Rollen af ​​generativ AI i forsyningskæder

Ligesom forsyningskædeforstyrrelser blev det hyppige emne for bestyrelsesdiskussioner i 2020, blev Generativ AI hurtigt det varme emne i 2023. Når alt kommer til alt nåede OpenAI's ChatGPT 100 millioner brugere i de første to måneder, hvilket gør det til den hurtigst voksende anvendelse af forbrugerapplikationer i historien.

Forsyningskæder er til en vis grad velegnede til anvendelser af generativ AI, da de fungerer på og genererer enorme mængder data. Variationen og mængden af ​​data og de forskellige typer data tilføjer yderligere kompleksitet til et ekstremt komplekst problem i den virkelige verden: hvordan man optimerer forsyningskædens ydeevne. Og selvom use cases for generativ AI i forsyningskæder er ekspansive – herunder øget automatisering, efterspørgselsprognose, ordrebehandling og sporing, forudsigelig vedligeholdelse af maskiner, risikostyring, leverandørstyring og mere – anvender mange også til prædiktiv AI og er allerede blevet taget i brug. og indsat i skala.

Dette stykke skitserer et par brugssager, der er særligt velegnede til generativ AI i forsyningskæder og giver nogle advarsler, som forsyningskædeledere bør overveje, før de foretager en investering.

Assisteret beslutningstagning

Hovedformålet med AI og ML i forsyningskæder er at lette beslutningsprocessen, hvilket giver løftet om øget hastighed og kvalitet. Prædiktiv AI gør dette ved at levere forudsigelser og prognoser, der er mere nøjagtige, opdage nye mønstre, der endnu ikke er identificeret, og bruge meget store mængder af relevante data. Generativ AI kan tage dette et skridt videre ved at understøtte forskellige funktionelle områder af supply chain management. For eksempel kan forsyningskædeledere bruge generative AI-modeller til at stille opklarende spørgsmål, anmode om yderligere data, bedre forstå indflydelsesfaktorer og se den historiske præstation af beslutninger i lignende scenarier. Kort sagt gør generativ AI den due diligence-proces, der går forud for beslutningstagning, betydeligt hurtigere og nemmere for brugeren.

Baseret på underliggende data og modeller kan generativ AI desuden analysere store mængder strukturerede og ustrukturerede data, automatisk generere forskellige scenarier og give anbefalinger baseret på de præsenterede muligheder. Dette reducerer markant det ikke-værdiskabende arbejde, som supply chain managers udfører i øjeblikket, og giver dem mulighed for at bruge mere tid på at tage datadrevne beslutninger og reagere hurtigere på markedsskift.

En (mulig) løsning på mangel på talent i Supply Chain Management

I løbet af de sidste par år har virksomheder lidt af mangel på talent i forsyningskæden på grund af planlæggerudbrændthed, nedslidning og en stejl indlæringskurve for nyansættelser på grund af jobfunktionens komplekse karakter. Generative AI-modeller kan tunes til virksomheders standarddriftsprocedurer, forretningsprocesser, arbejdsgange og softwaredokumentation og kan derefter svare på brugerforespørgsler med kontekstualiseret og relevant information. Den samtalebrugergrænseflade, der almindeligvis forbindes med generativ AI, gør det betydeligt lettere at interagere med et supportsystem og giver mulighed for at forfine forespørgslen, hvilket yderligere accelererer den tid, det tager at finde den rigtige information.

Kombination af et generativt AI-baseret lærings- og udviklingssystem med generativ AI-drevet assisteret beslutningstagning kan hjælpe med at fremskynde løsningen af ​​forskellige forandringsledelsesproblemer. Det kan også fremskynde oprykningen af ​​nye medarbejdere ved at reducere uddannelsestiden og kravene til erhvervserfaring. Endnu vigtigere, generativ AI kan styrke mennesker med handicap ved at styrke kommunikationen, forbedre kognition, læse- og skrivehjælp, give personlig organisering og understøtte løbende læring og udvikling.

Mens nogle frygter, at generativ kunstig intelligens vil føre til tab af arbejdspladser i løbet af de kommende år, tror andre, det vil øge arbejdet ved at fjerne gentagne opgaver og give plads til mere strategiske. I mellemtiden forventes det at løse nutidens kroniske forsyningskæde og mangel på digitale talenter. Derfor er det vigtigt at lære at arbejde med teknologien.

Opbygning af den digitale forsyningskædemodel

Forsyningskæder skal være modstandsdygtige og smidige, hvilket kræver synlighed på tværs af virksomheder. Forsyningskæden skal "kende" hele netværket for synlighed. Det er dog ofte uoverkommeligt at udbygge den digitale model for hele n-tier supply chain-netværket. Store virksomheder har data spredt over snesevis eller hundredvis af systemer, med de fleste store virksomheder administrerer mere end 500 applikationer samtidigt på tværs af ERP'er, CRM'er, PLM'er, Procurement & Sourcing, Planning, WMS, TMS og mere. Med al denne kompleksitet og fragmentering er det ekstremt vanskeligt logisk at bringe disse forskellige data sammen. Dette forværres, når organisationer ser ud over de første- eller andenrangsleverandører, hvor det er usandsynligt at indsamle data i et struktureret format.

Generative AI-modeller kan behandle enorme mængder data, herunder strukturerede (stamdata, transaktionsdata, EDI'er) og ustrukturerede data (kontrakter, fakturaer, billedscanninger), for at identificere mønstre og kontekst med begrænset forbehandling af data. Fordi generative AI-modeller lærer af mønstre og bruger sandsynlighedsberegninger (med en vis menneskelig indgriben) til at forudsige det næste logiske output, kan de skabe en mere sand digital model af n-tier forsyningsnetværket – hurtigere og i skala – og optimere inter- og intra -virksomhedssamarbejde og synlighed. Denne n-tier model kan yderligere beriges for at understøtte ESG-initiativer, herunder, men ikke begrænset til, identifikation af konfliktmineraler, brug af miljøfølsomme ressourcer eller områder, beregning af COXNUMX-emissioner fra produkter og processer og mere.

Selvom generativ AI giver en betydelig mulighed for forsyningskædeledere til at være innovative og skabe en strategisk fordel, er der visse bekymringer og risici at overveje.

Din forsyningskæde er unik

Generel brug af generativ AI, som ChatGPT eller Dall-E, har i øjeblikket succes med at løse opgaver, der er bredere, fordi modellerne er trænet på enorme mængder offentligt tilgængelige data. For virkelig at udnytte mulighederne ved generativ AI til virksomhedens forsyningskæde, skal disse modeller finjusteres på de respektive virksomhedsdata og den kontekst, der er specifik for din organisation. Du kan med andre ord ikke bruge en alment trænet model. Datastyringsudfordringerne som datakvalitet, integration og ydeevne, der hæmmer nuværende transformationsprojekter, kan også påvirke generative AI-investeringer, hvilket fører til en tidskrævende og omkostningsfuld øvelse uden den rigtige datastyringsløsning allerede på plads.

Generativ AI er afhængig af forståelse mønstre inden for uddannelsesdataene, og hvis forsyningskædeprofessionelle har lært noget i de sidste tre år, er det, at forsyningskæder fortsat vil stå over for nye risici og hidtil usete muligheder.

Sikkerhed og regler

Det grundlæggende krav for generative AI-modeller er adgang til enorme mængder træningsdata for at forstå mønstre og kontekst. Når det er sagt, kan den menneskelignende grænseflade af generative AI-applikationer føre til brugerefterligning, phishing og andre sikkerhedsproblemer. Mens begrænset adgang til modeltræning kan føre til underperformance af AI, kan ubegrænset adgang til forsyningskædedata føre til informationssikkerhedshændelser, hvor kritiske og følsomme oplysninger gøres tilgængelige for uautoriserede brugere.

Det er også uklart, hvordan forskellige regeringer vil vælge at regulere generativ AI i fremtiden, efterhånden som adoptionen fortsætter med at vokse, og nye anvendelser af generativ AI bliver opdaget. Flere AI-eksperter har udtrykt bekymring over risiko forbundet med AI, og beder regeringer om at sætte gigantiske AI-eksperimenter på pause, indtil teknologiledere og politiske beslutningstagere kan etablere regler og forskrifter for at sikre sikkerheden.

Generativ AI tilbyder en overflod af forbedringsmuligheder for de organisationer, der kan udnytte denne teknologi og skabe en kraftmultiplikator for menneskelig opfindsomhed, kreativitet og beslutningstagning. Når det er sagt, indtil der er modeller, der er trænet og eksplicit designet til forsyningskædebrug, er den bedste måde at komme videre på en afbalanceret tilgang til generative AI-investeringer.

Etablering af ordentlige autoværn vil være forsigtigt for at sikre, at AI tjener et sæt optimerede planer, som hver bruger kan gennemgå og vælge imellem, som er tilpasset forretningsprocesser og -mål. Virksomheder, der kombinerer "business playbooks" med generativ AI, vil være bedst i stand til at øge teams kapacitet til at planlægge, beslutte og udføre, mens de stadig optimerer de ønskede forretningsresultater. Organisationer bør også overveje en stærk business case, sikkerhed for data og brugere og målbare forretningsmål, før de investerer i ny generativ AI-teknologi.