Hungrer efter data: Hvordan Supply Chain AI kan nå sit vendepunkt

Kunstig intelligens (AI) i forsyningskæder er en kylling-eller-ægget ting. Der er dem, der roser AI for dets potentiale til at skabe større synlighed i forsyningskædens operationer. Med andre ord, AI først, synlighed dernæst.

Hvilket kan have været sandt, da gennemgribende realtidssynlighed i forsyningskæden ellers ikke var opnåelig. Men transformativ forsyningskæde-AI – inklusive enormt kraftfuld generativ AI, som skaber ny indsigt, resultater, processer og effektivitet fra massive datasæt – kræver, at vi vender ligningen på hovedet. Synlighed først, efterfulgt af GenAI-drevet innovation i hele forsyningskæden.

Forestil dig en regional detailchef, distributør, producent eller indkøbsmedarbejder, der vågner på en mandag, lancerer en velkendt AI-chatbot (måske endda stemmeaktiveret) og spørger på naturligt sprog, om deres forsyningskæde er optimeret til ugen. Og hvis det ikke er det, spørger du, hvordan forsyningskæden kan justeres til at opfylde deres mål. GenAI muliggør denne interaktion med forsyningskædesystemer.

Men den eneste måde, en GenAI-baseret forsyningskædeløsning automatisk kan levere sådanne svar på, er, hvis den kender status, placering, tilstand, bevægelse osv. for hvert produkt, kasse, kasse, palle osv. i forsyningskæden. Og den eneste måde, den ved det, er, hvis produkterne selv automatisk kan kommunikere informationen uden menneskelig indgriben. I dag kan de gennem en allestedsnærværende synlighedsplatform kaldet the ambient internet of things (IoT).

GenAI i forsyningskæden

Global konsulentvirksomhed Ernst & Young vurderer, at 40 procent af forsyningskædevirksomhederne investerer i GenAI. De har brugt GenAI til at kortlægge komplekse forsyningsnetværk, køre "hvad hvis"-scenarier, forudsige upstream- og downstream-forsyninger, udvikle chatbots, så partnere lettere kan få svar og endda generere nye kontrakter baseret på tidligere eller eksisterende aftaler.

I sådanne tilfælde træner virksomheder AI-modeller på deres egne, historiske data og hvad de kan hente fra partnere. Så beder de GenAI om at finde måder at øge effektiviteten på. Men som EY-analytikere udtrykker det, "GenAI-værktøjer er kun lige så effektive som deres inputdata, så de er begrænset af kvaliteten og tilgængeligheden af ​​data fra forsyningskædepartnere."

Den hellige gral af forsyningskæden AI er imidlertid at generere nye ruter, processer, produktdesign og leverandørlister baseret på realtidsdata - og at gøre det så hurtigt som muligt (hvilket er hurtigere end menneskeligt muligt). Eller som én direktør fortalte Harvard Business Review, "Når der er en krise i forsyningskæden, er nøglen til at være konkurrencedygtig at være hurtigere til at finde alternative leverandører end alle andre, fordi alle søger at gøre det samme."

Dette kræver træning af GenAI-løsninger i langt flere - og mere aktuelle - data om faktiske forsyningskædeoperationer. Indtast det omgivende IoT.

Ambient IoT: Forsyningskædens sprog

Med omgivende IoT bærer produkter, emballage og steder digitale signaturer, som er forsyningskædens synlighedssprog i realtid, som til sidst føres ind i store sprogmodeller (LLM'er), der er grundlaget for GenAI. Disse signaturer bæres via IoT-pixel, selvdrevne, elektroniske mærker i frimærkestørrelse, der er påsat alt i forsyningskæden, der har brug for sporing og overvågning. IoT-pixel inkluderer deres egen computerkraft, sensorer og Bluetooth-kommunikation, hvilket gør det muligt for produkter og emballage at beskrive deres rejse gennem forsyningskæden i datatermer, som LLM'er kan forbruge. I sidste ende repræsenterer de en bro mellem den fysiske og digitale verden, og gør for første gang tilgængelig forsyningskædedata, der faktisk kan vise, forudsige og optimere driften.

Ambient IoT Pixels kommunikerer data via et etableret mesh af eksisterende trådløse enheder, såsom smartphones og trådløse adgangspunkter, eller gennem let implementerede, hyldevare, standardiserede broer og gateways installeret i butikker, varehuse, varebiler og mere. Faktisk kan omgivende IoT Pixels med de passende tilladelser og beskyttelse af privatlivet udvide forsyningskædens synlighed hele vejen til forbrugeren, kommunikere data om produktbrug, genbrug og genbrug, hvilket beviser grundlaget for mere avancerede GenAI-modeller.

Og de sender data løbende. I modsætning til de forsyningskæderegistreringer, der bruges til at træne GenAI-modeller i dag, beskriver omgivende IoT-data forsyningskæden lige nu. Med denne synlighed er der kun tilbage at implementere GenAI for at svare for os: "Hvad ser jeg i min forsyningskæde, lige nu? "

Synlighed i realtid og omgivende IoT-datagenerering gennem hele forsyningskæden kunne endda hjælpe med at løse en af ​​udfordringerne ved GenAI: at de data, der bruges til at træne LLM'er, nødvendigvis afspejler utilsigtede dataforstyrrelser fra deres genereringskilder, som ofte inkluderer virksomheders forskellige ERP-systemer.

Produkter, der spores gennem forsyningskæden med ambient IoT, taler objektiv sandhed, fordi produkter i virkeligheden er placeret, hvor ambient IoT siger, de er der, når det siger, de er. Og fordi omgivende IoT ikke kræver, at arbejdere med RFID-scannere sporer forsendelser, kan menneskelige fejl minimeres.

Ambient IoT-data beskriver præcis den rute og tid, produkter tager i forsyningskæden. Og produkterne har i deres digitale produktpas data om de parter og faciliteter, der er involveret i deres håndtering. Hvis det er relevant, kan omgivende IoT-pixel tilføje en LLM-information om temperatur, fugtighed og kulstofemissioner hvert trin af vejen.

Ifølge EY er et område, hvor forsyningskædevirksomheder udforsker brugen af ​​GenAI, regulering og ESG-rapportering. Den bedste og mest omkostningseffektive måde at indsamle store data på, så GenAI giver kompatible informationer, er gennem omgivende IoT.

Fra chatbot til automatisering

Dag-til-dag er der to måder, hvorpå en kombination af ambient IoT og GenAI kan gavne forsyningskæderne. For det første ville det give flere mennesker i forsyningskæden mulighed for at forstå udviklingssituationer og tage aktive skridt til at optimere eller korrigere forsyningskædens operationer. Du behøver ikke at være dataanalytiker eller indkøbsspecialist for at spørge en GenAI-chatbot om status for forsendelser eller forespørge efter alternative leverandører, selvom virksomheder fortsat vil have brug for dataeksperter for at sikre, at LLM'erne og GenAI-værktøjerne udvikler sig til at give nyttige resultater. Men demokratiseringen af ​​forsyningskædeanalyse og undersøgelser kunne muliggøre den hurtige beslutningstagning, der er nødvendig for at være konkurrencedygtig.

For det andet kan GenAI og andre AI-værktøjer hjælpe med at bygge en bro mod større forsyningskædeautomatisering. Gennem maskinlæring, specifikt forstærkningslæring, der ofte findes i kontrolsystemer, kan software trænes til at træffe beslutninger, der giver bedre resultater. Til sidst kunne de for eksempel trænes til at opdage forsyningskædeforstyrrelser, før de sker, og automatisk engagere alternative leverandører eller afsendere. Eller de kan starte forudsigende vedligeholdelse ved at afgøre, om visse lager- eller produktionssystemer eller linjer kan svigte.

Det gør de ved at lære af store datasæt, herunder omgivende IoT-genererede forsyningskædedata.

Som vi har erfaret i de seneste år, eksisterer komplekse forsyningskæder på en barberkniv. Et par mindre faktorer kan kaste dem ud i kaos. Kunstig intelligens vil være afgørende for at undgå fremtidigt kaos. Men for at nå dertil skal forsyningskæder låse op for data for ting, de ikke kan se i øjeblikket. Ambient IoT leverer de synlighedsdata, som morgendagens GenAI-innovationer vil blive bygget på.