Loop Συλλέγει 95 Εκατομμύρια Δολάρια Σειράς C για την Επέκταση της Πλατφόρμας AI σε Όλο το Λογιστικό Σύστημα

Loop έχει συλλέξει $95 εκατομμύρια σε χρηματοδότηση Σειράς C, με ηγεσία από Valor Equity Partners και το Valor Atreides AI Fund, καθώς εργάζεται για την κλιμάκωση της πλατφόρμας AI σε όλο το λογιστικό, τις χρηματοοικονομικές και τις ευρύτερες επιχειρησιακές λειτουργίες της αλυσίδας εφοδιασμού. Η στροφή περιελάμβανε επίσης τη συμμετοχή από 8VC, Founders Fund, Index Ventures, J.P. Morgan Growth Equity Partners, και Tao Capital Partners.

Η αύξηση έρχεται σε μια στιγμή που οι αλυσίδες εφοδιασμού βρίσκονται υπό αυξανόμενη πίεση από τις μεταβαλλόμενες δυναμικές του εμπορίου, τις αυξανόμενες κόστους και την αυξανόμενη πολυπλοκότητα των παγκόσμιων επιχειρήσεων. Για πολλές επιχειρήσεις, το υποκείμενο ζήτημα δεν είναι η έλλειψη εργαλείων, αλλά η απουσία μιας συνεχούς, αξιόπιστης βάσης δεδομένων σε όλα τα συστήματα.

Γιατί οι Αλυσίδες Εφοδιασμού Παραμένουν Ένα από τα Πιο Σκληρά Προβλήματα του AI

Οι αλυσίδες εφοδιασμού είναι εγγενώς θραυσματικές. Κρίσιμα δεδομένα διασκορπίζονται σε τιμολόγια, εγγραφές αποστολής, συμβάσεις και πολλαπλά επιχειρησιακά συστήματα που σπάνια επικοινωνούν καθαρά μεταξύ τους. Ακόμη και οι καθημερινές διαδικασίες όπως η συμφωνία ή η ανάλυση κόστους συχνά εξαρτώνται από χειροκίνητη παρέμβαση.

Αυτό δημιουργεί μια δομική πρόκληση για την ανάπτυξη του AI. Τα περισσότερα μοντέλα βασίζονται σε δομημένα, υψηλής ποιότητας εισόδους, ωστόσο τα δεδομένα της αλυσίδας εφοδιασμού είναι συχνά ασυνεπή,δενπλήρη ή κλειδωμένα μέσα σε παλιά υποδομή. Ως αποτέλεσμα, ακόμη και καλά σχεδιασμένα συστήματα AI δυσκολεύονται να λειτουργούν αποτελεσματικά σε πραγματικές περιβάλλοντες λογιστικής.

Κατασκευή ενός Συστήματος Νοημοσύνης από Αποσυνδεδεμένα Δεδομένα

Η προσέγγιση της Loop κεντρίζεται στην μετατροπή αυτών των θραυσματικών δεδομένων σε ένα ενοποιημένο σύστημα που μπορεί να υποστηρίξει τόσο την αυτοματοποίηση όσο και τη λήψη αποφάσεων.

Αντί να λειτουργεί ως ένα αυτόνομο επίπεδο ανάλυσης, η πλατφόρμα καταναλώνει επιχειρησιακά και χρηματοοικονομικά δεδομένα από όλες τις ροές εργασιών του λογιστικού, τα τυποποιεί και εφαρμόζει μοντέλα ειδικών τομέων για να ερμηνεύσει τις σχέσεις μεταξύ αποστολών, κοστών και προμηθευτών. Αυτό επιτρέπει στις επιχειρήσεις να μετατοπιστούν από απομονωμένα σημεία δεδομένων σε μια πιο πλήρη επιχειρησιακή εικόνα.

Ένα κρίσιμο σημείο αυτής της αρχιτεκτονικής είναι η ικανότητα να χειρίζεται πολλαπλά μορφή δεδομένων ταυτόχρονα. Έγγραφα, δομημένα δεδομένα συστήματος και ημι-δομημένα αρχεία επεξεργάζονται όλα μέσα στην ίδια διαδικασία, επιτρέποντας ευρύτερη ορατότητα σε προηγουμένως αποσυνδεδεμένα συστήματα.

Ο Ρόλος του DUX: Μοντέλα Κατασκευασμένα για την Πραγματικότητα του Λογιστικού

Στο κέντρο της πλατφόρμας βρίσκεται το DUX, μια οικογένεια μοντέλων και πρακτόρων που σχεδιάστηκαν ειδικά για περιβάλλοντα αλυσίδας εφοδιασμού.

Αυτά τα μοντέλα συνδυάζουν την κατανόηση εγγράφων, την επεξεργασία δομημένων δεδομένων και την ειδική λογική. Αυτό τους επιτρέπει να ερμηνεύουν σύνθετα δεδομένα λογιστικού, όπως τιμολόγια και έγγραφα αποστολής, διατηρώντας παράλληλα την ευαισθησία του ευρύτερου επιχειρησιακού πλαισίου.

Το DUX σχεδιάστηκε επίσης για να λάβει δράση, όχι μόνο για να παράγει πληροφορίες. Σύνδεοντας την ερμηνεία με την εκτέλεση, το σύστημα μπορεί να αυτοματοποιήσει ροές εργασιών όπως η είσπραξη, η συμφωνία και η κατανομή κοστών, μειώνοντας την εξάρτηση από χειροκίνητες διαδικασίες που έχουν ιστορικά κυριαρχήσει στον τομέα.

Από τον Έλεγχο Φορτίου στη Πλήρη Νοημοσύνη Αλυσίδας Εφοδιασμού

Η πλατφόρμα της Loop εξελίχθηκε από μια αρχική εστίαση στον έλεγχο φορτίου και την πληρωμή, μια περιοχή όπου η θραυσματικότητα των δεδομένων και η οικονομική επίδραση είναι ιδιαίτεραεξέχουσα.

Η έναρξη σε αυτό το πεδίο παρείχε πρόσβαση σε υψηλής αξίας επιχειρησιακά δεδομένα και επέτρεψε στην εταιρεία να κατασκευάσει συστήματα ικανά να χειρίζονται πραγματική πολυπλοκότητα. Από εκεί, η πλατφόρμα επεκτάθηκε σε γειτονικές περιοχές όπως η προμήθεια, η διαχείριση προμηθευτών, η συμμόρφωση και οι επιχειρήσεις αποθήκης.

Αυτή η εξέλιξη αντανακλά ένα ευρύτερο μοτίβο στην επιχειρηματική AI, όπου η λύση ενός στενού αλλά κρίσιμου προβλήματος δημιουργεί τις βάσεις για επέκταση σε ένα ευρύτερο επιχειρησιακό επίπεδο.

Η Ευρύτερη Μετατόπιση Προς Λειτουργικά Συστήματα AI

Τεχνολογίες όπως η Loop δείχνουν μια μετατόπιση στο πώς το AI εφαρμόζεται μέσα στις επιχειρήσεις. Αντί να χρησιμοποιείται κυρίως για ανάλυση ή αναφορά, τα συστήματα AI ενσωματώνονται ολοένα και περισσότερο άμεσα στις επιχειρησιακές ροές εργασιών.

Στις αλυσίδες εφοδιασμού, αυτό θα μπορούσε να σημαίνει συνεχής συμφωνία οικονομικών και επιχειρησιακών δεδομένων, αυτοματοποιημένη ανίχνευση ανεπαρκειών και ταχύτερες προσαρμογές σε μεταβαλλόμενες συνθήκες. Με τον καιρό, αυτό το είδος συστήματος μπορεί να μειώσει την εξάρτηση από περιοδικούς κύκλους αναφοράς και να αντικαταστήσει αυτούς με πιο συνεχείς, πραγματικούς διαδικασίες λήψης αποφάσεων.

Ταυτόχρονα, η αποτελεσματικότητα αυτών των συστημάτων θα εξαρτηθεί σε μεγάλο βαθμό από την ποιότητα των δεδομένων, την ολοκλήρωση του συστήματος και την ικανότητα να λειτουργούν αξιόπιστα σε eine ευρεία γκάμα σεναρίων. Οι αλυσίδες εφοδιασμού είναι δυναμικά περιβάλλοντα, και η διατήρηση της ακρίβειας σε κλίμακα παραμένει một σημαντική τεχνική πρόκληση.

Τι Αυτό Σημαίνει για την Υποδομή των Επιχειρήσεων

Η επέκταση πλατφόρμων όπως η Loop υποδηλώνει μια σταδιακή μετατόπιση στην αρχιτεκτονική των επιχειρήσεων. Παραδοσιακά συστήματα όπως τα ERP, TMS και WMS σχεδιάστηκαν κυρίως για τη διατήρηση εγγραφών και τη διεκπεραίωση συναλλαγών. Τα στρώματα AI αρχίζουν να τοποθετούνται πάνω από αυτά τα συστήματα, μετατρέποντας στατικές εγγραφές σε ενεργές εισόδους για τη λήψη αποφάσεων.

Εάν αυτό το μοντέλο συνεχίσει να αναπτύσσεται, θα μπορούσε να οδηγήσει σε ένα πιο ενοποιημένο επιχειρησιακό επίπεδο όπου τα οικονομικά και τα λογιστικά δεδομένα δεν αντιμετωπίζονται πλέον ξεχωριστά. Αντίθετα, γίνονται μέρος ενός ενιαίου συστήματος που συνεχώς ενημερώνει, συμφωνεί και ενημερώνει τις επιχειρηματικές αποφάσεις.

Ωστόσο, η μετάβαση είναι απίθανο να είναι ομοιόμορφη. Πολλές οργανώσεις εξακολουθούν να βασίζονται σε βαθιά εδραιωμένα παλιά συστήματα, και η ενσωμάτωση του AI σε αυτά τα περιβάλλοντα εισάγει τόσο τεχνική όσο και οργανωτική πολυπλοκότητα. Το ρυθμό της υιοθέτησης θα εξαρτηθεί πιθανότατα από το πόσο αποτελεσματικά οι εταιρείες μπορούν να μοντερνοποιήσουν την υποδομή δεδομένων τους διατηρώντας παράλληλα την επιχειρησιακή σταθερότητα.