Η ετοιμότητα για την τεχνητή νοημοσύνη ξεκινά από αξιόπιστα δεδομένα προϊόντων

Οι κατασκευαστές επενδύουν σημαντικά στην τεχνητή νοημοσύνη, σε πρωτοβουλίες για το ψηφιακό νήμα, στον αυτοματισμό και στον εκσυγχρονισμό των επιχειρήσεων, με στόχο τη βελτίωση της παραγωγικότητας και της λήψης αποφάσεων. Μεγάλο μέρος της συζήτησης επικεντρώνεται στα μοντέλα τεχνητής νοημοσύνης, στις υποδομές και στην ενοποίηση. Ωστόσο, πολλοί οργανισμοί παραβλέπουν μια θεμελιώδη προϋπόθεση για αυτές τις προσπάθειες: την εμπιστοσύνη στα υποκείμενα δεδομένα προϊόντων και στους επιχειρηματικούς κανόνες που καθοδηγούν τις λειτουργικές αποφάσεις.

Η πρόκληση δεν είναι απλώς η σύνδεση των συστημάτων, αλλά και η διασφάλιση ότι οι ορισμοί προϊόντων, η λογική διαμόρφωσης και οι επιχειρηματικοί κανόνες που μεταφέρονται μεταξύ τους παραμένουν ακριβείς. Η ετοιμότητα για την τεχνητή νοημοσύνη ξεκινά από την εμπιστοσύνη στα εταιρικά δεδομένα προϊόντων. Ο ψηφιακός μετασχηματισμός δεν αφορά μόνο τη σύνδεση συστημάτων· αφορά και τη διατήρηση του νοήματος και της ακρίβειας των πληροφοριών που διακινούνται μεταξύ τους.

Καθώς οι εταιρείες εκσυγχρονίζουν τα εταιρικά τους συστήματα και συνδέουν τη διαχείριση κύκλου ζωής προϊόντων (PLM), τον προγραμματισμό επιχειρησιακών πόρων (ERP), τις πλατφόρμες διαμόρφωσης, τιμολόγησης και προσφοράς (CPQ) και τις πλατφόρμες εξυπηρέτησης, οι ασυνέπειες στη λογική διαμόρφωσης μπορούν να υπονομεύσουν αθόρυβα την ακρίβεια των επόμενων διαδικασιών και την αποτελεσματικότητα των συστάσεων που βασίζονται στην τεχνητή νοημοσύνη. Χωρίς αξιόπιστη λογική διαμόρφωσης, η τεχνητή νοημοσύνη επιταχύνει τα λάθη αντί να βελτιώνει τις αποφάσεις.

Γιατί η διαμόρφωση προϊόντων αποτελεί το αφανές θεμέλιο

Οι σημερινοί κατασκευαστές βασίζονται όλο και περισσότερο σε ένα διασυνδεδεμένο οικοσύστημα που περιλαμβάνει PLM, ERP, CPQ, μεταποίηση και εξυπηρέτηση. Η διαμόρφωση προϊόντων λειτουργεί ως συνδετικός ιστός, μεταφράζοντας την πρόθεση του μηχανικού σε απαιτήσεις μεταποίησης, πωλήσεων, τιμολόγησης και εξυπηρέτησης.

Κάθε σύστημα έχει διαφορετική εικόνα του προϊόντος: το PLM χρειάζεται τις τεχνικές πληροφορίες και τα στοιχεία σχεδιασμού, η μεταποίηση πρέπει να γνωρίζει τι μπορεί να κατασκευαστεί, ενώ το CPQ χρειάζεται τους κανόνες πώλησης και αγοράς. Η διαμόρφωση είναι αυτή που συνδέει αυτές τις οπτικές. Όταν η υποκείμενη λογική αλλάζει ή γίνεται ασυνεπής, το ψηφιακό νήμα διακόπτεται, ανεξάρτητα από το πόσο καλά είναι ενοποιημένα τα συστήματα.

Οι παλαιοί κανόνες δημιουργούν αθέατους κινδύνους

Τα μοντέλα διαμόρφωσης προϊόντων συχνά αποτυπώνουν γνώσεις που έχουν συσσωρευτεί επί δεκαετίες και ενσωματωθεί σταδιακά: κανονιστικές απαιτήσεις, περιορισμούς μεταποίησης, εξαιρέσεις ανά αγορά και λογική τιμολόγησης. Όσοι δημιούργησαν αρχικά αυτά τα μοντέλα έχουν συχνά αποχωρήσει από την εταιρεία, αφήνοντας τους οργανισμούς με κανόνες που πλέον κανείς δεν κατανοεί πλήρως.

Τα έργα εκσυγχρονισμού των εταιρικών συστημάτων, όπως οι μεταφορές στο SAP S/4HANA, δίνουν συνήθως έμφαση στις εφαρμογές, στις υποδομές και στον προσαρμοσμένο κώδικα, αντιμετωπίζοντας τη λογική διαμόρφωσης ως δευτερεύον ζήτημα. Έτσι προκύπτει ένας κίνδυνος που παραβλέπεται: τα συστήματα μπορεί να μεταφερθούν με επιτυχία, ενώ η συμπεριφορά της διαμόρφωσης αλλάζει με λεπτούς τρόπους που είναι δύσκολο να εντοπιστούν με τις παραδοσιακές δοκιμές.

Οι μεταφορές στο S/4HANA αναδεικνύουν ξεκάθαρα το πρόβλημα, καθώς μια νέα μηχανή διαμόρφωσης μπορεί να ερμηνεύσει διαφορετικά κανόνες που ισχύουν εδώ και καιρό, ακόμη και όταν η σύνταξη είναι πανομοιότυπη. Οι διαφορές στον τρόπο εφαρμογής των προεπιλεγμένων τιμών, στη σειρά με την οποία αξιολογούνται οι περιορισμοί και στον τρόπο επίλυσης των συγκρούσεων μεταξύ κανόνων μπορούν να αλλάξουν τους συνδυασμούς που αποδέχεται ένα μοντέλο, χωρίς να ξαναγραφτεί ούτε μία γραμμή των ίδιων των κανόνων.

Αυτό δεν προκαλεί απλώς σύγχυση· η εσφαλμένη λογική διαμόρφωσης γίνεται επιχειρηματικό πρόβλημα. Υπάρχουν δύο τρόποι αστοχίας και αμφότεροι κοστίζουν ακριβά:

• Μια διαμόρφωση επιτρέπει σε μια εταιρεία να πουλήσει κάτι που στην πραγματικότητα δεν μπορεί να κατασκευάσει, με αποτέλεσμα επανεργασία, αθετημένες δεσμεύσεις και βλάβη στις σχέσεις με τους πελάτες.
• Μια διαμόρφωση εμποδίζει εσφαλμένα μια εταιρεία να πουλήσει κάτι που θα μπορούσε να κατασκευάσει, με αποτέλεσμα απώλεια εσόδων και ενδεχομένως απώλεια ανταγωνιστικού πλεονεκτήματος.

Ο πρώτος τρόπος αστοχίας γίνεται τελικά αντιληπτός στο εργοστάσιο. Ο δεύτερος παραμένει αθέατος· τίποτα στο βιβλίο παραγγελιών δεν καταγράφει μια πώληση που δεν επέτρεψε ποτέ το εργαλείο διαμόρφωσης.

Η επαλήθευση γίνεται στρατηγική ικανότητα

Η παραδοσιακή επικύρωση κατά τη μεταφορά βασίζεται σε μεγάλο βαθμό σε χειροκίνητες δοκιμές και δειγματοληπτικούς ελέγχους, οι οποίοι δεν μπορούν ρεαλιστικά να αξιολογήσουν τον τεράστιο αριθμό πιθανών συνδυασμών προϊόντων. Η επαλήθευση της διαμόρφωσης μετατοπίζει την εστίαση από το αν τα δεδομένα μεταφέρθηκαν επιτυχώς στο αν διατηρήθηκε ακέραιη η επιχειρηματική πρόθεση.

Έχω δει κατασκευαστές να στελεχώνουν ομάδες με αποκλειστικό καθήκον να επιβεβαιώνουν ότι ένα μοντέλο που έχει μεταφερθεί εξακολουθεί να παράγει τους ίδιους έγκυρους συνδυασμούς και να απορρίπτει τους ίδιους μη έγκυρους, απλώς και μόνο επειδή δεν έχουν άλλον τρόπο να το γνωρίζουν. Πρόκειται για λεπτομερή, δαπανηρή και χρονοβόρα εργασία, η οποία, ακόμη κι έτσι, εξετάζει μόνο ένα δείγμα του προβλήματος.

Αξίζει να αποσαφηνίσουμε την κλίμακα του ζητήματος. Ένα μοντέλο με 30 μεταβλητές και πέντε επιλογές για καθεμία επιτρέπει περίπου 10²¹ συνδυασμούς — αριθμό πολύ μεγαλύτερο από τον εκτιμώμενο αριθμό κόκκων άμμου στη Γη — ενώ τα πραγματικά βιομηχανικά μοντέλα είναι πολύ μεγαλύτερα. Όσοι άνθρωποι κι αν κάνουν κλικ σε ένα περιβάλλον εργασίας, δεν μπορούν να καλύψουν όλους αυτούς τους συνδυασμούς· τα μαθηματικά δεν το επιτρέπουν.

Γι’ αυτό έχουν σημασία οι τυπικές μέθοδοι. Αντί να εξετάζεται ένα δείγμα συνδυασμών, ένα μοντέλο διαμόρφωσης μπορεί να μεταγλωττιστεί σε κανονική λογική μορφή: μια συμπαγή μαθηματική αναπαράσταση κάθε έγκυρου συνδυασμού που επιτρέπουν οι κανόνες του. Δύο μοντέλα που έχουν μεταγλωττιστεί με αυτόν τον τρόπο μπορούν να συγκριθούν απευθείας. Είτε περιγράφουν ακριβώς το ίδιο σύνολο έγκυρων προϊόντων είτε η σύγκριση εντοπίζει με ακρίβεια τα σημεία στα οποία διαφέρουν, παραθέτοντας συγκεκριμένα παραδείγματα συνδυασμών που το ένα αποδέχεται και το άλλο απορρίπτει. Η ίδια αναπαράσταση μετατρέπει τη συμπεριφορά κατά την εκτέλεση σε αναζήτηση μέσω καταλόγου και όχι σε διερεύνηση, επιτρέποντας έτσι σε ένα σύστημα διαμόρφωσης να εμφανίζει μόνο έγκυρες επιλογές και να μην οδηγεί ποτέ τον χρήστη σε αδιέξοδο. Η επαλήθευση και η ορθότητα κατά την εκτέλεση αποδεικνύεται ότι είναι η ίδια δυνατότητα, προσεγγισμένη από δύο διαφορετικές κατευθύνσεις.

Οι οργανισμοί χρειάζονται ολοένα και περισσότερο τέτοιου είδους τυπική σύγκριση προτού προσθέσουν τεχνητή νοημοσύνη ή αυτοματοποίηση στους κανόνες των προϊόντων τους. Στόχος δεν είναι απλώς να μειωθεί ο κίνδυνος της μετάβασης, αλλά και να διασφαλιστεί η επιχειρησιακή συνέχεια στους τομείς της μηχανικής, της παραγωγής, των πωλήσεων και της εξυπηρέτησης, καθώς και να αποκτηθεί η δυνατότητα δοκιμής, αποσφαλμάτωσης και επαλήθευσης των μοντέλων διαμόρφωσης πριν από την κυκλοφορία τους και όχι εκ των υστέρων.

Η τεχνητή νοημοσύνη πρέπει να λειτουργεί πάνω από μια ντετερμινιστική μηχανή, όχι να την αντικαθιστά

Τίποτα από αυτά δεν απαιτεί την αντικατάσταση της μηχανής διαμόρφωσης από την τεχνητή νοημοσύνη. Η πιο ανθεκτική προσέγγιση είναι η αντίθετη: η τεχνητή νοημοσύνη παρεμβάλλεται ανάμεσα στον χρήστη και σε μια αυστηρή μηχανή διαμόρφωσης, προσφέροντας μια πιο φυσική εμπειρία καθοδηγούμενης πώλησης ή παροχής συστάσεων, ενώ οι υποκείμενοι κανόνες παραμένουν ντετερμινιστικοί. Το γλωσσικό μοντέλο ερμηνεύει τι ζητά ο πελάτης· η μηχανή αποφασίζει τι μπορεί πράγματι να κατασκευαστεί. Αυτός ο καταμερισμός εργασίας διασφαλίζει ότι το τμήμα της διαδικασίας που πρέπει να είναι αποδεδειγμένα ορθό δεν ανατίθεται σε ένα σύστημα που, εκ σχεδιασμού, λειτουργεί πιθανοκρατικά.

Τα αξιόπιστα δεδομένα είναι το κλειδί για την επιτυχία των προγραμμάτων τεχνητής νοημοσύνης

Η τεχνητή νοημοσύνη μπορεί να παράγει συστάσεις μόνο στον βαθμό που είναι αξιόπιστη η γνώση προϊόντων που λαμβάνει. Τα ανεπαλήθευτα δεδομένα διαμόρφωσης οδηγούν την τεχνητή νοημοσύνη στη διάδοση σφαλμάτων σε κλίμακα επιχείρησης, υπονομεύοντας την καθοδήγηση των πωλήσεων, τις αποφάσεις παραγωγής και τις δεσμεύσεις προς τους πελάτες.

Οι κατασκευαστές θα πρέπει να θεωρούν την επαλήθευση των δεδομένων προϋπόθεση για την ανάπτυξη της τεχνητής νοημοσύνης, όπως ακριβώς οι δοκιμές λογισμικού έγιναν προϋπόθεση για την ανάπτυξη εφαρμογών. Καθώς ο ψηφιακός μετασχηματισμός συνεχίζεται, το ανταγωνιστικό πλεονέκτημα θα προκύπτει ολοένα και περισσότερο όχι από το να είναι μια επιχείρηση η πρώτη που θα αναπτύξει τεχνητή νοημοσύνη, αλλά από την ανάπτυξή της πάνω σε μια βάση αξιόπιστης πληροφόρησης για τα προϊόντα.