Generatiivisen tekoälyroolin huomioon ottaminen toimitusketjuissa

Juuri kun toimitusketjun häiriöt alkoivat olla yleisiä johtoryhmien keskustelun aiheita vuonna 2020, generatiivinen tekoäly nousi nopeasti vuoden 2023 kuuman aiheen paikalle. Kaiken kaikkiaan OpenAI:n ChatGPT saavutti 100 miljoonan käyttäjän rajan kahdessa kuukaudessa, mikä teki siitä nopeimmin kasvavan kuluttajasovelluksen historian saatossa.

Toimitusketjut ovat tietynlaisten sovellusten kannalta hyvin soveltuvia generatiiviselle tekoälylle, koska ne toimivat ja tuottavat valtavat määrät dataa. Datatyypin monimuotoisuus ja määrä sekä erilaiset datatyypit lisäävät monimutkaisuutta erittäin monimutkaiseen todellisen maailman ongelmaan: miten toimitusketjun suorituskykyä voidaan optimoida. Vaikka generatiivisen tekoälyn sovellukset toimitusketjuissa ovat laajat – mukaan lukien lisääntynyt automaatio, kysyntäennuste, tilausten käsittely ja seuranta, koneiden ennakollinen huolto, riskien hallinta, toimittajien hallinta ja paljon muuta – monet niistä soveltuvat myös prediktiviiseen tekoälyyn ja ovat jo otettu laajasti käyttöön.

Tässä tekstissä käsitellään muutamia sovelluksia, jotka ovat erityisen hyvin soveltuvia generatiiviselle tekoälylle toimitusketjuissa, ja esitetään joitakin varoituksia, joita toimitusketjun johtajien tulisi ottaa huomioon ennen investointien tekemistä.

Tukea päätöksentekoon

Tekoälyn ja koneoppimisen tärkein tarkoitus toimitusketjuissa on helpottaa päätöksentekoprosessia, tarjoten nopeamman ja laadukkaamman prosessin luvan. Prediktiviinen tekoäly tekee tämän tarjoamalla tarkemmin ennustettuja arvoja ja löytämällä uusia, aiemmin tuntemattomia malleja, ja käyttämällä hyvin suuria määriä relevanttia dataa. Generatiivinen tekoäly voi viedä tämän askelen eteenpäin tukemalla eri toimintoja toimitusketjun hallinnassa. Esimerkiksi toimitusketjun johtajat voivat käyttää generatiivisia tekoälymallia kysymysten esittämiseen, lisädatalle pyytämiseen, vaikuttavien tekijöiden parempaan ymmärtämiseen ja historiallisten päätösten suorituskyvyn katsomiseen samankaltaisissa tilanteissa. Lyhyesti sanottuna, generatiivinen tekoäly tekee due diligence -prosessista, joka edeltää päätöksentekoa, merkittävästi nopeamman ja helpomman käyttäjälle.

Lisäksi generatiivinen tekoäly voi analysoida suuria määriä rakennettua ja rakenteetonta dataa, generoida automaattisesti erilaisia skenaarioita ja antaa suosituksia esitetyistä vaihtoehdoista perustuen taustalla oleviin datoihin ja malleihin. Tämä vähentää merkittävästi ei-arvoa tuottavaa työtä, jota toimitusketjun johtajat tällä hetkellä tekevät, ja antaa heille mahdollisuuden keskittyä enemmän tietopohjaisiin päätöksiin ja reagoida markkinamuutoksiin nopeammin.

(Mahdollinen) Ratkaisu toimitusketjun johtamisen osaamispuutteeseen

Viime vuosina yritykset ovat kärsineet toimitusketjun osaamispuutteesta johtuen suunnittelijoiden paloa, henkilöstön vaihtuvuutta ja uusien palkkausten jyrkkää oppimiskäyrää työn monimutkaisen luonteen vuoksi. Generatiiviset tekoälymallit voidaan säätää yritysten standardien toimintamenettelyjen, liiketoimintaprosessien, työnkulkujen ja ohjelmistodokumentaation mukaan, ja ne voivat vastata käyttäjän kysymyksiin asiayhteydestä ja relevantista tiedosta. Generatiivisen tekoälyn yleisesti liitetyt keskusteluliittymät tekevät siitä merkittävästi helpomman vuorovaikuttaa tukijärjestelmän kanssa ja antavat mahdollisuuden tarkentaa kysymystä, mikä kiihdyttää edelleen oikean tiedon löytymisaikaa.

Yhdistämällä generatiivisen tekoälypohjaisen oppimis- ja kehittämijärjestelmän generatiivisen tekoälypohjaiseen päätöksenteon tueen, voidaan kiihdyttää erilaisten muutoshallintatilanteiden ratkaisemista. Se voi myös kiihdyttää uusien työntekijöiden perehdytyskautta vähentämällä koulutusaikaa ja työkokemusvaatimuksia. Ennen kaikkea, generatiivinen tekoäly voi antaa mahdollisuuksia vammaisille henkilöille parantamalla viestintää, kognitiota, lukemisen ja kirjoittamisen apua, henkilökohtaista järjestelyä ja jatkuvaa oppimista ja kehittymistä.

Vaikka jotkut pelkäävät, että generatiivinen tekoäly johtaa työpaikkojen menetykseen tulevina vuosina, 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.

Digituan toimitusketjun mallin luominen

Toimitusketjujen on oltava kestäviä ja joustavia, mikä vaatii koko yrityksen näkyvyyttä. Toimitusketjun on “tiedettävä” koko verkosto. Kuitenkin koko n-tason toimitusketjun verkoston digitaalisen mallin luominen on usein kustannuksellista. Suuret yritykset hallinnoivat dataa kymmenissä tai sadoissa järjestelmissä, joista useimmat suuret yritykset hallinnoivat yli 500 sovellusta samanaikaisesti ERPyjen, CRM:ien, PLM:ien, Hankinnan & Sourcingin, Suunnittelun, WMS:ien, TMS:ien ja muiden kanssa. Kaiken tämän monimutkaisuuden ja fragmentaation kanssa on erittäin vaikea loogisesti yhdistää tätä erillistä dataa. Tämä vaikeus korostuu, kun organisaatiot katsovat ensimmäisen tai toisen tason toimittajien ulkopuolelle, missä datan kerääminen rakenteelliseen muotoon on epätodennäköistä.

Generatiiviset tekoälymallit voivat prosessoida valtavia määriä dataa, mukaan lukien rakenteista (master data, transaktiodata, EDI) ja rakenteetonta dataa (sopimukset, laskut, kuvaskannaukset), tunnistamaan malleja ja kontekstia rajoitetulla esikäsittelyllä. Koska generatiiviset tekoälymallit oppivat mallien perusteella ja käyttävät todennäköisyyslaskelmia (jonkin verran ihmisen väliintulon kanssa) seuraavan loogisen tulosteen ennustamiseen, ne voivat luoda oikeamman digitaalisen mallin n-tason toimitusverkostosta – nopeammin ja suuremmassa mittakaavassa – ja optimoida yritysten välistä ja sisäistä yhteistyötä ja näkyvyyttä. Tämä n-tason malli voidaan edelleen rikastaa tukemaan ESG-aloitteita, mukaan lukien konfliktimineraalien tunnistamisen, ympäristöherkkien resurssien tai alueiden käytön, tuotteiden ja prosessien hiilidioksidipäästöjen laskemisen ja paljon muuta.

Vaikka generatiivinen tekoäly tarjoaa merkittävän mahdollisuuden toimitusketjun johtajille olla innovatiivisia ja luoda strateginen etu, on tiettyjä huolenaiheita ja riskejä, jotka on otettava huomioon.

Toimitusketju on ainutlaatuinen

Generatiivisen tekoälyn yleiset sovellukset, kuten ChatGPT tai Dall-E, ovat tällä hetkellä menestyksekkäitä laajempien tehtävien ratkaisemisessa, koska mallit on koulutettu valtavilla määrillä julkisesti saatavilla olevaa dataa. Jotta voidaan hyödyntää generatiivisen tekoälyn kykyjä yrityksen toimitusketjussa, nämä mallit on säädettävä yrityksen omalle datalle ja kontekstille. Toisin sanoen, yleisesti koulutettua mallia ei voida käyttää. Datanhallinnan haasteet, kuten datan laatu, integrointi ja suorituskyky, jotka haittaavat nykyisiä muutosprojekteja, voivat myös vaikuttaa generatiivisen tekoälyn investointeihin, johtaen aikaa vievään ja kalliiseen harjoitukseen ilman oikean datanhallintaratkaisun valmiutta.

Generatiivinen tekoäly riippuu mallien tuntemisesta koulutusdatassa ja jos toimitusketjun ammattilaiset ovat oppineet jotain viimeisten kolmen vuoden aikana, se on, että toimitusketjut jatkavat uusien riskien ja ennennäkemättömien mahdollisuuksien kohtaamista.

Tietoturva ja sääntely

Generatiivisen tekoälymallien perusvaatimus on pääsy laajiin määrään koulutusdataa ymmärtääkseen malleja ja kontekstia. Sanottuna, generatiivisen tekoälysovelluksen ihmismäinen liittymä voi johtaa käyttäjän henkilöllisyyden varastamiseen, phishaukseen ja muihin tietoturvaongelmiin. Vaikka rajoitettu pääsy mallin koulutukseen voi johtaa tekoälyn heikkoon suorituskykyyn, pääsyn antaminen toimitusketjun dataan voi johtaa tietoturvaloukkauksiin, joissa kriittinen ja arkaluontoinen tieto voidaan tehdä saataville valtuuttamattomille käyttäjille.

On myös epäselvää, miten eri hallitukset valitsevat sääntelemään generatiivista tekoälyä tulevaisuudessa sen käytön jatkuessa ja uusien sovellusten kehittyessä. Useat tekoälyasiantuntijat ovat ilmaisseet huolensa tekoälyn aiheuttamasta riskistä ja pyytäneet hallituksia keskeyttämään jättimäiset tekoälykokeet, kunnes teknologiajohtajat ja päättäjät voivat luoda säännöt ja sääntelyt turvallisuuden varmistamiseksi.

Generatiivinen tekoäly tarjoaa runsaasti parantamismahdollisuuksia niille organisaatioille, jotka voivat hyödyntää tätä teknologiaa ja luoda voimakkaan kiihdyttäjän ihmisen älyllisyydelle, luovuudelle ja päätöksentekolle. Sanottuna, kunnes on kehitetty malleja, jotka on suunniteltu nimenomaan toimitusketjun sovelluksiin, paras tapa edetä on tasapainoinen lähestymistapa generatiivisen tekoälyn investointeihin.

On viisasta perustaa asianmukaiset esteet varmistamaan, että tekoäly tarjoaa joukon optimoituja suunnitelmia kullekin käyttäjälle tarkasteltavaksi ja valittavaksi, jotka ovat linjassa liiketoimintaprosessien ja tavoitteiden kanssa. Liiketoiminnat, jotka yhdistävät “liiketoimintakirjat” generatiivisen tekoälyyn, pystyvät parhaiten lisäämään tiimien kapasiteettia suunnitella, päätellä ja toteuttaa samalla optimoiden toivottuja liiketoimintatuloksia. Organisaatioiden tulisi myös ottaa huomioon vahva liiketoimintatapaus, datan ja käyttäjien turvallisuus sekä mitattavat liiketoimintatavoitteet ennen uuden generatiivisen tekoälytekniikan investointia.