Πεινασμένοι για Δεδομένα: Πώς το AI της Αλυσίδας Εφοδιασμού Μπορεί να Φτάσει στο Σημείο Εξέλιξης

Η τεχνητή νοημοσύνη (AI) στις αλυσίδες εφοδιασμού είναι ένα ζήτημα «ο gàλας ή το αυγό». Υπάρχουν εκείνοι που επαινούν το AI για την потенότητα του να δημιουργήσει μεγαλύτερη ορατότητα στις επιχειρήσεις της αλυσίδας εφοδιασμού. Με άλλα λόγια, AI πρώτα, ορατότητα δεύτερη.

Ο οποίος μπορεί να ήταν αλήθης όταν η πανταχού παρούσα, πραγματικού χρόνου ορατότητα της αλυσίδας εφοδιασμού δεν ήταν διαθέσιμη με άλλον τρόπο. Nhưng η μεταμορφωτική AI της αλυσίδας εφοδιασμού — συμπεριλαμβανομένης της εξαιρετικά ισχυρής γενετικής AI, η οποία δημιουργεί νέες ερμηνείες, αποτελέσματα, διαδικασίες και αποδοτικότητες από τεράστια σύνολα δεδομένων — απαιτεί να ανατρέψουμε την εξίσωση. Ορατότητα πρώτα, ακολουθούμενη από καινοτομίες GenAI σε ολόκληρη την αλυσίδα εφοδιασμού.

Φανταστείτε έναν περιφερειακό διαχειριστή λιανικής, διανομέα, κατασκευαστή ή υπεύθυνο προμήθειας να ξυπνάει μια Δευτέρα, να ξεκινάει ένα οικείο chatbot AI (ίσως ακόμη και με φωνητική ενεργοποίηση) και να ρωτάει με φυσική γλώσσα αν η αλυσίδα εφοδιασμού του είναι βελτιστοποιημένη για την εβδομάδα. Και αν δεν είναι, να ρωτάει πώς η αλυσίδα εφοδιασμού μπορεί να điều chỉnhεται για να επιτύχει τους στόχους του. Η GenAI επιτρέπει αυτήν την αλληλεπίδραση με συστήματα αλυσίδας εφοδιασμού.

Αλλά ο唯一 τρόπος με τον οποίο μια λύση αλυσίδας εφοδιασμού με βάση GenAI μπορεί να παραδώσει αυτόματα τέτοιες απαντήσεις είναι αν γνωρίζει την κατάσταση, τη θέση, την κατάσταση, την κίνηση, κ.λπ. κάθε προϊόντος, κουτιού, κ.λπ. στην αλυσίδα εφοδιασμού. Και ο único τρόπος με τον οποίο το γνωρίζει είναι αν τα προϊόντα αυτά μπορούν να επικοινωνούν αυτόματα τις πληροφορίες χωρίς ανθρώπινη παρέμβαση. Σήμερα, μπορούν, μέσω μιας πανταχού παρούσας πλατφόρμας ορατότητας που ονομάζεται ambiente IoT.

GenAI στην Αλυσίδα Εφοδιασμού

Η παγκόσμια εταιρεία συμβούλων Ernst & Young εκτιμά ότι το 40% των εταιρειών αλυσίδας εφοδιασμού επενδύουν σε GenAI. Έχουν χρησιμοποιήσει GenAI για να χαρτογραφήσουν σύνθετες δίκτυα αλυσίδας εφοδιασμού, να εκτελέσουν σενάρια “τι θα γίνει αν”, να προβλέψουν την ανεφοδιασμό και την προμήθεια, να αναπτύξουν chatbots ώστε οι συνεργάτες να λαμβάνουν απαντήσεις πιο εύκολα, και ακόμη και να δημιουργήσουν νέες συμβάσεις με βάση τις προηγούμενες ή τις υφιστάμενες συμφωνίες.

Σε τέτοιες περιπτώσεις, οι εταιρείες εκπαιδεύουν μοντέλα AI με τα δικά τους ιστορικά δεδομένα και ό,τι μπορούν να εξαγάγουν από τους συνεργάτες τους. Τότε ζητούν από την GenAI να βρει τρόπους να αυξήσει την αποδοτικότητα. Αλλά όπως αναφέρουν οι αναλυτές της EY, “Τα εργαλεία GenAI είναι τόσο ισχυρά όσο και τα δεδομένα εισόδου τους, οπότε περιορίζονται από την ποιότητα και τη διαθεσιμότητα των δεδομένων από τους συνεργάτες της αλυσίδας εφοδιασμού”.

Το Άγιο Δισκοπότηρο της AI της αλυσίδας εφοδιασμού, ωστόσο, είναι να δημιουργήσει νέους δρόμους, διαδικασίες, σχεδιασμούς προϊόντων και λίστες προμηθευτών με βάση δεδομένα πραγματικού χρόνου — και να το κάνει όσο το δυνατόν γρηγορότερα (που είναι γρηγορότερα από το ανθρώπινο). Ή όπως ανέφερε ένας εκτελεστής στην Harvard Business Review, “Όταν υπάρχει κρίση αλυσίδας εφοδιασμού, ο κλειδί για να είναι ανταγωνιστικός είναι να είναι γρηγορότερος στο να βρει εναλλακτικούς προμηθευτές από όλους τους άλλους, επειδή όλοι ψάχνουν να κάνουν το ίδιο”.

Αυτό απαιτεί την εκπαίδευση λύσεων GenAI με πολύ περισσότερα — και πιο τρέχοντα — δεδομένα για τις πραγματικές επιχειρήσεις της αλυσίδας εφοδιασμού. Εισάγετε το ambiente IoT.

Ambiente IoT: Η Γλώσσα των Αλυσίδων Εφοδιασμού

Με το ambiente IoT, τα προϊόντα, τα πακέτα και οι τόποι φέρουν ψηφιακές υπογραφές, οι οποίες είναι η γλώσσα ορατότητας της αλυσίδας εφοδιασμού, που τελικά τροφοδοτούν τα μεγάλες μοντέλα γλώσσας (LLMs) που είναι η βάση της GenAI. Αυτές οι υπογραφές μεταφέρονται μέσω IoT Pixels, αυτοδύναμων, αυτοκολλητών ηλεκτρονικών ετικετών που προσαρτώνται σε οτιδήποτε στην αλυσίδα εφοδιασμού που χρειάζεται να αναζητηθεί και να παρακολουθηθεί. Τα IoT Pixels περιλαμβάνουν τη δική τους υπολογιστική ισχύ, αισθητήρες και επικοινωνίες Bluetooth, επιτρέποντας στα προϊόντα και τα πακέτα να περιγράψουν το ταξίδι τους στην αλυσίδα εφοδιασμού με δεδομένα που μπορούν να καταναλωθούν από τα LLMs. Τελικά, αντιπροσωπεύουν μια γέφυρα μεταξύ του φυσικού και του ψηφιακού κόσμου, καθιστώντας διαθέσιμα για πρώτη φορά δεδομένα αλυσίδας εφοδιασμού που μπορούν να δείξουν, να προβλέψουν και να βελτιστοποιήσουν τις επιχειρήσεις.

Τα IoT Pixels του ambiente IoT επικοινωνούν δεδομένα μέσω ενός καθιερωμένου πλέγματος υφιστάμενων ασύρματων συσκευών, όπως κινητά τηλέφωνα και ασύρματοι σημεία πρόσβασης, ή μέσω εύκολα αναπτυσσόμενων, τυποποιημένων γεφυρών και πυλών που εγκαθίστανται σε καταστήματα, αποθήκες, φορτηγά και άλλα. Στην πραγματικότητα, με τις κατάλληλες άδειες και προστασία προσωπικών δεδομένων, τα IoT Pixels του ambiente IoT μπορούν να επεκτείνουν την ορατότητα της αλυσίδας εφοδιασμού μέχρι τον καταναλωτή, επικοινωνώντας δεδομένα σχετικά με τη χρήση, την επανεργοποίηση και την ανακύκλωση προϊόντων, παρέχοντας τη βάση για πιο προηγμένα μοντέλα GenAI.

Και στέλνουν δεδομένα συνεχώς. Σε αντίθεση με τα αρχεία αλυσίδας εφοδιασμού που χρησιμοποιούνται για την εκπαίδευση μοντέλων GenAI σήμερα, τα δεδομένα του ambiente IoT περιγράφουν την αλυσίδα εφοδιασμού τώρα. Με αυτήν την ορατότητα, όλα που μένουν είναι να εφαρμοστούν GenAI για να απαντήσουν για μας, “Τι βλέπω στην αλυσίδα εφοδιασμού μου, τώρα;”

Η ορατότητα πραγματικού χρόνου και η παραγωγή δεδομένων ambiente IoT σε ολόκληρη την αλυσίδα εφοδιασμού θα μπορούσε ακόμη και να βοηθήσει να αντιμετωπιστούν μια από τις προκλήσεις της GenAI: ότι τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των LLMs αναπαρίστανται απρόθετα προκαταλήψεις δεδομένων από τις πηγές τους, οι οποίες συχνά περιλαμβάνουν τα διάφορα συστήματα ERP των εταιρειών.

Τα προϊόντα που ανιχνεύονται στην αλυσίδα εφοδιασμού με ambiente IoT μιλούν αντικειμενική αλήθεια, επειδή τα προϊόντα βρίσκονται εκεί που το ambiente IoT λέει ότι είναι, όταν το λέει. Και επειδή το ambiente IoT δεν απαιτεί εργάτες με σαρωτές RFID για να παρακολουθήσουν τις αποστολές, η ανθρώπινη λάθος μπορεί να ελαχιστοποιηθεί.

Τα δεδομένα του ambiente IoT περιγράφουν ακριβώς τη διαδρομή και το χρόνο που τα προϊόντα παίρνουν στην αλυσίδα εφοδιασμού. Και τα προϊόντα φέρουν στις ψηφιακές τους διαβατήρες δεδομένα σχετικά με τα μέρη και τις εγκαταστάσεις που συμμετέχουν στη διαχείριση τους. Αν ισχύει, τα IoT Pixels του ambiente IoT θα μπορούσαν να προσθέσουν στα LLM πληροφορίες σχετικά με τη θερμοκρασία, την υγρασία και τις εκπομπές άνθρακα σε κάθε βήμα.

Σύμφωνα με την EY, μια περιοχή στην οποία οι εταιρείες αλυσίδας εφοδιασμού εξερευνούν τη χρήση GenAI είναι η ρυθμιστική και η αναφορά ESG. Ο καλύτερος, πιο οικονομικός τρόπος συλλογής τεράστιων δεδομένων, ώστε η GenAI να παράγει συμμορφούμενα δεδομένα, είναι μέσω του ambiente IoT.

Από Chatbot σε Αυτοματοποίηση

Καθημερινά, υπάρχουν δύο τρόποι με τους οποίους ο γάμος του ambiente IoT και της GenAI θα μπορούσε να ωφελήσει τις αλυσίδες εφοδιασμού. Πρώτον, θα επέτρεπε σε περισσότερους ανθρώπους στην αλυσίδα εφοδιασμού να κατανοήσουν τις εξελισσόμενες καταστάσεις και να λάβουν ενεργά μέτρα για να βελτιστοποιήσουν ή να διορθώσουν τις επιχειρήσεις της αλυσίδας εφοδιασμού. Δεν χρειάζεται να είσαι αναλυτής δεδομένων ή ειδικός προμήθειας για να ρωτήσεις ένα chatbot GenAI σχετικά με την κατάσταση των αποστολών ή να ζητήσετε εναλλακτικούς προμηθευτές, αν και οι εταιρείες θα συνεχίσουν να χρειάζονται ειδικούς δεδομένων για να διασφαλίσουν ότι τα LLM και τα εργαλεία GenAI εξελίσσονται για να παράγουν χρήσιμα αποτελέσματα. Αλλά η δημοκρατία της ανάλυσης και της ερώτησης αλυσίδας εφοδιασμού θα μπορούσε να επιτρέψει τη γρήγορη λήψη αποφάσεων που χρειάζονται για να είναι ανταγωνιστικός.

Δεύτερον, η GenAI και άλλα εργαλεία AI μπορούν να βοηθήσουν στην κατασκευή μιας γέφυρας προς μεγαλύτερη αυτοματοποίηση αλυσίδας εφοδιασμού. Μέσω της μάθησης μηχανής, ιδιαίτερα της ενίσχυσης μάθησης που συχνά βρίσκεται σε συστήματα ελέγχου, το λογισμικό μπορεί να εκπαιδευτεί για να λάβει αποφάσεις που οδηγούν σε καλύτερα αποτελέσματα. Τελικά, θα μπορούσαν να εκπαιδευτούν για να ανιχνεύσουν διακοπές αλυσίδας εφοδιασμού πριν συμβούν και να ενεργοποιήσουν αυτόματα εναλλακτικούς προμηθευτές ή μεταφορείς. Ή θα μπορούσαν να ξεκινήσουν προληπτική συντήρηση με την καθοδήγηση εάν某 συστήματα αποθήκης ή γραμμών παραγωγής μπορεί να αποτύχουν.

Κάνουν αυτό μαθαίνοντας από μεγάλα σύνολα δεδομένων, συμπεριλαμβανομένων των δεδομένων αλυσίδας εφοδιασμού που παράγονται από το ambiente IoT.

Όπως μάθαμε τα τελευταία χρόνια, οι σύνθετες αλυσίδες εφοδιασμού υπάρχουν σε μια λεπτή κόψη. Μερικά ελάσσοντα παράγοντες μπορούν να τις οδηγήσουν στο χάος. Η τεχνητή νοημοσύνη θα είναι κρίσιμη για την αποφυγή μελλοντικού χάους. Αλλά για να φτάσουμε εκεί, οι αλυσίδες εφοδιασμού χρειάζεται να ξεκλειδώσουν δεδομένα για πράγματα που δεν μπορούν να δουν τώρα. Το ambiente IoT παρέχει τα δεδομένα ορατότητας που θα χτιστούν οι καινοτομίες GenAI της αύριον.