Sulten efter data: Hvordan Supply Chain AI kan nå sit inflection point

Kunstig intelligens (AI) i forsyningskæder er en høne-eller-æg-sag. Der er de, der prisar AI for dens potentiale til at skabe større indsigt i forsyningskædeoperationer. Med andre ord, AI først, indsigt anden.

Hvilket måske var sandt, da omfattende, realtidsforsyningskædeindsigt ikke kunne opnås på andre måder. Men transformerende forsyningskæde-AI – herunder kraftfuld generativ AI, som skaber nye indsighter, resultater, processer og effektivitet fra massive datasæt – kræver, at vi vender ligningen på hovedet. Indsigt først, efterfulgt af GenAI-dreven innovation i hele forsyningskæden.

Forestil dig en regional detailhandler, distributør, fabrikant eller inkøbschef, der vågner op på en mandag, starter en velkendt AI-chatbot (måske endda stemmeaktiveret) og spørger på naturlig sprog, om deres forsyningskæde er optimeret til ugen. Og hvis den ikke er, spørger, hvordan forsyningskæden kan justeres for at opfylde deres mål. GenAI gør det muligt at interagere med forsyningskædesystemer.

Men den eneste måde, en GenAI-baseret forsyningskædeløsning kan levere sådanne svar automatisk, er hvis den kender status, placering, tilstand, bevægelse osv. af hver vare, æske, kasse, palle osv. i forsyningskæden. Og den eneste måde, den kan vide det, er hvis varene selv kan kommunikere informationen uden menneskelig indgriben. I dag kan de gøre det gennem en almindelig synlighedsplatform kaldet den omgivende internet of things (IoT).

GenAI i forsyningskæden

Det globale konsulentfirma Ernst & Young estimerer, at 40 procent af forsyningskædeselskaber investerer i GenAI. De har brugt GenAI til at kortlægge komplekse forsyningsnetværk, køre “hvad-hvis”-scenarier, forudsige opstrøms og nedstrømsforsyning, udvikle chatbots, så partnere kan få svar mere let, og endda generere nye kontrakter baseret på tidligere eller eksisterende aftaler.

I sådanne tilfælde træner virksomheder AI-modeller på deres egen historiske data og det, de kan udlede fra partnere. Så beder de GenAI om at finde måder at øge effektiviteten på. Men som EY-analytikere siger, “GenAI-værktøjer er kun så kraftfulde som deres inputdata, så de er begrænsede af datakvaliteten og -tilgængeligheden fra forsyningskædepartnere.”

Den hellige gral for forsyningskæde-AI er dog at generere nye ruter, processer, produkt-design og leverandør-lister baseret på realtidsdata – og at gøre det så hurtigt som muligt (hurtigere end menneskeligt muligt). Eller som en direktør fortalte Harvard Business Review, “Når der er en forsyningskædekrise, 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, at GenAI-løsninger trænes på langt mere – og mere aktuel – data om faktiske forsyningskædeoperationer. Indtast den omgivende IoT.

Ambient IoT: Sprog for forsyningskæder

Med ambient IoT bærer produkter, emballage og steder digitale signaturer, som er forsyningskædens sprog for realtids-synlighed, der til sidst kommer ind i de store sprogmodeller (LLM’er), der er grundlaget for GenAI. Disse signaturer bæres via IoT-Pixels, selvdrivende, stemple-størrelse elektroniske mærker, der er fastgjort til alt i forsyningskæden, der har brug for sporing og overvågning. IoT-Pixels inkluderer deres egen beregningskraft, sensorer og Bluetooth-kommunikation, hvilket giver produkter og emballage mulighed for at beskrive deres rejse gennem forsyningskæden i data-termer, som LLM’er kan forbruge. Til sidst repræsenterer de en bro mellem den fysiske og digitale verden, der for første gang giver adgang til forsyningskæde-data, der kan faktisk vise, forudsige og optimere operationer.

Ambient IoT-Pixels kommunikerer data via en etableret mesh af eksisterende trådløse enheder, såsom smartphones og trådløse accesspunkter, eller via let udviklede, standardiserede broer og porte, der er installeret i butikker, lagerhuse, leveringslastbiler og mere. Faktisk kan ambient IoT-Pixels, med de rette tilladelser og beskyttelse af personlige oplysninger, udvide forsyningskædesynligheden helt til forbrugeren, kommunikere data om produktbrug, genbrug og genanvendelse, og danne grundlag for mere avancerede GenAI-modeller.

Og de sender data kontinuerligt. I modsætning til forsyningskæde-poster, der bruges til at træne GenAI-modeller i dag, beskriver ambient IoT-data forsyningskæden lige nu. Med denne synlighed er alt, der er tilbage, at implementere GenAI for at svare for os, “Hvad ser jeg i min forsyningskæde, lige nu?”

Realtids-synlighed og ambient IoT-data-generering i hele forsyningskæden kunne endda hjælpe med at løse en af udfordringerne med GenAI: at data, der bruges til at træne LLM’er, nødvendigvis afspejler ufrivillige data-forvrængninger fra deres genereringskilder, der ofte inkluderer virksomheders forskellige ERP-systemer.

Produkter, der spores gennem forsyningskæden med ambient IoT, taler objektiv sandhed, fordi produkter faktisk er placeret, hvor ambient IoT siger, de er, og når det siger, de er. Og fordi ambient IoT ikke kræver arbejdere med RFID-scannere for at spore forsendelser, kan menneskeligt fejl minimiseres.

Ambient IoT-data beskriver nøjagtigt den rute og tid, produkter tager i forsyningskæden. Og produkterne bærer i deres digitale produkt-pas data om de parter og faciliteter, der er involveret i deres behandling. Hvis det er relevant, kan ambient IoT-Pixels tilføje information til en LLM om temperatur, fugtighed og kulstofemissioner på hver enkelt trin.

Ifølge EY er et område, hvor forsyningskæde-virksomheder undersøger brugen af GenAI, regulativ og ESG-rapportering. Den bedste og mest kosteffektive måde at indsamle store mængder data, så GenAI giver compliant information, er gennem ambient IoT.

Fra Chatbot til Automatisering

Dag-til-dag er der to måder, en ægteskab mellem ambient IoT og GenAI kunne gavne forsyningskæder. Først ville det give flere mennesker i forsyningskæden mulighed for at forstå udviklende situationer og tage aktive skridt for at optimere eller korrigere forsyningskædeoperationer. Du behøver ikke at være en data-analytiker eller inkøbs-specialist for at spørge en GenAI-chatbot om status for forsendelser eller spørge om alternative leverandører, selvom virksomheder vil fortsat have brug for data-eksperter for at sikre, at LLM’er og GenAI-værktøjer udvikler sig for at give nyttige resultater. Men demokratiseringen af forsyningskæde-analyse og forespørgsel kunne muliggøre den hurtige beslutningstagning, der er nødvendig for at være konkurrencedygtig.

Anden, GenAI og andre AI-værktøjer kan hjælpe med at bygge en bro mod større forsyningskæde-automatisering. Gennem maskinlæring, specifikt forstærkning-læring, der ofte findes i kontrolsystemer, kan software trænes til at træffe beslutninger, der giver bedre resultater. Til sidst kan de trænes til at detectere forsyningskæde-forstyrrelser, før de sker, og automatisk engagere alternative leverandører eller fragtmænd. Eller de kan initiere præventivt vedligehold, ved at bestemme, om visse lager- eller fabriks-systemer eller -linjer kan fejle.

De gør det ved at lære af store datasæt, herunder ambient IoT-genereret forsyningskæde-data.

Som vi har lært i de seneste år, eksisterer komplekse forsyningskæder på en knivsæg. Et par mindre faktorer kan kaste dem ud i kaos. Kunstig intelligens vil være afgørende for at undgå fremtidig kaos. Men for at komme dertil har forsyningskæder brug for at låse op data for ting, de ikke kan se i øjeblikket. Ambient IoT leverer synligheds-data, som morgendagens GenAI-innovationer vil bygges på.