Nälkäinen datalle: Miten toimintaketjun tekoäly voi saavuttaa käännekohtansa

Teollisuuden toimintaketjujen tekoäly on kuin kanan ja munan ongelma. On niitä, jotka ylistävät tekoälyä sen mahdollisuudesta luoda suurempi näkyvyys toimintaketjun toimintaan. Toisin sanoen, tekoäly ensin, näkyvyys toiseksi.

Se saattaa olla ollut totta, kun yleinen, reaaliaikainen toimintaketjun näkyvyys ei ollut muuten saavutettavissa. Mutta muodonmuuttuva toimintaketjun tekoäly — mukaan lukien erittäin voimakas generatiivinen tekoäly, joka luo uusia oivalluksia, tuloksia, prosesseja ja tehokkuutta massiivisista tietokannoista — edellyttää, että käännämme yhtälön päälaelleen. Näkyvyys ensin, jonka jälkeen GenAI-käyttöönotto koko toimintaketjussa.

Kuvittele alueellinen myyntipäällikkö, jakelija, valmistaja tai hankintapäällikkö, joka herää maanantai-aamuna, käynnistää tutun tekoälychatbotin (ehkä jopa ääniohjauksella) ja kysyy luonnollisella kielellä, onko hänen toimintaketjussaan optimoitu viikolle. Ja jos se ei ole, kysyy, miten toimintaketjua voidaan muuttaa tavoitteiden saavuttamiseksi. GenAI mahdollistaa tämän vuorovaikutuksen toimintaketjun järjestelmien kanssa.

Mutta ainoastaan GenAI-pohjainen toimintaketjun ratkaisu voi toimittaa automaattisesti nämä vastaukset, jos se tietää tuotteiden, pakkausten, laatikoiden, pallettien jne. tilan, sijainnin, kunnon, liikkeen jne. toimintaketjussa. Ja ainoastaan, jos tuotteet voivat itse automaattisesti viestiä tietoja ilman ihmisen väliintuloa. Tänään ne voivat, yleisen näkyvyyden alustan kautta, jota kutsutaan ambient internet of things (IoT) -ksi.

GenAI toimintaketjussa

Maailmanlaajuinen konsultointiyritys Ernst & Young arvioi, että 40 prosenttia toimintaketjun yrityksistä panostaa GenAI:hin. He ovat käyttäneet GenAI:ta monimutkaisten toimintaverkkojen kartoittamiseen, “mitä jos” -skenaarioiden suorittamiseen, ylös- ja alaspäin suuntautuvan toimintaketjun ennustamiseen, chatbottien kehittämiseen, jotta kumppanit voivat saada vastauksia helpommin, ja jopa uusien sopimusten luomiseen perustuvan aiempiin tai olemassa oleviin sopimuksiin.

Näissä tapauksissa yritykset kouluttavat tekoälymallinsa omilla historiallisilla tietoillaan ja siitä, mitä he voivat poimia kumppaneiltaan. Sitten he pyytävät GenAI:ta etsimään keinoja tehokkuuden parantamiseen. Mutta kuten EY:n analyytikot toteavat, “GenAI-työkalut ovat yhtä voimakkaita kuin niiden syöte, joten ne ovat rajoitettuja toimintaketjun kumppaneiden tietojen laadun ja saatavuuden mukaan”.

Toimintaketjun tekoälyn pyhä graali on kuitenkin luoda uusia reittejä, prosesseja, tuotesuunnitelmia ja toimittajaluetteloita perustuen reaaliaikaisiin tietoihin — ja tekemään se mahdollisimman nopeasti (joka on nopeampi kuin mitä ihmiset voivat tehdä). Tai kuten yksi johtaja kertoi Harvard Business Review -lehdelle, “Kun on toimintaketjun kriisi, kilpailukyvyn avain on olla nopeampi löytämään vaihtoehtoisia toimittajia kuin kukaan muu, koska kaikki etsivät tehdä samoin”.

Tämä edellyttää GenAI-ratkaisujen kouluttamista paljon enemmän — ja ajantasaisemmista — tietoja toimintaketjun todellisista toimista. Tässä ambient IoT tulee kuvaan.

Ambient IoT: Toimintaketjujen kieli

Ambient IoT:llä tuotteet, pakkaus ja paikat kantavat digitaalisia tunnisteita, jotka ovat toimintaketjun reaaliaikaisen näkyvyyden kieli, ja lopulta ne syötetään suuriin kielimalleihin (LLM), jotka ovat GenAI:n perusta. Nämä tunnisteet kulkeutuvat IoT-Pixelien kautta, itsestään voitettavien, postimerkin kokoisten sähköisten tunnisteiden kautta, jotka on kiinnitetty mihin tahansa toimintaketjussa, jota tarvitaan jäljittämään ja valvomaan. IoT-Pixelit sisältävät oman laskentakapasiteettinsa, anturinsa ja Bluetooth-viestintänsä, jolloin tuotteet ja pakkaus voivat kuvailla matkaansa toimintaketjussa tietomuodossa, jota LLM:t voivat käyttää. Lopulta ne edustavat siltaa fyysisten ja digitaalisten maailmojen välillä, ja ne tarjoavat ensimmäistä kertaa toimintaketjun tietoja, jotka voivat todella näyttää, ennustaa ja optimoida toimintaa.

Ambient IoT -tunnisteet lähettävät tietoja vakiintuneen langattomien laitteiden, kuten matkapuhelimien ja langattomien pääteasemien, verkon kautta tai helposti käyttöön otettavien, standardoitujen siltojen ja porttien kautta, jotka on asennettu myymälöihin, varastoihin, toimitusautoihin ja muihin. Itse asiassa, tarvittavien lupien ja tietosuojan varmistamiseksi ambient IoT -tunnisteet voivat laajentaa toimintaketjun näkyvyyttä aina kuluttajaan asti, lähettämällä tietoja tuotteen käytöstä, uudelleenkäytöstä ja kierrätyksestä, ja tarjoamalla perustan edistyneemmille GenAI-malleille.

Ne lähettävät tietoja jatkuvasti. Toisin kuin toimintaketjun tietueet, joita käytetään GenAI-mallien kouluttamiseen tänään, ambient IoT -tiedot kuvaavat toimintaketjua juuri nyt. Tällä näkyvyydellä kaikki, mitä on jäljellä, on toteuttaa GenAI, jotta se vastaisi meille: “Mitä näen toimintaketjussani juuri nyt?”

Reaaliaikainen näkyvyys ja ambient IoT -tietojen luominen koko toimintaketjussa voisi jopa auttaa ratkaisemaan yhtä GenAI:n haasteista: että tieto, jota käytetään LLM:ien kouluttamiseen, heijastaa vahingossa tietojen luotujen lähteiden tietojenharhaisuuksia, jotka usein sisältävät yritysten erilaisia ERP-järjestelmiä.

Tuotteet, jotka jäljitetään toimintaketjussa ambient IoT:llä, puhuvat objektiivista totuutta, koska tuotteet ovat todella siellä, missä ambient IoT sanoo niiden olevan, ja kun se sanoo niiden olevan. Ja koska ambient IoT ei vaadi työntekijöitä RFID-skannereilla seuraamaan toimituksia, ihmisen virheet voidaan minimoida.

Ambient IoT -tiedot kuvaavat tarkalleen reitin ja ajan, jonka tuotteet kulkevat toimintaketjussa. Ja tuotteet kantavat digitaalisissa tuotepassiporteissaan tietoja osapuolista ja laitoksista, jotka ovat osallistuneet niiden käsittelyyn. Jos sovellettavissa olosuhteissa, ambient IoT -tunnisteet voivat lisätä LLM:ään tietoja lämpötilasta, kosteusprosentista ja hiilidioksidipäästöistä jokaisessa vaiheessa.

Ernst & Youngin mukaan yksi alue, jossa toimintaketjun yritykset tutkivat GenAI:n käyttöä, on sääntely- ja ESG-raportointi. Paras ja kustannustehokkain tapa kerätä laajoja tietoja, jotta GenAI tuottaisi vaatimukset täyttävää tietoa, on ambient IoT:n kautta.

Chatbottien aikakaudelta automaatioon

Päivittäin on kaksi tapaa, jolla ambient IoT:n ja GenAI:n liitto voisi hyödyttää toimintaketjuja. Ensinnäkin, se mahdollistaisi useammalle ihmiselle toimintaketjussa ymmärtää kehittyviä tilanteita ja ryhtyä toimiin toimintaketjun toiminnan optimoimiseksi tai korjaamiseksi. Sinun ei tarvitse olla data-analyytikko tai hankintaspesialisti kysyäksesi GenAI-chatbottia toimitusten tilasta tai kysymään vaihtoehtoisia toimittajia, vaikka yritykset tarvitsevat edelleen data-asiantuntijoita varmistamaan, että LLM:t ja GenAI-työkalut kehittyvät tuottamaan hyödyllisiä tuloksia. Mutta toimintaketjun analytiikan ja kysymyksen demokratisointi voisi mahdollistaa nopean päätöksenteon, jota tarvitaan kilpailukyvyn saavuttamiseksi.

Toiseksi GenAI ja muut tekoälytyökalut voivat auttaa rakentamaan siltaa kohti suurempaa toimintaketjun automaatiota. Tekoälyoppien avulla, erityisesti vahvistusoppimisella, jota usein käytetään ohjausjärjestelmissä, ohjelmisto voidaan kouluttaa tekemään päätöksiä, jotka johtavat parempiin tuloksiin. Lopulta ne voidaan kouluttaa havaitsemaan toimintaketjun häiriöt ennen kuin ne tapahtuvat ja käynnistämään automaattisesti vaihtoehtoisia toimittajia tai kuljettajia. Tai ne voivat aloittaa ennaltaehkäisevän huollon määrittelemällä, voivatko varastojen tai valmistusjärjestelmien osat tai linjat epäonnistua.

Ne tekevät tämän oppimalla laajoista tietokannoista, mukaan lukien ambient IoT:n tuottamat toimintaketjun tiedot.

Me olemme oppineet viime vuosina, että monimutkaiset toimintaketjut ovat tasapainotettuina terävän partaveitsen terällä. Muutama vähäinen tekijä voi ajaa ne kaaokseen. Tekoäly on kriittinen osa tulevien kaaosien välttämiseksi. Mutta päästäkseen sinne toimintaketjujen on lukittava tieto niistä asioista, joita ne eivät voi tällä hetkellä nähdä. Ambient IoT toimittaa näkyvyyden tiedot, joille huomisen GenAI-innovaatiot perustuvat.