공급망에서 생성 AI의 역할

2020년 공급망 중단이 이사회 논의의 빈번한 주제가 된 것처럼 제너레이티브 AI도 2023년의 뜨거운 주제가 되었습니다. 결국 OpenAI의 ChatGPT는 처음 두 달 동안 사용자 100억 명, 역사상 가장 빠르게 성장하는 소비자 애플리케이션 채택이 되었습니다.

공급망은 대량의 데이터를 기반으로 작동하고 생성된다는 점에서 어느 정도 생성 AI 적용에 매우 적합합니다. 데이터의 다양성과 양, 다양한 유형의 데이터는 매우 복잡한 실제 문제인 공급망 성능을 최적화하는 방법에 복잡성을 더합니다. 공급망에서 생성적 AI의 사용 사례는 자동화 증가, 수요 예측, 주문 처리 및 추적, 기계 예측 유지 관리, 위험 관리, 공급업체 관리 등을 포함하여 광범위하지만 많은 경우 예측 AI에도 적용되어 이미 채택되었습니다. 대규모로 배포됩니다.

이 기사에서는 공급망의 생성 AI에 특히 적합한 몇 가지 사용 사례를 간략하게 설명하고 공급망 리더가 투자하기 전에 고려해야 할 몇 가지 주의 사항을 제공합니다.

의사결정 지원

공급망에서 AI와 ML의 주요 목적은 의사결정 프로세스를 용이하게 하여 속도와 품질을 향상시키는 것입니다. 예측 AI는 보다 정확한 예측을 제공하고, 아직 식별되지 않은 새로운 패턴을 발견하며, 매우 많은 양의 관련 데이터를 사용하여 이를 수행합니다. Generative AI는 공급망 관리의 다양한 기능 영역을 지원하여 이를 한 단계 더 발전시킬 수 있습니다. 예를 들어, 공급망 관리자는 생성적 AI 모델을 사용하여 명확한 질문을 하고, 추가 데이터를 요청하고, 영향 요인을 더 잘 이해하고, 유사한 시나리오에서 의사결정의 과거 성과를 확인할 수 있습니다. 간단히 말해서, 생성적 AI는 의사 결정에 앞서 실사 프로세스를 사용자에게 훨씬 더 빠르고 쉽게 만듭니다.

또한 생성 AI는 기본 데이터와 모델을 기반으로 대량의 정형 및 비정형 데이터를 분석하고 다양한 시나리오를 자동으로 생성하며 제시된 옵션을 기반으로 권장 사항을 제공할 수 있습니다. 이를 통해 공급망 관리자가 현재 수행하는 비부가가치 작업을 크게 줄이고 데이터 기반 의사결정을 내리고 시장 변화에 더 빠르게 대응하는 데 더 많은 시간을 할애할 수 있습니다.

공급망 관리 인재 부족에 대한 (가능한) 해결책

지난 몇 년 동안 기업은 기획자의 소진, 인력 감소, 직무의 복잡한 특성으로 인한 신규 채용에 대한 가파른 학습 곡선으로 인해 공급망 인재 부족으로 어려움을 겪었습니다. 생성적 AI 모델은 기업의 표준 운영 절차, 비즈니스 프로세스, 워크플로 및 소프트웨어 문서에 맞게 조정된 다음 상황에 맞는 관련 정보로 사용자 쿼리에 응답할 수 있습니다. 일반적으로 생성 AI와 관련된 대화형 사용자 인터페이스를 사용하면 지원 시스템과의 상호 작용이 훨씬 쉬워지고 쿼리를 구체화할 수 있어 올바른 정보를 찾는 데 걸리는 시간이 더욱 단축됩니다.

생성적 AI 기반 학습 및 개발 시스템과 생성적 AI 기반 지원 의사결정을 결합하면 다양한 변경 관리 문제의 해결을 가속화하는 데 도움이 될 수 있습니다. 또한 교육 시간과 업무 경험 요구 사항을 줄여 신입 직원의 역량 강화를 가속화할 수 있습니다. 더 중요한 것은 생성적 AI는 장애인에게 힘을 실어줄 수 있다 의사소통을 강화하고, 인지력을 향상시키고, 읽기 및 쓰기 지원을 제공하고, 개인 정리를 제공하고, 지속적인 학습 및 개발을 지원합니다.

일부에서는 생성 AI가 향후 일자리 손실로 이어질 것이라고 우려하는 반면, 다른 사람들은 그렇게 될 것이라고 생각합니다. 반복적인 작업을 제거하고 보다 전략적인 작업을 위한 공간을 확보하여 작업 수준을 높입니다.. 한편, 오늘날의 고질적인 공급망과 디지털 인재 부족 현상을 해결할 것으로 전망된다. 그렇기 때문에 기술을 활용하는 방법을 배우는 것이 중요합니다.

디지털 공급망 모델 구축

공급망은 탄력적이고 민첩해야 하며, 이를 위해서는 전사적 가시성이 필요합니다. 공급망은 가시성을 위해 전체 네트워크를 "알고" 있어야 합니다. 그러나 전체 n계층 공급망 네트워크의 디지털 모델을 구축하는 데에는 비용이 많이 드는 경우가 많습니다. 대기업에서는 수십 또는 수백 개의 시스템에 데이터가 분산되어 있습니다. 500개 이상의 애플리케이션을 동시에 관리하는 대부분의 대기업 ERP, CRM, PLM, 조달 및 소싱, 계획, WMS, TMS 등에 걸쳐 있습니다. 이러한 복잡성과 단편화로 인해 서로 다른 데이터를 논리적으로 통합하는 것은 극히 어렵습니다. 이는 조직이 XNUMX차 또는 XNUMX차 공급업체를 넘어 구조화된 형식으로 데이터를 수집할 가능성이 없는 곳을 찾는 경우 더욱 복잡해집니다.

생성적 AI 모델은 구조화된 데이터(마스터 데이터, 거래 데이터, EDI) 및 구조화되지 않은 데이터(계약서, 송장, 이미지 스캔)를 포함한 방대한 양의 데이터를 처리하여 제한된 데이터 사전 처리를 통해 패턴과 컨텍스트를 식별할 수 있습니다. 생성적 AI 모델은 패턴을 통해 학습하고 확률 계산(일부 인간 개입 포함)을 사용하여 다음 논리적 출력을 예측하므로 더 빠르고 규모에 맞게 n계층 공급 네트워크의 진정한 디지털 모델을 생성하고 간 및 내부를 최적화할 수 있습니다. -회사 협업 및 가시성. 이 n계층 모델은 분쟁 광물 식별, 환경에 민감한 자원 또는 영역의 사용, 제품 및 프로세스의 탄소 배출량 계산 등을 포함하되 이에 국한되지 않는 ESG 이니셔티브를 지원하기 위해 더욱 강화될 수 있습니다.

생성적 AI가 공급망 리더에게 혁신을 이루고 전략적 이점을 창출할 수 있는 중요한 기회를 제공하더라도 고려해야 할 특정 우려 사항과 위험이 있습니다.

귀하의 공급망은 독특합니다

ChatGPT 또는 Dall-E와 같은 생성 AI의 일반적인 사용은 모델이 공개적으로 사용 가능한 방대한 양의 데이터를 학습하기 때문에 현재 본질적으로 더 광범위한 작업을 처리하는 데 성공적입니다. 엔터프라이즈 공급망에서 생성 AI의 기능을 실제로 활용하려면 이러한 모델을 해당 엔터프라이즈 데이터와 조직의 특정 상황에 맞게 미세 조정해야 합니다. 즉, 일반적으로 훈련된 모델을 사용할 수 없습니다. 현재 변환 프로젝트를 방해하는 데이터 품질, 통합, 성능과 같은 데이터 관리 문제는 생성 AI 투자에도 영향을 미칠 수 있으며, 이는 올바른 데이터 관리 솔루션이 이미 마련되어 있지 않은 상태에서 시간 집약적이고 비용이 많이 드는 작업으로 이어질 수 있습니다.

생성적 AI는 이해에 달려 있습니다. 패턴 교육 데이터 내에서 그리고 공급망 전문가가 지난 XNUMX년 동안 배운 것이 있다면 공급망은 계속해서 새로운 위험과 전례 없는 기회에 직면하게 될 것이라는 것입니다.

보안 및 규정

생성적 AI 모델의 기본 요구 사항은 패턴과 맥락을 이해하기 위해 방대한 양의 교육 데이터에 액세스하는 것입니다. 즉, 생성 AI 애플리케이션의 인간과 유사한 인터페이스는 사용자 사칭, 피싱 및 기타 보안 문제로 이어질 수 있습니다. 모델 교육에 대한 제한된 액세스로 인해 AI의 성능이 저하될 수 있지만, 공급망 데이터에 대한 무제한 액세스를 허용하면 중요하고 민감한 정보가 무단 사용자에게 제공되는 정보 보안 사고가 발생할 수 있습니다.

또한 채택이 계속 증가하고 생성 AI의 새로운 응용 프로그램이 발견됨에 따라 다양한 정부가 향후 생성 AI를 어떻게 규제하기로 선택할 것인지도 불분명합니다. 몇몇 AI 전문가들은 이에 대해 우려를 표명했다. AI로 인한 위험, 기술 리더와 정책 입안자가 안전을 보장하기 위한 규칙과 규정을 수립할 때까지 정부에 대규모 AI 실험을 중단할 것을 요청합니다.

제너레이티브 AI는 이 기술을 활용하고 인간의 독창성, 창의성 및 의사 결정을 위한 힘 승수를 창출할 수 있는 조직에 풍부한 개선 기회를 제공합니다. 즉, 공급망 사용 사례에 맞게 훈련되고 명시적으로 설계된 모델이 있을 때까지 앞으로 나아가는 가장 좋은 방법은 생성적 AI 투자에 대한 균형 잡힌 접근 방식입니다.

적절한 가드레일을 설정하는 것은 AI가 각 사용자가 비즈니스 프로세스 및 목표에 맞춰 검토하고 선택할 수 있는 일련의 최적화된 계획을 제공하도록 신중하게 해야 합니다. "비즈니스 플레이북"과 생성 AI를 결합한 기업은 팀의 계획, 결정, 실행 능력을 높이는 동시에 원하는 비즈니스 결과를 최적화할 수 있는 가장 좋은 방법입니다. 또한 조직은 새로운 생성 AI 기술에 투자하기 전에 강력한 비즈니스 사례, 데이터 및 사용자 보안, 측정 가능한 비즈니스 목표를 고려해야 합니다.