Rahoitus
Loop kerää 95 miljoonan dollarin C-sarjan rahoituksen laajentaakseen tekoälyalustansa koko toimitusketjuun

Keskeiset kohdatLoopin 95 miljoonan dollarin C-sarjan rahoitus kohdistuu toimitusketjun tekoälyn…
Näytä lisää
- Loopin 95 miljoonan dollarin C-sarjan rahoitus kohdistuu toimitusketjun tekoälyn keskeiseen esteeseen: hajanaiseen dataan toisistaan erillisissä yritysjärjestelmissä.
- DUX-mallit yhdistävät asiakirjojen ymmärtämisen ja toteutuksen, jotta logistiikan työnkulut, kuten auditointi ja täsmäytys, toimivat ilman manuaalista puuttumista.
- Tekoälykerrokset siirtävät yritysarkkitehtuuria kirjanpitoa ylläpitävistä ERP-järjestelmistä kohti jatkuvaa operatiivista päätöksentekoa.
Loop on kerännyt 95 miljoonan dollarin C-sarjan rahoituksen, jota johtivat Valor Equity Partners ja Valor Atreides AI Fund, samalla kun yhtiö pyrkii laajentamaan tekoälyalustaansa logistiikkaan, taloushallintoon ja laajempiin toimitusketjun toimintoihin. Kierrokseen osallistuivat myös 8VC, Founders Fund, Index Ventures, J.P. Morgan Growth Equity Partners ja Tao Capital Partners.
Rahoitus tapahtuu hetkellä, jolloin toimitusketjut ovat kasvavan paineen alla kaupankäynnin muuttuvan dynamiikan, nousevien kustannusten ja globaalien toimintojen kasvavan monimutkaisuuden vuoksi. Monille yrityksille perusongelma ei ole työkalujen puute, vaan johdonmukaisen, luotettavan datapohjan puuttuminen järjestelmien välillä.
Miksi toimitusketjut ovat yhä tekoälyn haasteellisimpia ongelmia
Toimitusketjut ovat luonnostaan fragmentoituneita. Kriittinen data on jakautunut laskuihin, lähetystietoihin, sopimuksiin ja useisiin yritysjärjestelmiin, jotka harvoin viestivät sujuvasti toisilleen. Jopa rutiininomaiset prosessit, kuten täsmäytys tai kustannusanalyysi, usein riippuvat manuaalisesta puuttumisesta.
Tämä luo rakenteellisen haasteen tekoälyn käyttöönotolle. Useimmat mallit riippuvat rakenteisista, laadukkaista syötteistä, mutta toimitusketjun data on usein epäjohdonmukaista, epätäydellistä tai lukittu perinteiseen infrastruktuuriin. Tämän seurauksena jopa hyvin suunnitellut tekoälyjärjestelmät kamppailevat toimiakseen tehokkaasti todellisissa logistiikkaympäristöissä.
Älykkään järjestelmän rakentaminen erillisistä tiedoista
Loopin lähestymistapa keskittyy muuttamaan tätä fragmentoitunutta dataa yhdenmukaiseksi järjestelmäksi, joka voi tukea sekä automaatiota että päätöksentekoa.
Sen sijaan, että alusta toimisi erillisenä analytiikkakerroksena, alusta ottaa operatiivista ja taloudellista dataa logistiikkavirroista, standardoi sen ja soveltaa alan malleja tulkitsemaan suhteita lähetysten, kustannusten ja toimittajien välillä. Tämä mahdollistaa yrityksille siirtymisen eristetyistä data-pisteistä täydellisempään tilannekuvaan toiminnasta.
Avainaspekti tässä arkkitehtuurissa on kyky käsitellä useita data-formaatteja samanaikaisesti. Asiakirjat, rakenteinen järjestelmädata ja puolirakenteiset tiedot käsitellään samassa putkessa, mahdollistaen laajemman näkyvyyden aiemmin eristetyissä järjestelmissä.
DUXin rooli: logistiikan todellisuutta varten rakennetut mallit
Alustan ytimessä on DUX, malli- ja agenttiperhe, joka on suunniteltu erityisesti toimitusketju-ympäristöihin.
Nämä mallit yhdistävät asiakirjojen ymmärtämisen, rakenteisen datan käsittelyn ja toimialakohtaisen päättelyn. Tämä mahdollistaa niille monimutkaisen logistiikkadatan tulkitsemisen, kuten laskujen ja lähetysasiakirjojen ymmärtämisen, samalla ylläpitäen tietoisuutta laajemmasta operaatiokontekstista.
DUX on myös suunniteltu toimimaan, ei vain tuottamaan oivalluksia. Liittämällä tulkinnan toimeenpanoon, järjestelmä voi automatisoida työnkulkuja, kuten tarkastuksia, täsmäytystä ja kustannusten kohdistamista, vähentäen riippuvuutta manuaalisista prosesseista, jotka ovat historiallisesti hallinneet alaa.
Rahtilaskujen tarkastuksesta koko toimitusketjun kattavaan älykkyyteen
Loopin alusta kehittyi alun perin rahtilaskujen tarkastuksesta ja maksamisesta, alueelta, jolla data-fragmentaatio ja taloudellinen vaikutus ovat erityisen voimakkaita.
Aloittaminen tässä kapeassa markkinaraossa antoi pääsyn arvokkaaseen operatiiviseen dataan ja mahdollisti järjestelmien rakentamisen, jotka voivat käsitellä todellista monimutkaisuutta. Tästä lähtökohdasta alusta laajeni lähialueille, kuten hankintaan, toimittajahallintaan, vaatimustenmukaisuuteen ja varastotoimintoihin.
Tämä kehitys kuvastaa laajempaa mallia yritysten tekoälyssä, jossa kapean, mutta kriittisen ongelman ratkaiseminen luo perustan laajemmalle operaatiokerrokselle.
Laajempi siirtymä operatiivisiin tekoälyjärjestelmiin
Teknologiat, kuten Loopin, osoittavat siirtymistä siihen, miten tekoälyä sovelletaan yrityksissä. Sen sijaan, että tekoälyä käytettäisiin pääasiassa analyysiin tai raportointiin, tekoälyjärjestelmät upotetaan suoraan operaatiivisiin työvirtoihin.
Toimitusketjuissa tämä voi tarkoittaa jatkuvaa täsmäytystä taloudellisen ja operaatiivisen datan välillä, tehottomuuksien automaattista havaitsemista ja nopeampia sopeutumisia muuttuviin olosuhteisiin. Ajan myötä tämäntyyppinen järjestelmä voi vähentää riippuvuutta jaksollisista raportointijaksoista ja korvata ne jatkuvammilla, reaaliaikaisilla päätöksentekoprosesseilla.
Samalla näiden järjestelmien tehokkuus riippuu voimakkaasti datan laadusta, järjestelmäintegroinnista ja kyvystä toimia luotettavasti laajassa skenaarioiden kirjossa. Toimitusketjut ovat dynaamisia ympäristöjä, ja tarkkuuden säilyttäminen laajassa mittakaavassa on edelleen merkittävä tekninen haaste.
Mitä tämä merkitsee yrityksen infrastruktuurille
Loopin kaltaisten alustojen laajentuminen osoittaa asteittaista muutosta yritysarkkitehtuurissa. Perinteiset järjestelmät, kuten ERP-, TMS- ja WMS-alustat, on suunniteltu pääasiassa tietojen kirjaamiseen ja tapahtumien käsittelyyn. Tekoälyohjatut kerrokset alkavat istua näiden järjestelmien päällä, muuttaen staattiset tiedot aktiivisiksi syötteiksi päätöksentekoon.
Jos tämä malli jatkuu, se voi johtaa yhdenmukaiseen operaatiokerrokseen, jossa talous- ja logistiikkadataa ei enää käsitellä erikseen. Sen sijaan ne muodostavat yhden järjestelmän, joka jatkuvasti päivittää ja täsmäyttää tietoja sekä tukee liiketoimintapäätöksiä.
Kuitenkin siirtymä ei välttämättä ole yhdenmukainen. Monet organisaatiot ovat edelleen riippuvaisia syvään juurtuneista perinteisistä järjestelmistä, ja tekoälyn integrointi näihin ympäristöihin tuo sekä teknistä että organisatorista monimutkaisuutta. Käyttöönoton vauhti vaihtelee todennäköisesti sen mukaan, miten yritykset pystyvät modernisoimaan datainfrastruktuuriaan ylläpitäen samalla operaatiivista vakautta.












