רעבים לנתונים: כיצד AI שרשרת אספקה יכולה להגיע לנקודת המפנה שלה

בינה מלאכותית (AI) בשרשראות אספקה היא דבר של תרנגול או ביצה. ישנם אלו שמשבחים את AI על יכולתה ליצור ראיה גדולה יותר לתפעולי שרשרת האספקה. במילים אחרות, AI ראשון, ראיה שנייה.

אשר עשוי להיות נכון כאשר ראיה בזמן אמת של שרשרת האספקה לא הייתה בנמצא באופן אחר. אבל AI שרשרת אספקה משובח – כולל GenAI רב עוצמה, אשר יוצרת תובנות, תוצאות, תהליכים ויעילות חדשים ממאגרי נתונים עצומים – דורשת שנהפוך את המשוואה על ראשה. ראיה ראשונה, ואחריה חדשנות GenAI בכל רחבי שרשרת האספקה.

ניתן לדמיין מנהל אזורי של ריטייל, מנהל הפצה, יצרן או קצין רכש שמתעורר ביום שני, משגר צ’אטבוט AI מוכר (אולי אפילו מופעל קול) ושואל בשפה טבעית אם שרשרת האספקה שלו מותאמת לשבוע. ואם לא, שואל כיצד ניתן להתאים את שרשרת האספקה כדי להשיג את היעדים. GenAI מאפשרת אינטראקציה זו עם מערכות שרשרת האספקה.

אבל הדרך היחידה שבה פתרון שרשרת אספקה המבוסס על GenAI יכול לספק אוטומטית תשובות כאלה היא אם הוא יודע את הסטטוס, המיקום, המצב, התנועה וכו’ של כל מוצר, קופסה, תיבה, פלט וכו’ בשרשרת האספקה. והדרך היחידה שהוא יודע את זה היא אם המוצרים עצמם יכולים לתקשר את המידע באופן אוטומטי ללא התערבות אנוש. היום, הם יכולים, דרך פלטפורמת ראיה אוביקויטית הנקראת אינטרנט הדברים הסביבתי (IoT).

GenAI בשרשרת האספקה

חברת הייעוץ הגלובלית Ernst & Young מעריכה כי 40 אחוז מחברות שרשרת האספקה משקיעות ב-GenAI. הם השתמשו ב-GenAI כדי למפות רשתות אספקה מורכבות, לרוץ תרחישי “מה אם”, לתכנן אספקה במעלה ובמורד הזרם, לפתח צ’אטבוטים כדי ששותפים יוכלו לקבל תשובות בקלות יותר, ואפילו ליצור חוזים חדשים על בסיס הסכמים קודמים או קיימים.

במקרים כאלה, חברות מאמנות מודלי AI על נתונים היסטוריים משלהן ועל מה שהן יכולות ללמוד משותפים. אז הן שואלות GenAI למצוא דרכים לשפר את היעילות. אבל כפי שאנליסטים של EY אומרים, “כלים GenAI הם רק כחזקים כמו נתוני הקלט שלהם, לכן הם מוגבלים על ידי איכות וזמינות הנתונים משותפי שרשרת האספקה.”

הגביע הקדוש של AI שרשרת האספקה, עם זאת, הוא ליצור נתיבים, תהליכים, עיצובי מוצרים ורשימות ספקים חדשים על בסיס נתונים בזמן אמת – ולעשות זאת במהירות האפשרית (שהיא מהירה יותר מאשר אפשר לבני אדם). או כפי שאחד המנהלים אמר ל-Harvard Business Review, “כאשר יש משבר שרשרת אספקה, המפתח להיות תחרותי הוא להיות מהיר יותר במציאת ספקים חלופיים מכולם, כי כולם מנסים לעשות את אותו הדבר.”

זה דורש אימון פתרונות GenAI על נתונים רבים יותר – ונתונים עדכניים יותר – על תפעולי שרשרת האספקה. נכנס ה-ambient IoT.

Ambient IoT: שפת שרשראות האספקה

עם ambient IoT, מוצרים, אריזות ומקומות נושאים חתימות דיגיטליות, אשר הן שפת הראיה בזמן אמת של שרשרת האספקה, שבסופו של דבר מזינות את מודלי השפה הגדולים (LLM) שהם הבסיס ל-GenAI. חתימות אלה נישאות על ידי IoT Pixels, תגיות אלקטרוניות עצמאיות, בגודל בול, המודבקות לכל דבר בשרשרת האספקה שזקוק לעקיבה ולפיקוח. IoT Pixels כוללים את כוח המחשוב, חיישנים ותקשורת Bluetooth, המאפשרים למוצרים ואריזות לתאר את מסעם בשרשרת האספקה בנתונים ש-LLM יכולים לצרוך. בסופו של יום, הם מייצגים גשר בין העולם הפיזי לעולם הדיגיטלי, ומאפשרים לראשונה נתוני שרשרת אספקה שיכולים להראות, לחזות ולאופטימיזציה של פעולות.

Ambient IoT Pixels מעבירים נתונים דרך מערך קיים של התקנים אלחוטיים, כגון טלפונים חכמים ונקודות גישה אלחוטיות, או דרך גשרים ושערים תקניים, קלים להתקנה, המותקנים בחנויות, מחסנים, משאיות משלוח ועוד. בעצם, עם ההיתרים ואמצעי ההגנה המתאימים, ambient IoT Pixels יכולים להרחיב את ראית שרשרת האספקה כל הדרך לצרכן, ולתקשר נתונים על שימוש, שימוש חוזר ומחזור של מוצרים, ולשמש בסיס למודלים GenAI מתקדמים יותר.

והם שולחים נתונים ברציפות. לעומת רשומות שרשרת האספקה המשמשות לאימון מודלים GenAI היום, נתוני ambient IoT מתארים את שרשרת האספקה עכשיו. עם ראיה זו, כל מה שנשאר הוא ליישם GenAI כדי לענות עבורנו, “מה אני רואה בשרשרת האספקה שלי, עכשיו?”

ראיה בזמן אמת ויצירת נתונים של ambient IoT בכל רחבי שרשרת האספקה יכולה אפילו לעזור לטפל באחד מאתגרים של GenAI: שנתונים המשמשים לאימון LLM בהכרח משקפים הטיות נתונים בלתי מכוונות ממקורותיהם, אשר לעיתים קרובות כוללים מערכות ERP שונות של חברות.

מוצרים המעוקבים בשרשרת האספקה עם ambient IoT מדברים אמת אובייקטיבית, מכיוון שמוצרים הם, בעצם, נמצאים במקום שבו ambient IoT אומרת שהם, כאשר היא אומרת. ומכיוון ש-ambient IoT אינה דורשת עובדים עם מסורי RFID כדי לעקוב אחרי משלוחים, ניתן למזער את השגיאות האנושיות.

נתוני ambient IoT מתארים בדיוק את הנתיב ואת הזמן שמוצרים לוקחים בשרשרת האספקה. והמוצרים נושאים בדרכון המוצר הדיגיטלי שלהם מידע על הצדדים והמתקנים המעורבים בטיפולם. אם נדרש, ambient IoT Pixels יכולים להוסיף ל-LLM מידע על טמפרטורה, לחות ופליטת פחמן בכל שלב.

על פי EY, אחד התחומים בהם חברות שרשרת אספקה חוקרות את השימוש ב-GenAI הוא בדו”חות רגולטוריים ו-ESG. הדרך הטובה ביותר, היעילה ביותר, לאיסוף נתונים רבים כדי ש-GenAI תיתן מידע מסכם הוא דרך ambient IoT.

מצ’אטבוט לאוטומציה

יום-יום, ישנן שתי דרכים שנישואים של ambient IoT ו-GenAI יכולים להועיל לשרשראות אספקה. ראשית, זה יאפשר ליותר אנשים בשרשרת האספקה להבין מצבים משתנים ולנקוט צעדים פעילים כדי לאופטימיזציה או לתיקון פעולות שרשרת האספקה. אתה לא צריך להיות מומחה נתונים או מומחה רכש כדי לשאול צ’אטבוט GenAI על מצב המשלוחים או לשאול על ספקים חלופיים, אם כי חברות תמשיכו לצורך מומחי נתונים כדי לוודא ש-LLM וכלים GenAI יתפתחו כדי לתת תוצאות מועילות. אבל הדמוקרטיזציה של ניתוח שרשרת האספקה ושאילתות יכולה לאפשר קבלת החלטות מהירה הדרושה כדי להיות תחרותי.

שנית, GenAI וכלים AI אחרים יכולים לעזור לבנות גשר לעבר אוטומציה רבה יותר של שרשרת האספקה. דרך למידת מכונה, במיוחד למידת חיזוק, לעיתים קרובות נמצאת במערכות בקרה, תוכנה יכולה להתאמן לקבל החלטות שישיגו תוצאות טובות יותר. בסופו של יום, הן יכולות להתאמן לגלות הפרעות בשרשרת האספקה לפני שהן קורות ולהפעיל אוטומטית ספקים או משלוחים חלופיים. או שהן יכולות ליזום אחזקה מונעת על ידי קביעה אם מערכות או קווים מסוימים במחסן או בייצור עלולים לכשל.

הן עושות זאת על ידי למידה ממאגרי נתונים גדולים, כולל נתוני ambient IoT.

כפי שלמדנו בשנים האחרונות, שרשראות אספקה מורכבות קיימות על קצה סכין. שני גורמים מינוריים יכולים להוביל אותן לכאוס. בינה מלאכותית תהיה בעלת חשיבות קריטית למניעת כאוס עתידי. אבל כדי להגיע לשם, שרשראות האספקה צריכות לפתוח את הנתונים עבור דברים שהן לא יכולות לראות. Ambient IoT מספק את נתוני הראיה שעליהם יבנו חידושי GenAI של מחר.