Lapar untuk Data: Bagaimana AI Rantai Pasokan Dapat Mencapai Titik Baliknya

Kecerdasan buatan (AI) di rantai pasokan adalah sebuah paradoks. Ada yang memuji AI karena potensinya untuk menciptakan visibilitas yang lebih besar dalam operasi rantai pasokan. Dengan kata lain, AI terlebih dahulu, visibilitas kedua.

Yang mungkin benar ketika visibilitas rantai pasokan waktu nyata tidak dapat dicapai dengan cara lain. Tapi AI rantai pasokan yang transformatif — termasuk AI generatif yang sangat kuat, yang menciptakan wawasan, hasil, proses, dan efisiensi baru dari dataset besar — memerlukan kita membalikkan persamaan pada kepalanya. Visibilitas terlebih dahulu, diikuti oleh inovasi GenAI yang didorong di seluruh rantai pasokan.

Bayangkan seorang manajer ritel regional, distributor, produsen, atau petugas pengadaan yang bangun pada hari Senin, meluncurkan chatbot AI yang familiar (mungkin bahkan diaktifkan suara), dan bertanya dalam bahasa alami apakah rantai pasokannya dioptimalkan untuk minggu itu. Dan jika tidak, bertanya bagaimana rantai pasokan dapat disesuaikan untuk mencapai tujuannya. GenAI memungkinkan interaksi ini dengan sistem rantai pasokan.

Tapi satu-satunya cara solusi rantai pasokan berbasis GenAI dapat secara otomatis memberikan jawaban tersebut adalah jika tahu status, lokasi, kondisi, pergerakan, dan sebagainya dari setiap produk, kotak, kasus, palet, dan sebagainya di rantai pasokan. Dan satu-satunya cara tahu itu adalah jika produk itu sendiri dapat berkomunikasi secara otomatis tanpa intervensi manusia. Sekarang, mereka dapat, melalui platform visibilitas yang disebut internet of things (IoT) ambient.

GenAI di Rantai Pasokan

Konsultan global Ernst & Young memperkirakan 40 persen perusahaan rantai pasokan berinvestasi di GenAI. Mereka telah menggunakan GenAI untuk memetakan jaringan rantai pasokan yang kompleks, menjalankan skenario “apa yang terjadi jika”, memperkirakan pasokan hulu dan hilir, mengembangkan chatbot sehingga mitra dapat mendapatkan jawaban lebih mudah, dan bahkan menghasilkan kontrak baru berdasarkan perjanjian sebelumnya atau yang ada.

Dalam kasus seperti itu, perusahaan melatih model AI dengan data historis mereka sendiri dan apa yang dapat mereka peroleh dari mitra. Lalu mereka meminta GenAI untuk menemukan cara untuk meningkatkan efisiensi. Tapi seperti yang dikatakan analis EY, “Alat GenAI hanya sekuat data inputnya, sehingga mereka terbatas oleh kualitas dan ketersediaan data dari mitra rantai pasokan.”

Sangat diinginkan dari AI rantai pasokan, bagaimanapun, adalah untuk menghasilkan rute, proses, desain produk, dan daftar supplier baru berdasarkan data waktu nyata — dan untuk melakukannya secepat mungkin (yang lebih cepat dari yang mungkin dilakukan manusia). Atau seperti yang dikatakan satu eksekutif kepada Harvard Business Review, “Ketika ada krisis rantai pasokan, kunci untuk bersaing adalah untuk lebih cepat menemukan supplier alternatif daripada yang lain karena semua orang mencari melakukan hal yang sama.”

Ini memerlukan pelatihan solusi GenAI pada data yang jauh lebih besar — dan lebih mutakhir — tentang operasi rantai pasokan yang sebenarnya. Masuklah IoT ambient.

IoT Ambient: Bahasa Rantai Pasokan

Dengan IoT ambient, produk, kemasan, dan tempat membawa tanda tangan digital, yang merupakan bahasa visibilitas waktu nyata rantai pasokan, yang akhirnya akan memasuki model bahasa besar (LLM) yang merupakan dasar GenAI. Tanda tangan ini dibawa melalui IoT Pixels, label elektronik berdaya sendiri yang ditempelkan pada apa pun di rantai pasokan yang perlu dilacak dan dipantau. IoT Pixels termasuk daya komputasi, sensor, dan komunikasi Bluetooth, yang memungkinkan produk dan kemasan untuk menggambarkan perjalanan mereka melalui rantai pasokan dalam istilah data yang dapat dikonsumsi oleh LLM. Pada akhirnya, mereka mewakili jembatan antara dunia fisik dan digital, membuat data rantai pasokan yang sebenarnya tersedia untuk pertama kalinya, yang dapat menunjukkan, memprediksi, dan mengoptimalkan operasi.

IoT Pixels ambient berkomunikasi melalui jaringan perangkat nirkabel yang ada, seperti smartphone dan titik akses nirkabel, atau melalui jembatan dan gerbang yang dipasang dengan mudah, yang dipasang di toko, gudang, truk pengiriman, dan lain-lain. Bahkan, dengan izin yang tepat dan perlindungan privasi, IoT Pixels ambient dapat memperluas visibilitas rantai pasokan hingga ke konsumen, berbagi data tentang penggunaan produk, penggunaan kembali, dan daur ulang, yang membentuk dasar untuk model GenAI yang lebih maju.

Dan mereka mengirim data secara terus-menerus. Tidak seperti catatan rantai pasokan yang digunakan untuk melatih model GenAI saat ini, data IoT ambient menggambarkan rantai pasokan saat ini. Dengan visibilitas ini, semua yang tersisa adalah untuk menerapkan GenAI untuk menjawab bagi kita, “Apa yang saya lihat di rantai pasokan saya, saat ini?”

Visibilitas waktu nyata dan generasi data IoT ambient di seluruh rantai pasokan bahkan dapat membantu menangani salah satu tantangan GenAI: bahwa data yang digunakan untuk melatih LLM secara tidak sengaja mencerminkan bias data dari sumbernya, yang sering kali termasuk sistem ERP perusahaan.

Produk yang dilacak melalui rantai pasokan dengan IoT ambient berbicara kebenaran objektif karena produk sebenarnya berada di mana IoT ambient mengatakan mereka berada, ketika mereka mengatakan mereka berada. Dan karena IoT ambient tidak memerlukan pekerja dengan pemindai RFID untuk melacak pengiriman, kesalahan manusia dapat diminimalkan.

Data IoT ambient menggambarkan secara tepat rute dan waktu produk melalui rantai pasokan. Dan produk membawa dalam paspor produk digital mereka data tentang pihak dan fasilitas yang terlibat dalam penanganannya. Jika berlaku, IoT Pixels ambient dapat menambahkan informasi tentang suhu, kelembaban, dan emisi karbon setiap langkahnya.

Menurut EY, salah satu area di mana perusahaan rantai pasokan menjelajahi penggunaan GenAI adalah pelaporan regulasi dan ESG. Cara terbaik dan paling efektif untuk mengumpulkan data besar sehingga GenAI menghasilkan informasi yang sesuai adalah melalui IoT ambient.

Dari Chatbot ke Otomatisasi

Hari demi hari, ada dua cara pernikahan IoT ambient dan GenAI dapat membantu rantai pasokan. Pertama, ini akan memungkinkan lebih banyak orang di rantai pasokan untuk memahami situasi yang berkembang dan mengambil langkah aktif untuk mengoptimalkan atau memperbaiki operasi rantai pasokan. Anda tidak perlu menjadi analis data atau spesialis pengadaan untuk bertanya kepada chatbot GenAI tentang status pengiriman atau meminta supplier alternatif, meskipun perusahaan akan terus membutuhkan ahli data untuk memastikan LLM dan alat GenAI berkembang untuk menghasilkan hasil yang berguna. Tapi demokratisasi analisis dan pertanyaan rantai pasokan dapat memungkinkan pengambilan keputusan yang cepat yang diperlukan untuk bersaing.

Kedua, GenAI dan alat AI lainnya dapat membantu membangun jembatan menuju otomatisasi rantai pasokan yang lebih besar. Melalui pembelajaran mesin, khususnya pembelajaran penguatan yang sering ditemukan di sistem kontrol, perangkat lunak dapat dilatih untuk membuat keputusan yang menghasilkan hasil yang lebih baik. Akhirnya, mereka dapat dilatih untuk mendeteksi gangguan rantai pasokan sebelum mereka terjadi dan secara otomatis mengaktifkan supplier atau pengirim alternatif. Atau mereka dapat memulai pemeliharaan prediktif dengan menentukan apakah sistem atau jalur gudang atau manufaktur tertentu mungkin gagal.

Mereka melakukan ini dengan belajar dari dataset besar, termasuk data rantai pasokan yang dihasilkan oleh IoT ambient.

Sebagaimana yang telah kita pelajari dalam beberapa tahun terakhir, rantai pasokan yang kompleks ada di tepi pisau. Beberapa faktor kecil dapat menjatuhkannya ke dalam kekacauan. Kecerdasan buatan akan sangat penting untuk menghindari kekacauan di masa depan. Tapi untuk mencapai itu, rantai pasokan perlu membuka kunci data untuk hal-hal yang tidak dapat mereka lihat saat ini. IoT ambient menyediakan data visibilitas yang akan dibangun inovasi GenAI di masa depan.