Vernetzen Sie sich mit uns

Vordenker

Hungrig nach Daten: Wie Supply-Chain-KI ihren Wendepunkt erreichen kann

mm

Veröffentlicht

 on

Künstliche Intelligenz (KI) in Lieferketten ist eine Henne-oder-Ei-Sache. Es gibt diejenigen, die KI für ihr Potenzial loben, mehr Transparenz in Lieferkettenabläufen zu schaffen. Mit anderen Worten: KI an erster Stelle, Sichtbarkeit an zweiter Stelle.

Das mag der Fall gewesen sein, als eine umfassende Echtzeittransparenz der Lieferkette sonst nicht möglich war. Aber transformative Supply-Chain-KI – einschließlich der äußerst leistungsstarken generativen KI, die aus riesigen Datenmengen neue Erkenntnisse, Ergebnisse, Prozesse und Effizienzsteigerungen schafft – erfordert, dass wir die Gleichung auf den Kopf stellen. Zuerst Sichtbarkeit, gefolgt von GenAI-gesteuerter Innovation in der gesamten Lieferkette.

Stellen Sie sich einen regionalen Einzelhandelsmanager, Händler, Hersteller oder Beschaffungsbeauftragten vor, der an einem Montag aufwacht, einen vertrauten KI-Chatbot startet (vielleicht sogar sprachaktiviert) und in natürlicher Sprache fragt, ob seine Lieferkette für die Woche optimiert ist. Und wenn nicht, fragen Sie sich, wie die Lieferkette angepasst werden kann, um ihre Ziele zu erreichen. GenAI ermöglicht diese Interaktion mit Lieferkettensystemen.

Eine GenAI-basierte Lieferkettenlösung kann solche Antworten jedoch nur dann automatisch liefern, wenn sie den Status, den Standort, den Zustand, die Bewegung usw. jedes Produkts, jeder Kiste, jedes Kartons, jeder Palette usw. in der Lieferkette kennt. Und das weiß es nur, wenn die Produkte selbst die Informationen automatisch und ohne menschliches Eingreifen übermitteln können. Heute ist dies über eine allgegenwärtige Sichtbarkeitsplattform namens Ambient Internet of Things (IoT) möglich.

GenAI in der Lieferkette

Schätzungen des globalen Beratungsunternehmens Ernst & Young 40 Prozent der Supply-Chain-Unternehmen investieren in GenAI. Sie haben GenAI verwendet, um komplexe Liefernetzwerke abzubilden, „Was-wäre-wenn“-Szenarien durchzuführen, vor- und nachgelagerte Lieferungen vorherzusagen, Chatbots zu entwickeln, damit Partner leichter Antworten erhalten können, und sogar neue Verträge auf der Grundlage früherer oder bestehender Vereinbarungen zu generieren.

In solchen Fällen trainieren Unternehmen KI-Modelle anhand eigener, historischer Daten und dem, was sie von Partnern erhalten können. Dann bitten sie GenAI, Wege zur Effizienzsteigerung zu finden. Aber wie Analysten von EY es ausdrücken: „GenAI-Tools sind nur so leistungsfähig wie ihre Eingabedaten, daher sind sie durch die Qualität und Verfügbarkeit der Daten von Lieferkettenpartnern begrenzt.“

Der Heilige Gral der Supply-Chain-KI besteht jedoch darin, neue Routen, Prozesse, Produktdesigns und Lieferantenlisten auf der Grundlage von Echtzeitdaten zu generieren – und zwar so schnell wie möglich (was schneller ist, als es Menschen möglich wären). Oder als eine Führungskraft Sagte die (Harvard Business Review)„Wenn es zu einer Lieferkettenkrise kommt, liegt der Schlüssel zur Wettbewerbsfähigkeit darin, schneller alternative Lieferanten zu finden als alle anderen, weil alle das Gleiche wollen.“

Dies erfordert die Schulung von GenAI-Lösungen auf wesentlich mehr – und aktuelleren – Daten über tatsächliche Lieferkettenabläufe. Betreten Sie das Umgebungs-IoT.

Ambient IoT: Die Sprache der Lieferketten

Mit Ambient IoT tragen Produkte, Verpackungen und Orte digitale Signaturen, die die Echtzeit-Sichtbarkeitssprache der Lieferkette darstellen und schließlich in die Lieferkette einfließen große Sprachmodelle (LLMs), die die Grundlage von GenAI bilden. Diese Signaturen werden über IoT-Pixel übertragen, energieautarke, briefmarkengroße elektronische Etiketten, die an allem in der Lieferkette angebracht werden, das verfolgt und überwacht werden muss. IoT-Pixel umfassen ihre eigene Rechenleistung, Sensoren und Bluetooth-Kommunikation und ermöglichen es Produkten und Verpackungen, ihren Weg durch die Lieferkette in Datenbegriffen zu beschreiben, die LLMs nutzen können. Letztendlich stellen sie eine Brücke zwischen der physischen und der digitalen Welt dar und stellen erstmals Lieferkettendaten zur Verfügung, mit denen Abläufe tatsächlich angezeigt, vorhergesagt und optimiert werden können.

Ambient-IoT-Pixel kommunizieren Daten über ein etabliertes Netz vorhandener drahtloser Geräte wie Smartphones und drahtlose Zugangspunkte oder über einfach bereitzustellende, handelsübliche, standardisierte Brücken und Gateways, die in Geschäften, Lagerhäusern, Lieferwagen und mehr installiert sind. Tatsächlich können Umgebungs-IoT-Pixel mit den entsprechenden Berechtigungen und Datenschutzmaßnahmen die Sichtbarkeit der Lieferkette bis zum Verbraucher erweitern, indem sie Daten über Produktnutzung, Wiederverwendung und Recycling übermitteln und so die Grundlage für fortschrittlichere GenAI-Modelle bilden.

Und sie senden kontinuierlich Daten. Im Gegensatz zu den Lieferkettendatensätzen, die heute zum Trainieren von GenAI-Modellen verwendet werden, beschreiben Umgebungs-IoT-Daten die Lieferkette jetzt sofort. Mit dieser Transparenz müssen wir nur noch GenAI implementieren, um für uns zu antworten: „Was sehe ich in meiner Lieferkette?“ jetzt sofort? "

Echtzeittransparenz und Umgebungs-IoT-Datengenerierung in der gesamten Lieferkette könnten sogar dazu beitragen, eine der Herausforderungen von GenAI zu bewältigen: dass die zum Training von LLMs verwendeten Daten zwangsläufig unbeabsichtigte Datenverzerrungen aus ihren Generierungsquellen widerspiegeln, zu denen häufig die verschiedenen ERP-Systeme von Unternehmen gehören.

Produkte, die mit Ambient IoT durch die Lieferkette verfolgt werden, sagen die objektive Wahrheit aus, denn Produkte befinden sich tatsächlich dort, wo das Ambient IoT sagt, dass sie dort sind, wenn es sagt, dass sie dort sind. Und da bei Ambient IoT keine Mitarbeiter mit RFID-Scannern zur Sendungsverfolgung erforderlich sind, können menschliche Fehler minimiert werden.

Ambient-IoT-Daten beschreiben genau den Weg und die Zeit, die Produkte in der Lieferkette benötigen. Und die Produkte tragen in ihren digitalen Produktpässen Daten über die an der Handhabung beteiligten Parteien und Einrichtungen. Gegebenenfalls könnten Umgebungs-IoT-Pixel einem LLM bei jedem Schritt Informationen über Temperatur, Luftfeuchtigkeit und Kohlenstoffemissionen hinzufügen.

Laut EY ist ein Bereich, in dem Supply-Chain-Unternehmen den Einsatz von GenAI erforschen, die Regulierungs- und ESG-Berichterstattung. Die beste und kostengünstigste Möglichkeit, umfangreiche Daten zu sammeln, damit GenAI konforme Informationen liefert, ist das Umgebungs-IoT.

Vom Chatbot zur Automatisierung

Im Alltag gibt es zwei Möglichkeiten, wie eine Verbindung von Umgebungs-IoT und GenAI den Lieferketten zugute kommen könnte. Erstens würde es mehr Menschen in der Lieferkette ermöglichen, sich entwickelnde Situationen zu verstehen und aktive Schritte zur Optimierung oder Korrektur von Lieferkettenabläufen zu unternehmen. Sie müssen kein Datenanalyst oder Beschaffungsspezialist sein, um einen GenAI-Chatbot nach dem Status von Sendungen zu fragen oder alternative Lieferanten anzufragen. Unternehmen benötigen jedoch weiterhin Datenexperten, um sicherzustellen, dass sich die LLMs und GenAI-Tools weiterentwickeln, um nützliche Ergebnisse zu liefern. Aber die Demokratisierung der Lieferkettenanalyse und -befragung könnte die schnelle Entscheidungsfindung ermöglichen, die für die Wettbewerbsfähigkeit erforderlich ist.

Zweitens können GenAI und andere KI-Tools dazu beitragen, eine Brücke zu einer stärkeren Automatisierung der Lieferkette zu schlagen. Durch maschinelles Lernen, insbesondere Reinforcement Learning, das häufig in Steuerungssystemen zu finden ist, kann Software trainiert werden, Entscheidungen zu treffen, die zu besseren Ergebnissen führen. Schließlich könnten sie beispielsweise darin geschult werden, Unterbrechungen in der Lieferkette zu erkennen, bevor sie auftreten, und automatisch alternative Lieferanten oder Verlader zu engagieren. Oder sie können eine vorausschauende Wartung einleiten, indem sie feststellen, ob bestimmte Lager- oder Fertigungssysteme oder -linien ausfallen könnten.

Sie tun dies, indem sie aus großen Datensätzen lernen, einschließlich Umgebungs-IoT-generierter Lieferkettendaten.

Wie wir in den letzten Jahren gelernt haben, stehen komplexe Lieferketten auf Messers Schneide. Ein paar kleine Faktoren können sie ins Chaos stürzen. Künstliche Intelligenz wird entscheidend sein, um künftiges Chaos zu vermeiden. Doch um dorthin zu gelangen, müssen Lieferketten Daten für Dinge freigeben, die sie derzeit nicht sehen können. Ambient IoT liefert die Sichtbarkeitsdaten, auf denen die GenAI-Innovationen von morgen aufbauen werden.

Ohad Silbert, Ph.D., ist Direktor für Datenwissenschaft bei Willot, wo er die Data-Science-Entwicklung leitet, einschließlich der Erstellung von Data-Science-KI-Modellen, die das Umgebungs-IoT und die daraus abgeleiteten Datenerkenntnisse zur Lieferkette verbinden. Vor seiner Tätigkeit bei Wiliot leitete Ohad eine KI-Gruppe in der Medizinbranche und entwickelte Computer-Vision- und Sprachmodelle.