For this purpose, I used the Systematic Literature Review (SLR) methodology based on the PRISMA framework, so that the process has consistency, transparency and repeatability. The Scopus database served as my data source and resulted in 22 appropriate publications between journal articles and conference papers, after I finished the search and evaluation process. The research studies received evaluation based on their publication timeline and their implementation of AI methods and their suitable application fields. The research activity (which I selected through the process) reached its peak after 2020 because AI-based inventory forecasting solutions became the focus of increasing academic researchers, as well as business researchers. The distribution of the research methods shows that deep learning and machine learning techniques are at equal levels, but deep learning methods have become more prevalent in current studies. The research, also, shows that LSTM networks appear most often when handling data sequences that change over time. The research field shows that hybrid methods, which unite conventional forecasting methods with AI-based models, are at a low occurrence rate but literature suggests they will become effective solutions for complicated multi-node inventory management systems. The research I conducted showed, furthermore, that modern forecasting models base their predictions on data-driven methods which analyze non-linear patterns and time-dependent relationships to create adaptable forecasts. The research study revealed three main gaps in current knowledge, which include the need to solve model interpretability problems and to establish methods for result comparison and to develop workable solutions for business use.

Η διαχείριση της εφοδιαστικής αλυσίδας εξαρτάται άμεσα από την πρόβλεψη των αποθεμάτων καθώς με αυτήν επιτυγχάνεται ο προσδιορισμός του όγκου του αποθέματος, η ποιότητα εξυπηρέτησης, ο προσδιορισμός του επιχειρησιακού κόστους, και στρατηγικές επιχειρηματικές επιλογές. Η χρήση στατιστικών μεθόδων και χρονικών σειρών γίνεται ακόμα και σήμερα για την πρόβλεψη αποθεμάτων. Τα σύγχρονα πολύπλοκα δίκτυα διανομής μαζί με την μεταβολή των αναγκών των πελατών, καθώς και ο μεγάλος όγκος των δεδομένων απαιτούν νέες μεθόδους πρόβλεψης αποθεμάτων, γιατί οι παραδοσιακές μέθοδοι δεν δείχνουν να είναι πλέον αποτελεσματικές.  Οι οργανισμοί μπορούν να βελτιώσουν τις προβλέψεις τους με τη χρήση εργαλείων Τεχνητής Νοημοσύνης καθώς μπορούν να δημιουργήσουν συστήματα διαχείρισης αποθεμάτων που να βασίζονται σε δεδομένα. Στην έρευνα αυτή, εξετάζω διεθνείς μελέτες σχετικά με συστήματα πρόβλεψης αποθεμάτων προϊόντων που βασίζονται στην Τεχνητή Νοημοσύνη. Για τον σκοπό αυτό χρησιμοποίησα τη μεθοδολογία της Συστηματικής Βιβλιογραφικής Ανάλυσης (SLR), με βάση το πλαίσιο PRISMA ώστε να επιτύχω συνέπεια, διαφάνεια και επαναληψιμότητα στη διαδικασία. Η βάση δεδομένων Scopus χρησιμοποιήθηκε ως πηγή των δεδομένων μου και η διαδικασία επιλογής είχε ως αποτέλεσμα να επιλεγούν 22 δημοσιεύσεις. Οι δημοσιεύσεις αυτές ήταν είτε άρθρα περιοδικών είτε εργασίες συνεδρίων. Οι ερευνητικές δημοσιεύσεις αξιολογήθηκαν με βάση το χρόνο δημοσίευσής τους, την εφαρμογή μεθόδων Τεχνητής Νοημοσύνης καθώς και το πεδίο εφαρμογής τους. Διαπίστωσα ότι η ερευνητική δραστηριότητα φτάνει στην κορύφωση μετά το 2020 επειδή η πρόβλεψη αποθεμάτων με τη χρήση εργαλείων ΑΙ έγινε το επίκεντρο έρευνας τόσο από ακαδημαϊκής όσο και από  πρακτικής πλευράς από τους ερευνητές. Από την έρευνα μου διαπίστωσα πως η χρήση εργαλείων τεχνητής νοημοσύνης μοιράζεται σχεδόν ισοδύναμα μεταξύ μηχανικής μάθησης και βαθιάς μάθησης με μικρή υπεροχή της βαθιάς μάθησης. Επίσης διαπίστωσα ότι τα δίκτυα LSTM εμφανίζονται πιο συχνά όταν έχουμε αλληλουχία δεδομένων που μεταβάλλονται με τον χρόνο. Το ερευνητικό πεδίο έδειξε ότι οι υβριδικές μέθοδοι που συνδυάζουν συμβατικές μεθόδους πρόβλεψης με μεθόδους που βασίζονται σε ΑΙ, είναι σε χαμηλό επίπεδο. Παρόλα αυτά η βιβλιογραφία δείχνει ότι θα είναι αποτελεσματικές σε πολύπλοκες εφοδιαστικές αλυσίδες. Στην έρευνα αυτή διαπίστωσα ότι τα σύγχρονα μοντέλα πρόβλεψης βασίζονται σε μεθόδους που χρησιμοποιούν δεδομένα και αναλύουν μη γραμμικά μοτίβα και χρονικά εξαρτώμενες σχέσεις για να δημιουργήσουν προσαρμοσμένες προβλέψεις. Τα κενά που κυρίως διαπίστωσα, στη σύγχρονη γνώση, ήταν τρία και περιλαμβάνουν: την ανάγκη επίλυσης προβλημάτων ερμηνείας των μοντέλων, την δημιουργία μεθοδολογίας για τη σύγκριση των αποτελεσμάτων εφαρμογής του ΑΙ και την δημιουργία πρακτικών λύσεων για επιχειρηματική χρήση.