Hladoví po datech: Jak může umělá inteligence v dodavatelském řetězci dosáhnout svého inflexního bodu

Umělá inteligence (AI) v dodavatelských řetězcích je věc podobná slepiči a vejci. Existují ti, kteří chválí AI pro její potenciál vytvořit větší viditelnost do operací dodavatelského řetězce. Jinými slovy, AI první, viditelnost druhá.

Které mohlo být pravdivé, když nebyla jinak dosažitelná všudypřítomná a reálná viditelnost dodavatelského řetězce. Ale transformační AI v dodavatelském řetězci — včetně nesmírně mocné generativní AI, která vytváří nové poznatky, výsledky, procesy a efektivitu z obrovských datových sad — vyžaduje, abychom otočili rovnici na hlavu. Viditelnost první, následovaná inovacemi GenAI v celém dodavatelském řetězci.

Představte si regionálního prodejního manažera, distributora, výrobce nebo nákupčího, který se v pondělí probudí, spustí známého chatbota (možná i hlasově ovládaného) a zeptá se v přirozeném jazyce, zda je jeho dodavatelský řetězec optimalizován pro týden. A pokud není, zeptá se, jak lze dodavatelský řetězec upravit, aby dosáhl svých cílů. GenAI umožňuje tuto interakci s dodavatelskými systémy.

Ale jediný způsob, jak může GenAI založená dodavatelská řešení automaticky poskytovat takové odpovědi, je, pokud zná stav, umístění, stav, pohyb atd. každého produktu, krabice, případu, palety atd. v dodavatelském řetězci. A jediný způsob, jak to ví, je, pokud produkty samy o sobě mohou automaticky komunikovat informace bez lidského zásahu. Dnes to mohou, prostřednictvím všudypřítomné platformy viditelnosti nazývané ambientní internet věcí (IoT).

GenAI v dodavatelském řetězci

Globální poradenská firma Ernst & Young odhaduje, že 40 procent společností v dodavatelském řetězci investuje do GenAI. Použili GenAI k mapování složitých dodavatelských sítí, běhu scénářů “co kdyby”, předpovědi dodávek a poptávky, vývoji chatbotů, aby partneři mohli získat odpovědi snadněji, a dokonce generovat nové smlouvy na základě minulých nebo existujících dohod.

V takových případech společnosti školicí AI modely na svých vlastních historických datech a na tom, co mohou získat od partnerů. Pak se ptají GenAI, aby našly způsoby, jak zvýšit efektivitu. Ale jak analytici EY uvádějí, “Nástroje GenAI jsou pouze tak mocné, jako jsou jejich vstupní data, takže jsou omezeny kvalitou a dostupností dat od partnerů dodavatelského řetězce.”

Svatý grál AI v dodavatelském řetězci je však generovat nové trasy, procesy, návrhy produktů a seznamy dodavatelů na základě reálných dat — a udělat to co nejrychleji (což je rychleji, než je lidsky možné). Nebo jak jeden výkonný řekl Harvard Business Review, “Když dojde ke krizi v dodavatelském řetězci, klíčem k úspěchu je být rychlejší při hledání alternativních dodavatelů než všichni ostatní, protože všichni hledají udělat totéž.”

To vyžaduje školení GenAI řešení na mnohem více — a aktuálnějších — datech o skutečných operacích dodavatelského řetězce. Vstoupí ambientní IoT.

Ambientní IoT: Jazyk dodavatelských řetězců

S ambientním IoT produkty, balení a místa nesou digitální podpisy, které jsou reálným jazykem viditelnosti dodavatelského řetězce, který nakonec krmit velké jazykové modely (LLM), které jsou základem GenAI. Tyto podpisy jsou přenášeny prostřednictvím IoT Pixelů, samočinných, razítkových elektronických značek připevněných k čemukoli v dodavatelském řetězci, co potřebuje stopování a monitorování. IoT Pixely zahrnují vlastní výpočetní výkon, senzory a Bluetooth komunikaci, umožňující produktům a balení popsat svou cestu dodavatelského řetězce v datových termínech, které LLM mohou spotřebovat. Nakonec představují most mezi fyzickým a digitálním světem, zpřístupňující poprvé data dodavatelského řetězce, která mohou skutečně ukázat, předpovědět a optimalizovat operace.

Ambientní IoT Pixely komunikují data prostřednictvím zavedené sítě stávajících bezdrátových zařízení, jako jsou smartphony a bezdrátová přístupová místa, nebo prostřednictvím snadno nasazených, standardizovaných mostů a bran instalovaných v obchodech, skladech, dodávkách, nákladních autech a více. Skutečně, s odpovídajícími povoleními a ochranou soukromí, ambientní IoT Pixely mohou prodloužit viditelnost dodavatelského řetězce až k spotřebiteli, komunikující data o používání produktů, opětovném použití a recyklaci, poskytující základ pro pokročilejší modely GenAI.

A posílají data nepřetržitě. Na rozdíl od záznamů dodavatelského řetězce, které se používají ke školení GenAI modelů dnes, ambientní IoT data popisují dodavatelský řetězec právě teď. S touto viditelností je vše, co zbývá, implementovat GenAI, aby odpovědělo za nás, “Co vidím v mém dodavatelském řetězci, právě teď?”

Reálná viditelnost a generace ambientního IoT dat v celém dodavatelském řetězci by mohla dokonce pomoci řešit jednu z výzev GenAI: že data použita ke školení LLM nutně odrážejí neúmyslné datové předpojatosti z jejich generujících zdrojů, které často zahrnují různé systémy ERP společností.

Produkty stopované v dodavatelském řetězci s ambientním IoT mluví objektivní pravdu, protože produkty jsou ve skutečnosti umístěny tam, kde ambientní IoT říká, že jsou, a když říká, že jsou. A protože ambientní IoT nevyžaduje pracovníky s RFID skenery pro stopování zásilek, lidská chyba může být minimalizována.

Ambientní IoT data popisují přesně trasu a čas, který produkty berou v dodavatelském řetězci. A produkty nesou v svých digitálních cestovních pasech data o stranách a zařízeních zapojených do jejich manipulace. Pokud je to relevantní, ambientní IoT Pixely by mohly přidat k LLM informace o teplotě, vlhkosti a emisích uhlíku na każdém kroku.

Podle EY je jednou z oblastí, ve které společnosti v dodavatelském řetězci zkoumají použití GenAI, regulační a ESG reportování. Nejlepším a nejefektivnějším způsobem sběru obrovských dat, aby GenAI poskytlo kompatibilní informace, je prostřednictvím ambientního IoT.

Od chatbota k automatizaci

Den za dnem existují dva způsoby, jak manželství ambientního IoT a GenAI může prospět dodavatelským řetězcům. První je, že by umožnilo více lidem v dodavatelském řetězci pochopit se vyvíjející situace a podniknout aktivní kroky k optimalizaci nebo opravě operací dodavatelského řetězce. Nemusíte být analytikem dat nebo specialistou na nákup, abyste se zeptali GenAI chatbota na stav zásilek nebo dotázali se na alternativních dodavatelů, ačkoli společnosti budou i nadále potřebovat odborníky na data, aby zajistili, že LLM a GenAI nástroje se vyvinou, aby poskytly užitečné výsledky. Ale demokratizace analýzy a dotazů dodavatelského řetězce by mohla umožnit rychlé rozhodování potřebné k úspěchu.

Druhý, GenAI a další AI nástroje mohou pomoci postavit most k větší automatizaci dodavatelského řetězce. Prostřednictvím učení se z velkých datových sad, včetně ambientního IoT generovaných dat dodavatelského řetězce.

Dělají to tak, že se učí z velkých datových sad, včetně ambientního IoT generovaných dat dodavatelského řetězce.

Jak jsme se v posledních letech naučili, komplexní dodavatelské řetězce existují na ostří nože. Několik menších faktorů může je uvrhnout do chaosu. Umělá inteligence bude kritická pro prevenci budoucího chaosu. Ale aby se tam dostaly, dodavatelské řetězce potřebují odemknout data pro věci, které nemohou目前 vidět. Ambientní IoT dodává viditelná data, na kterých budou postaveny zítřejší inovace GenAI.