دور الذكاء الاصطناعي التوليدي في السلاسل الإمدادية

على الرغم من أن اضطرابات السلاسل الإمدادية أصبحت موضوعًا متكررًا في مناقشات غرف المجالس في عام 2020، أصبح الذكاء الاصطناعي التوليدي موضوعًا ساخنًا في عام 2023. بعد كل شيء، وصل ChatGPT من OpenAI إلى 100 مليون مستخدم في الشهرين الأولين، مما جعله التطبيق الاستهلاكي الأسرع نموًا في التاريخ.

السلاسل الإمدادية، إلى حد ما، مناسبة جيدًا للتطبيقات الذكاء الاصطناعي التوليدي، نظرًا لأنها تعمل وتوليد كميات هائلة من البيانات. تنوع وكمية البيانات وأنواع مختلفة من البيانات تضيف تعقيدًا إضافيًا لمشكلة العالم الحقيقي المعقدة: كيفية تحسين أداء السلسلة الإمدادية. وفي حين أن هناك حالات استخدام للذكاء الاصطناعي التوليدي في السلاسل الإمدادية شاملة – بما في ذلك زيادة التأتمت، وتوقعات الطلب، ومعالجة الطلبات وتتبعها، والصيانة التنبؤية للماكينات، وإدارة المخاطر، وإدارة الموردين، وغيرها – فإن العديد منها تنطبق أيضًا على الذكاء الاصطناعي التنبؤي وقد تم تبنيه وتطبيقها بالفعل على نطاق واسع.

هذا المقال يحدد بعض الحالات التي تتوافق بشكل خاص مع الذكاء الاصطناعي التوليدي في السلاسل الإمدادية، ويعرض بعض التحذيرات التي يجب أن يعتمد عليها قادة السلاسل الإمدادية قبل الاستثمار.

دعم اتخاذ القرارات

الغرض الرئيسي للذكاء الاصطناعي والتعلم الآلي في السلاسل الإمدادية هو تسهيل عملية اتخاذ القرارات، مع وعد بزيادة السرعة والجودة. يفعل الذكاء الاصطناعي التنبؤي ذلك من خلال تقديم توقعات وأرقام أكثر دقة، واكتشاف أنماط جديدة لم يتم تحديدها بعد، واستخدام كميات كبيرة من البيانات ذات الصلة. يمكن للذكاء الاصطناعي التوليدي أن يأخذ هذا إلى خطوة أبعد من خلال دعم مختلف المجالات الوظيفية لإدارة السلسلة الإمدادية. على سبيل المثال، يمكن لمديري السلاسل الإمدادية استخدام نماذج الذكاء الاصطناعي التوليدي لطرح أسئلة توضيحية، وطلب بيانات إضافية، وفهمن العوامل المؤثرة، ومراجعة الأداء التاريخي للقرارات في سيناريوهات مماثلة. باختصار، يجعل الذكاء الاصطناعي التوليدي عملية البحث المسبق التي تسبق اتخاذ القرارات أسرع وأسهل بشكل كبير للمستخدم.

علاوة على ذلك، يمكن للنماذج الذكاء الاصطناعي التوليدي معالجة كميات هائلة من البيانات، بما في ذلك البيانات المهيكلة (بيانات رئيسية، بيانات معاملات، EDIs) والبيانات غير المهيكلة (العقود، الفواتير، مسح الصور)، لتحديد الأنماط والسياق مع تحضير محدود للبيانات. لأن نماذج الذكاء الاصطناعي التوليدي تتعلم من الأنماط وتستخدم حسابات الاحتمالات (مع بعض التدخل البشري) للتنبؤ بالخرج المنطقي التالي، يمكنها إنشاء نموذج رقمي أكثر دقة للشبكة الإمدادية متعددة المستويات – بشكل أسرع وعلى نطاق واسع – وتحسين التعاون والرؤية بين الشركات وداخلها. يمكن تحسين هذا النموذج متعددة المستويات بشكل أكبر لدعم مبادرات الاستدامة البيئية، بما في ذلك على سبيل المثال لا الحصر تحديد المعادن الصراع، واستخدام الموارد الحساسة بيئيًا أو المناطق، و계산 انبعاثات الكربون من المنتجات والعمليات، وغيرها.

حل محتمل لنقص المواهب في إدارة السلاسل الإمدادية

خلال السنوات القليلة الماضية، عانت الشركات من نقص في المواهب في إدارة السلاسل الإمدادية بسبب إرهاق المخططين، والانفصال، ومنحنى التعلم الحاد للموظفين الجدد بسبب الطبيعة المعقدة لوظيفة العمل. يمكن ضبط نماذج الذكاء الاصطناعي التوليدي على إجراءات العمل وعمليات الأعمال وعمليات العمل ووثائق البرمجيات للشركات، ثم يمكنها الاستجابة لاستفسارات المستخدمين بمعلومات سياقية وذات صلة. واجهة المستخدم المحادثية المرتبطة عادةً بالذكاء الاصطناعي التوليدي تجعل من الأسهل بشكل كبير التفاعل مع نظام الدعم وتوفر القدرة على تعديل الاستفسار، مما يسرع من الوقت اللازم لإيجاد المعلومات الصحيحة.

يمكن أن يساعد الجمع بين نظام التعلم والتطوير القائم على الذكاء الاصطناعي التوليدي ونظام دعم اتخاذ القرارات القائم على الذكاء الاصطناعي التوليدي في تسريع حل قضايا إدارة التغيير المختلفة. كما يمكن أن يساعد في تسريع إعداد الموظفين الجدد من خلال تقليل وقت التدريب ومتطلبات الخبرة العملية. أكثر من ذلك، يمكن للذكاء الاصطناعي تمكين الأشخاص ذوي الإعاقة من خلال تحسين الاتصالات، وVerbesserung der Kognition، ومساعدة القراءة والكتابة، وتوفير التنظيم الشخصي، ودعم التعلم والتطوير المستمر.

في حين يخشى البعض أن يؤدي الذكاء الاصطناعي التوليدي إلى خسائر في الوظائف في السنوات القادمة، يعتقد الآخرون أنه سيرفع من مستوى العمل عن طريق إزالة المهام المتكررة ووضع مساحة للوظائف الاستراتيجية. في غضون ذلك، من المتوقع أن يحل نقص المواهب الحالي في السلاسل الإمدادية والtalent الرقمي. لذلك، من المهم تعلم كيفية العمل مع هذه التقنية.

بناء نموذج السلسلة الإمدادية الرقمية

تحتاج السلاسل الإمدادية إلى أن تكون مرنة وقوية، مما يتطلب رؤية عبر الشركات. تحتاج السلسلة الإمدادية إلى “معرفة” الشبكة بأكملها من أجل الرؤية. ومع ذلك، غالبًا ما يكون بناء النموذج الرقمي للشبكة الإمدادية متعددة المستويات باهظًا. الشركات الكبيرة لديها بيانات منتشرة عبر عشرات أو مئات من الأنظمة، مع معظم الشركات الكبيرة التي تدير أكثر من 500 تطبيقًا في وقت واحد عبر أنظمة إدارة الموارد، ونظم إدارة علاقات العملاء، ونظم إدارة الحياة للمنتجات، وشراء وتموين، وتخطيط، وادارة المستودعات، وادارة النقل، وغيرها. مع كل هذه التعقيدات والتناثر، من الصعب للغاية الجمع بين هذه البيانات المتنوعة بشكل منطقي. هذا يزداد تعقيدًا عندما تنظر المنظمات إلى ما وراء الموردين من المستوى الأول أو الثاني إلى حيث يصبح جمع البيانات في شكل منظم غير مرجح.

يمكن لنماذج الذكاء الاصطناعي التوليدي معالجة كميات هائلة من البيانات، بما في ذلك البيانات المهيكلة (بيانات رئيسية، بيانات معاملات، EDIs) والبيانات غير المهيكلة (العقود، الفواتير، مسح الصور)، لتحديد الأنماط والسياق مع تحضير محدود للبيانات. لأن نماذج الذكاء الاصطناعي التوليدي تتعلم من الأنماط وتستخدم حسابات الاحتمالات (مع بعض التدخل البشري) للتنبؤ بالخرج المنطقي التالي، يمكنها إنشاء نموذج رقمي أكثر دقة للشبكة الإمدادية متعددة المستويات – بشكل أسرع وعلى نطاق واسع – وتحسين التعاون والرؤية بين الشركات وداخلها. يمكن تحسين هذا النموذج متعددة المستويات بشكل أكبر لدعم مبادرات الاستدامة البيئية، بما في ذلك على سبيل المثال لا الحصر تحديد المعادن الصراع، واستخدام الموارد الحساسة بيئيًا أو المناطق، و계산 انبعاثات الكربون من المنتجات والعمليات، وغيرها.

على الرغم من أن الذكاء الاصطناعي التوليدي يوفر فرصة كبيرة لقادة السلاسل الإمدادية ليكونوا مبتكرين ويكونوا في وضع استراتيجي، هناك مخاوف ومخاطر يجب مراعاتها.

سلسلتك الإمدادية فريدة

الاستخدامات العامة للذكاء الاصطناعي التوليدي، مثل ChatGPT أو Dall-E، تنجح حاليًا في معالجة المهام التي هي أوسع في الطبيعة لأن النماذج مدربة على كميات هائلة من البيانات العامة. للاستفادة بشكل حقيقي من قدرات الذكاء الاصطناعي التوليدي للسلسلة الإمدادية للشركة، يجب ضبط هذه النماذج على بيانات الشركة وسياقها الخاص. بعبارة أخرى، لا يمكن استخدام نموذج مدرب بشكل عام. يمكن أن تؤثر تحديات إدارة البيانات مثل جودة البيانات ودمجها وأدائها على استثمارات الذكاء الاصطناعي التوليدي، مما يؤدي إلى عملية زمنية مكلفة بدون حل إدارة البيانات المناسب الموجود بالفعل.
الذكاء الاصطناعي التوليدي يعتمد على فهم الأنماط داخل بيانات التدريب، وإذا تعلم محترفو السلاسل الإمدادية أي شيء خلال السنوات الثلاث الماضية، فإنه يعتمد على أن السلاسل الإمدادية ستواجه مخاطر جديدة وفرص غير مسبوقة.

الأمان واللوائح

المتطلب الأساسي لنماذج الذكاء الاصطناعي التوليدي هو الوصول إلى كميات هائلة من بيانات التدريب لفهم الأنماط والسياق. ومع ذلك، يمكن أن يؤدي واجهة المستخدم الشبيهة بالبشر لنماذج الذكاء الاصطناعي التوليدي إلى التمثيل الزائف للمستخدمين، والاحتيال، ومخاطر أمنية أخرى. في حين يمكن أن يؤدي الحصول المحدود على بيانات التدريب إلى أداء ضعيف للذكاء الاصطناعي، يمكن أن يؤدي منح الوصول غير المقيد إلى بيانات السلسلة الإمدادية إلى حوادث أمنية للمعلومات حيث يتم إتاحة المعلومات الحساسة والحديثة لمستخدمين غير مصرح لهم.

من غير الواضح كيف سوف تختار الحكومات تنظيم الذكاء الاصطناعي التوليدي في المستقبل مع استمرار تبني تطبيقات جديدة للذكاء الاصطناعي التوليدي. أعرب خبراء الذكاء الاصطناعي عن قلقهم بشأن المخاطر التي يطرحها الذكاء الاصطناعي، وطالبوا الحكومات بوقف تجارب الذكاء الاصطناعي العملاقة حتى يتمكن قادة التكنولوجيا والمشرعون من وضع قواعد ولوائح لضمان السلامة.

يوفر الذكاء الاصطناعي التوليدي فرصًا كثيرة لتحسين المنظمات التي يمكنها الاستفادة من هذه التقنية وإنشاء مضاعف قوة للبراعة البشرية والإبداع و اتخاذ القرارات. ومع ذلك، حتى يتم تطوير نماذج مدربة ومصممة خصيصًا لاستخدامات السلسلة الإمدادية، فإن أفضل طريقة للمضي قدمًا هي نهج متوازن لاستثمارات الذكاء الاصطناعي التوليدي.

من الحكمة إنشاء حواجز أمان مناسبة لضمان أن يقدم الذكاء الاصطناعي خيارات مخططات محسنة للمستخدمين لمراجعتها واختيارها، ومتوافقة مع عمليات الأعمال وأهدافها. الشركات التي تجمع “دفاتر الأعمال” مع الذكاء الاصطناعي التوليدي ستكون قادرة على زيادة قدرة الفرق على التخطيط و اتخاذ القرارات والتنفيذ مع استمرار تحسين النتائج التجارية المرغوبة. يجب على المنظمات أيضًا مراعاة قضية أعمال قوية وأمان البيانات والمستخدمين وأهداف الأعمال القابلة للقياس قبل الاستثمار في تقنيات الذكاء الاصطناعي التوليدي الجديدة.