Generaattorisen AI:n rooli toimitusketjuissa

Toimitusketjun häiriöt tulivat usein esille johtoryhmien keskusteluissa vuonna 2020, ja generaattorinen AI tuli nopeasti kuuluisaksi vuonna 2023. OpenAI:n ChatGPT saavutti 100 miljoonan käyttäjän ensimmäisen kahden kuukauden aikana, mikä teki siitä historian nopeimmin kasvavan kuluttajien sovelluksen.

Toimitusketjut ovat tietynlaista soveltuvia generaattorisen AI:n sovelluksiin, koska ne toimivat ja tuottavat valtavat määrät dataa. Datatyyppien monimuotoisuus ja määrä sekä erilaiset datat lisäävät monimutkaisuutta jo valmiiksi monimutkaiseen todelliseen ongelmaan: miten toimitusketjun suorituskykyä voidaan optimoida. Vaikka generaattorisen AI:n sovellukset toimitusketjuissa ovat laajat – mukaan lukien lisääntynyt automaatio, kysyntäennuste, tilausten käsittely ja seuranta, koneiden ennakoiva huolto, riskien hallinta, toimittajien hallinta ja paljon muuta – monet niistä soveltuvat myös prediktiviiseen AI:hin ja ovat jo otettu käyttöön laajasti.

Tässä artikkelissa käsitellään joitakin sovelluksia, jotka ovat erityisen hyvin soveltuvia generaattorisen AI:lle toimitusketjuissa, ja esitetään joitakin varoituksia, joita toimitusketjun johtajien tulisi ottaa huomioon ennen investointia.

Tukeva päätöksenteko

AI:n ja ML:n pääasiallinen tarkoitus toimitusketjuissa on helpottaa päätöksentekoprosessia, lupaamalla nopeampaa ja laadukkaampaa päätöksentekoa. Prediktiviinen AI tekee tämän tarjoamalla tarkempia ennusteita ja havaintoja, joita voidaan käyttää uusien mallien luomiseen. Generaattorinen AI voi viedä tämän askelen eteenpäin tukeakseen eri toimintoja toimitusketjun hallinnassa. Esimerkiksi toimitusketjun johtajat voivat käyttää generaattorista AI:ta kysymysten selvittämiseen, lisätietojen pyytämiseen, vaikuttavien tekijöiden ymmärtämiseen ja historiallisten päätösten tarkasteluun samankaltaisissa tilanteissa. Lyhyesti sanottuna, generaattorinen AI tekee due diligence -prosessin, joka edeltää päätöksentekoa, merkittävästi nopeammaksi ja helpommaksi käyttäjälle.

Lisäksi generaattorinen AI voi analysoida suuria määriä strukturoitua ja strukturoimatonta dataa, luoda erilaisia skenaarioita ja antaa suosituksia esitetyistä vaihtoehdoista. Tämä vähentää merkittävästi toimitusketjun johtajien tekemää työtä, joka ei tuota arvoa, ja antaa heille enemmän aikaa tehdä tietopohjaisia päätöksiä ja reagoida markkinamuutoksiin nopeammin.

(Mahdollinen) ratkaisu toimitusketjun johtamisen osaamispuutteeseen

Viime vuosina yritykset ovat kärsineet toimitusketjun osaamispuutteesta johtuen suunnittelijoiden paloa, käytöstä poistumista ja uusien palkkaamisten jyrkkää oppimiskäyrää työn monimutkaisen luonteen takia. Generaattorisen AI-mallit voidaan säätää yritysten standardien mukaisesti, liiketoimintaprosessien, työnkulkujen ja ohjelmistodokumentaation mukaan, ja ne voivat vastata käyttäjien kysymyksiin asiayhteydestä ja relevantista tiedosta. Generaattorisen AI:n keskustelurajapinta, jota yleensä liitetään, tekee siitä merkittävästi helpomman vuorovaikuttaa tukijärjestelmän kanssa ja antaa mahdollisuuden tarkentaa kysymystä, mikä nopeuttaa oikean tiedon löytymistä.

Yhdistämällä generaattorisen AI-pohjaisen oppimis- ja kehittämijärjestelmän generaattorisen AI-pohjaiseen tukevaan päätöksentekoon voidaan kiihdyttää erilaisten muutoksenhallintaa koskevien ongelmien ratkaisua. Se voi myös kiihdyttää uusien työntekijöiden perehdytystä vähentämällä koulutusaikaa ja työkokemusvaatimuksia. Lisäksi generaattorinen AI voi antaa mahdollisuuksia ihmisten, joilla on vamma parantamalla viestintää, kognitiota, lukemista ja kirjoittamista, henkilökohtaista järjestelyä ja jatkuvaa oppimista ja kehittymistä.

Vaikka jotkut pelkäävät, että generaattorinen AI johtaa tulevina vuosina työpaikkojen menetyksiin, toiset uskovat, että se tasoittaa työtä poistamalla toistuvat tehtävät ja antamalla tilaa strategisemmille tehtäville. Sillä välin se on ennustettu ratkaisemaan nykyisen toimitusketjun ja digitaalisen osaamispuutteen. Sen vuoksi on tärkeää oppia työskentelemään tämän teknologian kanssa.

Digitaalisen toimitusketjun mallin rakentaminen

Toimitusketjujen on oltava kestäviä ja joustavia, mikä edellyttää koko yrityksen näkyvyyttä. Toimitusketjun on “tiedettävä” koko verkosto, jotta se voi toimia. Rakentaa koko n-tason toimitusketjun verkoston digitaalista mallia on usein kustannuksellista. Suuret yritykset hallitsevat dataa kymmenissä tai sadoissa järjestelmissä, joissa useimmat suuret yritykset hallitsevat yli 500 sovellusta samanaikaisesti ERPin, CRM:ien, PLM:ien, Hankinnan ja Sourcingin, Suunnittelun, WMS:ien, TMS:ien ja muiden kanssa. Kaiken tämän monimutkaisuuden ja fragmentaation vuoksi on erittäin vaikea saada tämä erilainen data yhteen. Tämä vaikeutuu, kun organisaatiot katsovat ensimmäisen tai toisen tason toimittajia, missä datan kerääminen strukturoituna on epätodennäköistä.

Generaattoriset AI-mallit voivat prosessoida valtavia määriä dataa, mukaan lukien strukturoitua (master data, transaktiodata, EDI) ja strukturoimatonta dataa (sopimukset, laskut, kuvat), tunnistamaan malleja ja asiayhteyksiä rajoitetulla esikäsittelyllä. Koska generaattoriset AI-mallit oppivat malleista ja käyttävät todennäköisyyslaskelmia (jotka vaativat jonkin verran ihmisen väliintuloa) ennustamaan seuraavan loogisen tulosteen, ne voivat luoda oikeamman digitaalisen mallin n-tason toimitusverkostosta – nopeammin ja laajassa mittakaavassa – ja optimoida yritysten sisäistä ja ulkoista yhteistyötä ja näkyvyyttä. Tämä n-tason malli voidaan rikastaa tukemaan ESG-aloitteita, kuten konfliktimineraalien tunnistamista, ympäristöherkkien resurssien tai alueiden käyttöä, tuotteiden ja prosessien hiilidioksidipäästöjen laskemista ja paljon muuta.

Vaikka generaattorinen AI tarjoaa merkittävän mahdollisuuden toimitusketjun johtajille luoda innovaatioita ja strategista etua, on tärkeää ottaa huomioon tiettyjä huolenaiheita ja riskejä.

Toimitusketjusi on ainutlaatuinen

Generaattorisen AI:n yleiset sovellukset, kuten ChatGPT tai Dall-E, ovat tällä hetkellä menestyksekkäitä laajempien tehtävien ratkaisemisessa, koska mallit on koulutettu valtavilla määrillä julkisesti saatavilla olevaa dataa. Toimitusketjun johtajien on kuitenkin säätettävä nämä mallit yritysten omiin tietoihin ja asiayhteyteen, jotta voidaan hyödyntää generaattorisen AI:n ominaisuuksia. Toisin sanoen, yleisesti koulutettua mallia ei voida käyttää. Datanhallinnan haasteet, kuten datan laatu, integrointi ja suorituskyky, jotka haittaavat nykyisiä muutosprojekteja, voivat myös vaikuttaa generaattorisen AI:n investointeihin, joista seuraa aikaa vievä ja kallis tehtävä ilman oikeaa datanhallintaratkaisua.

Generaattorinen AI riippuu datan sisäisten mallien ymmärtämisestä, ja toimitusketjun ammattilaisten on opittava, että toimitusketjut jatkavat kasvamista uusien riskien ja ennennäkemättömien mahdollisuuksien keskellä.

Tietoturva ja säännöt

Generaattorisen AI-mallien perusvaatimus on pääsy valtavalle määrälle koulutusdataa, jotta voidaan ymmärtää malleja ja asiayhteyksiä. Generaattorisen AI-sovellusten ihmismäinen käyttöliittymä voi kuitenkin johtaa käyttäjän impersonointiin, phishaukseen ja muihin tietoturvariskeihin. Vaikka rajoitettu pääsy mallin koulutukseen voi johtaa AI:n heikentyneeseen suorituskykyyn, pääsyn antaminen toimitusketjun tietoihin voi johtaa tietoturvatapahtumiin, joissa kriittinen ja arkaluontoinen tieto voidaan tehdä saataville valtuuttamattomille käyttäjille.

On myös epäselvää, miten eri hallitukset valitsevat säännöstellä generaattorista AI:ta tulevaisuudessa, kun sen käyttö yleistyy ja löydetään uusia sovelluksia. Useat AI-asiantuntijat ovat ilmaisseet huolensa AI:n aiheuttamasta riskistä ja pyytäneet hallituksia keskeyttämään jättimäiset AI-kokeet, kunnes teknologiajohtajat ja päätöksentekijät voivat luoda säännöt ja ohjeet turvallisuuden varmistamiseksi.

Generaattorinen AI tarjoaa runsaasti parannusmahdollisuuksia niille organisaatioille, jotka osaavat hyödyntää tätä teknologiaa ja luoda voimakkaan moninkertaisen ihmisen älymystön, luovuuden ja päätöksenteon kanssa. On kuitenkin tärkeää, että on olemassa malleja, jotka on koulutettu ja suunniteltu nimenomaan toimitusketjun sovelluksiin, jotta voidaan edetä generaattorisen AI:n investoinneissa tasapainotetulla lähestymistavalla.

Toimitusketjun johtajien on perustettava asianmukaiset esteet varmistamaan, että AI palauttaa joukon optimoituja suunnitelmia, joita käyttäjät voivat tarkastella ja valita, ja jotka ovat linjassa liiketoimintaprosessien ja tavoitteiden kanssa. Yritykset, jotka yhdistävät “liiketoimintakirjat” generaattorisen AI:n kanssa, pystyvät parhaiten lisäämään tiimien kykyä suunnitella, päätellä ja toteuttaa samalla optimoiden toivottuja liiketoimintatuloksia. Organisaatioiden tulisi myös ottaa huomioon vahva liiketoimintatapaus, tietoturva ja mitattavat liiketoimintatavoitteet ennen uuden generaattorisen AI-teknologian investointia.