Tietojen nälkä: Kuinka toimitusketjun tekoäly voi saavuttaa käännepisteensä

Tekoäly (AI) toimitusketjuissa on kana tai muna -juttu. Jotkut ylistävät tekoälyä sen mahdollisuudesta lisätä toimitusketjun toimintojen näkyvyyttä. Toisin sanoen AI ensin, näkyvyys toiseksi.

Mikä saattoi olla totta, kun kattava, reaaliaikainen toimitusketjun näkyvyys ei muuten ollut saavutettavissa. Mutta muuttuva toimitusketjun tekoäly – mukaan lukien valtavasti tehokas generatiivinen tekoäly, joka luo uusia oivalluksia, tuloksia, prosesseja ja tehokkuuksia massiivisista tietojoukoista – vaatii meidän kääntämään yhtälön päälaelleen. Näkyvyys ensin, sen jälkeen GenAI-vetoinen innovaatio koko toimitusketjussa.

Kuvittele, että alueellinen vähittäismyyntipäällikkö, jakelija, valmistaja tai hankintapäällikkö herää maanantaina, käynnistää tutun AI-chatbotin (ehkä jopa puheaktivoidun) ja kysyy luonnollisella kielellä, onko heidän toimitusketjunsa optimoitu viikolle. Ja jos ei, kysy, kuinka toimitusketjua voidaan mukauttaa vastaamaan tavoitteitaan. GenAI mahdollistaa tämän vuorovaikutuksen toimitusketjujärjestelmien kanssa.

Mutta ainoa tapa, jolla GenAI-pohjainen toimitusketjuratkaisu voi toimittaa tällaisia ​​vastauksia automaattisesti, on, jos se tietää toimitusketjun jokaisen tuotteen, laatikon, kotelon, lavan jne. tilan, sijainnin, kunnon, liikkeen jne. Ja se tietää sen vain, jos tuotteet itse pystyvät välittämään tiedot automaattisesti ilman ihmisen väliintuloa. Nykyään ne voivat toimia kaikkialla läsnä olevan näkyvyysalustan, jota kutsutaan ambient Internet of things (IoT) -näkyvyyteen.

GenAI toimitusketjussa

Globaali konsulttiyhtiö Ernst & Young arvioi, että 40 prosenttia toimitusketjun yrityksistä investoi GenAI:han. He ovat käyttäneet GenAI:ta kartoittaakseen monimutkaisia ​​toimitusverkkoja, ajaneet "mitä jos" -skenaarioita, ennustaneet alku- ja loppupään toimitusta, kehittäneet chatbotteja, jotta kumppanit voivat saada vastauksia helpommin, ja jopa luoda uusia sopimuksia aiempien tai olemassa olevien sopimusten perusteella.

Tällaisissa tapauksissa yritykset kouluttavat tekoälymalleja itse, historiallisten tietojen ja kumppaneilta saamiensa tietojen perusteella. Sitten he pyytävät GenAI:ta löytämään tapoja tehostaa. Mutta kuten EY:n analyytikot sanoivat, "GenAI-työkalut ovat vain yhtä tehokkaita kuin niiden syöttötiedot, joten toimitusketjukumppaneiden tietojen laatu ja saatavuus rajoittavat niitä."

Toimitusketjun tekoälyn pyhä malja on kuitenkin luoda uusia reittejä, prosesseja, tuotesuunnitelmia ja toimittajaluetteloita reaaliaikaisten tietojen perusteella – ja tehdä se mahdollisimman nopeasti (mikä on nopeampaa kuin inhimillisesti mahdollista). Tai yhtenä johtajana kertoi Harvard Business Review, "Kun on toimitusketjun kriisi, avain kilpailukykyyn on löytää muita nopeammin vaihtoehtoisia toimittajia, koska kaikki haluavat tehdä saman."

Tämä edellyttää GenAI-ratkaisujen kouluttamista huomattavasti enemmän – ja ajankohtaisempia – tietoja todellisista toimitusketjun toiminnoista. Anna ympäristön IoT.

Ambient IoT: The Language of Supply Chains

Ambient IoT:ssä tuotteet, pakkaukset ja paikat sisältävät digitaalisia allekirjoituksia, jotka ovat toimitusketjun reaaliaikainen näkyvyyskieli, joka lopulta syötetään suuria kielimalleja (LLM), jotka ovat GenAI:n perusta. Nämä allekirjoitukset kuljetetaan IoT-pikseleiden kautta, jotka ovat omatehoisia, leiman kokoisia sähköisiä tunnisteita, jotka on kiinnitetty mihin tahansa toimitusketjussa, joka tarvitsee jäljitystä ja valvontaa. IoT-pikseleihin kuuluu oma laskentateho, anturit ja Bluetooth-viestintä, minkä ansiosta tuotteet ja pakkaukset voivat kuvata matkaansa toimitusketjussa datan termein, jota LLM:t voivat kuluttaa. Viime kädessä ne muodostavat sillan fyysisen ja digitaalisen maailman välillä ja tarjoavat ensimmäistä kertaa saataville toimitusketjun tiedot, jotka voivat todella näyttää, ennustaa ja optimoida toimintoja.

Ambient IoT -pikselit välittävät tietoja olemassa olevien langattomien laitteiden, kuten älypuhelimien ja langattomien tukiasemien, vakiintuneen verkon kautta tai helposti käyttöönotettavien, valmiiksi asennettujen standardisoitujen siltojen ja yhdyskäytävien kautta, jotka on asennettu kauppoihin, varastoihin, jakeluautoihin ja muihin. Itse asiassa, asianmukaisilla luvilla ja yksityisyyden suojalla, ympäröivät IoT-pikselit voivat laajentaa toimitusketjun näkyvyyttä aina kuluttajalle ja välittää tietoja tuotteiden käytöstä, uudelleenkäytöstä ja kierrätyksestä, mikä on perusta edistyneemmille GenAI-malleille.

Ja he lähettävät tietoja jatkuvasti. Toisin kuin toimitusketjun tietueet, joita käytetään GenAI-mallien kouluttamiseen nykyään, ambient IoT -data kuvaa toimitusketjua juuri tällä hetkellä. Tämän näkyvyyden ansiosta ei tarvitse enää kuin ottaa GenAI käyttöön vastaamaan puolestamme: "Mitä näen toimitusketjussani, juuri tällä hetkellä? "

Reaaliaikainen näkyvyys ja ympäristön IoT-datan tuottaminen koko toimitusketjussa voisivat jopa auttaa vastaamaan yhteen GenAI:n haasteista: sen, että LLM:ien kouluttamiseen käytettävä data heijastelee väistämättä tahattomia tietopoikkeamia niiden tuottavista lähteistä, joihin usein sisältyy yritysten erilaisia ​​ERP-järjestelmiä.

Ambient IoT:n toimitusketjussa jäljitetyt tuotteet puhuvat objektiivista totuutta, koska tuotteet sijaitsevat itse asiassa siellä, missä ambient IoT sanoo niiden olevan siellä, kun se sanoo olevansa. Ja koska ympäristön IoT ei vaadi RFID-skannereilla varustettuja työntekijöitä seuraamaan lähetyksiä, inhimilliset virheet voidaan minimoida.

Ambient IoT -data kuvaa tarkasti tuotteiden reitin ja ajan toimitusketjussa. Ja tuotteiden digitaalisissa tuotepasseissa on tietoja niiden käsittelyyn osallistuvista osapuolista ja laitoksista. Jos mahdollista, ympäristön IoT-pikselit voivat lisätä LLM:ään tietoja lämpötilasta, kosteudesta ja hiilidioksidipäästöistä joka vaiheessa.

EY:n mukaan yksi alue, jolla toimitusketjuyritykset tutkivat GenAI:n käyttöä, on sääntely- ja ESG-raportointi. Paras ja kustannustehokkain tapa kerätä valtavia tietoja niin, että GenAI tuottaa yhteensopivaa tietoa, on ambient IoT.

Chatbotista automaatioon

Ambient IoT:n ja GenAI:n yhdistäminen voi hyödyttää toimitusketjuja kahdella tavalla päivittäin. Ensinnäkin se antaisi useammalle toimitusketjun henkilölle mahdollisuuden ymmärtää muuttuvia tilanteita ja ryhtyä aktiivisiin toimiin toimitusketjun toimintojen optimoimiseksi tai korjaamiseksi. Sinun ei tarvitse olla tietoanalyytikko tai hankintaasiantuntija kysyäksesi GenAI-chatbotilta lähetysten tilasta tai kysyäksesi vaihtoehtoisia toimittajia, vaikka yritykset tarvitsevat jatkossakin tietoasiantuntijoita varmistaakseen, että LLM:t ja GenAI-työkalut kehittyvät tuottamaan hyödyllisiä tuloksia. Mutta toimitusketjun analyysin ja tutkimuksen demokratisoituminen voisi mahdollistaa kilpailukyvyn edellyttämän nopean päätöksenteon.

Toiseksi GenAI ja muut tekoälytyökalut voivat auttaa rakentamaan sillan kohti suurempaa toimitusketjun automaatiota. Koneoppimisen, erityisesti ohjausjärjestelmissä usein esiintyvän vahvistusoppimisen avulla ohjelmistoja voidaan kouluttaa tekemään päätöksiä, joilla saavutetaan parempia tuloksia. Lopulta heidät voitaisiin esimerkiksi kouluttaa havaitsemaan toimitusketjun häiriöt ennen kuin ne tapahtuvat ja ottamaan automaattisesti yhteyttä vaihtoehtoisiin toimittajiin tai lähettäjiin. Tai he voivat aloittaa ennakoivan ylläpidon määrittämällä, voivatko tietyt varasto- tai tuotantojärjestelmät tai -linjat epäonnistua.

He tekevät tämän oppimalla suurista tietojoukoista, mukaan lukien ympäristön IoT:n tuottamat toimitusketjutiedot.

Kuten olemme oppineet viime vuosina, monimutkaiset toimitusketjut ovat partakoneen terällä. Muutama pieni tekijä voi syöstä heidät kaaokseen. Tekoäly on ratkaisevan tärkeä tulevaisuuden kaaoksen välttämiseksi. Mutta päästäkseen sinne toimitusketjujen on avattava tietoja asioista, joita he eivät tällä hetkellä näe. Ambient IoT tarjoaa näkyvyysdataa, jonka varaan huomisen GenAI-innovaatiot rakennetaan.