Role generativního AI v dodavatelských řetězcích

Stejně jako se narušení dodavatelského řetězce stalo častým tématem diskusí ve vedení firem v roce 2020, stal se generativní AI horkým tématem v roce 2023. Všechno začalo, když ChatGPT od OpenAI dosáhl 100 milionů uživatelů během prvních dvou měsíců, čímž se stal nejrychleji rostoucím spotřebitelským aplikacím v historii.

Dodavatelské řetězce jsou do určité míry vhodné pro aplikace generativního AI, protože fungují na základě a generují velké množství dat. Rozmanitost a objem dat a různé typy dat přidávají další složitost již tak komplexnímu reálnému problému: jak optimalizovat výkon dodavatelského řetězce. A zatímco použití generativního AI v dodavatelských řetězcích je rozsáhlé – včetně zvýšené automatizace, předpovědi poptávky, zpracování a sledování objednávek, předpovědní údržby strojů, řízení rizik, řízení dodavatelů a další – mnoho z nich se také vztahuje na prediktivní AI a již bylo přijato a nasazeno v rozsahu.

Tento článek popisuje několik použití, která jsou zvláště vhodná pro generativní AI v dodavatelských řetězcích, a nabízí einige varování, která by měli dodavatelské řetězce lídři zvážit před investicí.

Asistované rozhodování

Hlavním účelem AI a ML v dodavatelských řetězcích je usnadnit rozhodování, nabízející slib zvýšené rychlosti a kvality. Prediktivní AI to dělá poskytováním předpovědí a prognóz, které jsou více přesné, objevováním nových vzorců, které dosud nebyly identifikovány, a používáním velmi velkých objemů relevantních dat. Generativní AI může jít ještě dále tím, že podporuje různé funkční oblasti řízení dodavatelského řetězce. Například manažeři dodavatelského řetězce mohou použít generativní AI modely, aby požádali o další informace, lépe pochopili vlivné faktory a viděli historický výkon rozhodnutí ve stejných scénářích. Stručně řečeno, generativní AI dělá proces due diligence, který předchází rozhodování, významně rychlejším a snadnějším pro uživatele.

Navíc, na základě základních dat a modelů, může generativní AI analyzovat velké množství strukturovaných a nestrukturovaných dat, automaticky generovat různé scénáře a poskytovat doporučení na základě předložených možností. To významně snižuje nevhodnou práci, kterou manažeři dodavatelského řetězce目前 dělají, a umožňuje jim trávit více času rozhodováním na základě dat a reagováním na změny trhu rychleji.

Možné řešení nedostatku talentů v řízení dodavatelského řetězce

V posledních letech trpí podniky nedostatkem talentů v řízení dodavatelského řetězce kvůli vyhoření plánovačů, fluktuaci a strmé křivce učení pro nové zaměstnance kvůli komplexní povaze práce. Generativní AI modely lze naladit na standardní provozní postupy, obchodní procesy, pracovní postupy a software dokumentaci podniků a poté mohou reagovat na dotazy uživatelů s kontextualizovanými a relevantními informacemi. Konverzační uživatelské rozhraní, které je běžně spojeno s generativním AI, dělá významně snadněji interagovat se systémem podpory a umožňuje upřesnit dotaz, dále urychluje čas, který je potřeba k nalezení správných informací.

Kombinace generativního AI založeného na učení a rozvoji se systémem generativního AI pro asistované rozhodování může pomoci urychlit řešení různých problémů souvisejících se změnou. Může také urychlit nástup nových zaměstnanců snížením doby tréninku a požadavků na pracovní zkušenosti. Více důležitější, generativní AI může posílit lidi se zdravotním postižením zlepšením komunikace, kognice, čtení a psaní, poskytováním osobní organizace a podporou kontinuálního učení a rozvoje.

Zatímco někteří se obávají, že generativní AI povede ke ztrátě pracovních míst v nadcházejících letech, jiní si myslí, že to zlepší práci odstraněním opakujících se úkolů a vytvořením prostoru pro strategičtější úkoly. Mezitím se předpokládá, že vyřeší dnešní chronický nedostatek talentů v dodavatelském řetězci a digitálním talantu. Proto je důležité se naučit pracovat s touto technologií.

Stavba digitálního modelu dodavatelského řetězce

Dodavatelské řetězce potřebují být odolné a pružné, což vyžaduje viditelnost napříč podnikem. Dodavatelský řetězec potřebuje “vědět” celou síť pro viditelnost. Nicméně, stavba digitálního modelu celé n-tiérové sítě dodavatelského řetězce je často nákladově neefektivní. Velké podniky mají data rozložená napříč desítkami nebo stovkami systémů, s většinou velkých podniků spravujících více než 500 aplikací současně napříč ERP, CRM, PLM, nákupem a zdrojováním, plánováním, WMS, TMS a dalšími. S touto složitostí a fragmentací je extrémně obtížné logicky spojit tato rozdílná data. To je zhoršeno, když organizace hledají za prvními nebo druhými dodavateli, kde je shromažďování dat ve strukturovaném formátu nepravděpodobné.

Generativní AI modely mohou zpracovat velké množství dat, včetně strukturovaných (master data, transakčních dat, EDI) a nestrukturovaných dat (smluv, faktur, skenů), aby identifikovaly vzorce a kontext s omezenou předzpracováním dat. Protože generativní AI modely se učí z vzorců a používají výpočty pravděpodobnosti (s určitou lidskou intervencí) k předpovědi dalšího logického výstupu, mohou vytvořit pravdivější digitální model n-tiérové sítě dodavatelského řetězce – rychleji a v rozsahu – a optimalizovat mezispolečenskou a vnitrospolečenskou spolupráci a viditelnost. Tento n-tiérový model lze dále obohatit, aby podporoval iniciativy ESG, včetně identifikace konfliktních minerálů, použití environmentálně citlivých zdrojů nebo oblastí, výpočtu emisí uhlíku produktů a procesů a další.

I když generativní AI nabízí významnou příležitost pro lídry dodavatelského řetězce, aby byli inovativní a vytvořili strategickou výhodu, existují určitá rizika a obavy, které je třeba zvážit.

Vaše dodavatelské řetězce jsou jedinečné

Obecné použití generativního AI, jako je ChatGPT nebo Dall-E, je目前 úspěšné v řešení úkolů, které jsou širší povahy, protože modely jsou trénovány na velkém množství veřejně dostupných dat. Aby bylo možné skutečně využít schopnosti generativního AI pro podnikový dodavatelský řetězec, tyto modely musí být upraveny na data a kontext specifické pro vaši organizaci. Jinými slovy, nelze použít obecně trénovaný model. Výzvy spojené se správou dat, jako je kvalita dat, integrace a výkon, které brání současným transformačním projektům, mohou také ovlivnit investice do generativního AI, vedoucí k časově náročné a nákladné činnosti bez správného řešení správy dat.

Generativní AI je závislý na pochopení vzorců ve trénovacích datech a pokud profesionálové v dodavatelském řetězci se naučili něco za posledních tři roky, je to, že dodavatelské řetězce budou nadále čelit novým rizikům a bezprecedentním příležitostem.

Bezpečnost a regulace

Základní požadavky generativních AI modelů je přístup k velkým objemům trénovacích dat, aby pochopily vzorce a kontext. To řečeno, lidsky podobné rozhraní generativních AI aplikací může vést k podvržení identity, phishingu a jiným bezpečnostním obavám. Zatímco omezený přístup k trénovacím modelům může vést k podvýkonu AI, poskytování neomezeného přístupu k datům dodavatelského řetězce může vést k bezpečnostním incidentům, kde citlivé a důvěrné informace jsou zpřístupněny neoprávněným uživatelům.

Je také nejasné, jak vlády budou regulovat generativní AI v budoucnosti, protože adopce pokračuje růst a objevují se nové aplikace generativního AI. Někteří odborníci na AI vyjádřili obavy o riziku, který představuje AI, žádají vlády, aby zastavily gigantické experimenty s AI, dokud technologičtí lídři a politici nemohou stanovit pravidla a regulace, aby zajistili bezpečnost.

Generativní AI nabízí mnoho příležitostí pro zlepšení pro organizace, které mohou využít tuto technologii a vytvořit násobitel lidské originality, kreativity a rozhodování. To řečeno, dokud nebudou modely trénovány a explicitně navrženy pro použití v dodavatelském řetězci, nejlepší způsob, jak postupovat, je vyvážený přístup k investicím do generativního AI.

Stanovení správných ochranných opatření bude moudré, aby se zajistilo, že AI poskytne soubor optimalizovaných plánů pro každého uživatele k přezkumu a výběru, které jsou v souladu s obchodními procesy a cíli. Podniky, které kombinují “obchodní playbooky” s generativním AI, budou nejlépe schopny zvýšit kapacitu týmů pro plánování, rozhodování a provádění, zatímco stále optimalizují požadované obchodní výsledky. Organizace by také měly zvážit silný obchodní případ, bezpečnost dat a uživatelů a měřitelné obchodní cíle před investicí do nové technologie generativního AI.