Honger naar data: hoe supply chain AI zijn inflectiepunt kan bereiken

Kunstmatige intelligentie (AI) in supply chains is een kip-of-ei-verhaal. Er zijn mensen die AI prijzen voor zijn potentieel om meer zicht te creëren in supply chain-operaties. Met andere woorden, AI eerst, zichtbaarheid tweede.

Wat misschien waar was toen alomtegenwoordige, real-time supply chain-zichtbaarheid niet anderszins haalbaar was. Maar transformatieve supply chain-AI — inclusief enorm krachtige generatieve AI, die verse inzichten, resultaten, processen en efficiëntie creëert uit enorme datasets — vereist dat we de vergelijking omdraaien. Zichtbaarheid eerst, gevolgd door GenAI-gedreven innovatie in de hele supply chain.

Stel je een regionale retailmanager, distributeur, fabrikant of inkoopmanager voor die op een maandag wakker wordt, een vertrouwde AI-chatbot (misschien zelfs spraakgeactiveerd) start en in natuurlijke taal vraagt of hun supply chain voor de week is geoptimaliseerd. En als dat niet zo is, vraagt hoe de supply chain kan worden aangepast om hun doelen te bereiken. GenAI maakt deze interactie met supply chain-systemen mogelijk.

Maar de enige manier waarop een GenAI-gebaseerde supply chain-oplossing automatisch zulke antwoorden kan geven, is als het de status, locatie, conditie, beweging, enz. van elk product, doos, kist, pallet, enz. in de supply chain kent. En de enige manier waarop het dat weet, is als de producten zelf automatisch informatie kunnen communiceren zonder menselijke tussenkomst. Vandaag kunnen ze dat, via een alomtegenwoordige zichtbaarheidsplatform genaamd het ambient internet van dingen (IoT).

GenAI in de supply chain

Het wereldwijde adviesbureau Ernst & Young schat dat 40 procent van de supply chain-bedrijven investeert in GenAI. Ze hebben GenAI gebruikt om complexe supply chain-netwerken in kaart te brengen, “wat als”-scenarios te runnen, voorraden stroomopwaarts en stroomafwaarts te voorspellen, chatbots te ontwikkelen zodat partners gemakkelijker antwoorden kunnen krijgen en zelfs nieuwe contracten te genereren op basis van eerdere of bestaande overeenkomsten.

In dergelijke gevallen trainen bedrijven AI-modellen op hun eigen historische gegevens en wat ze kunnen verzamelen van partners. Vervolgens vragen ze GenAI om manieren te vinden om de efficiëntie te verhogen. Maar zoals EY-analisten het stellen, “GenAI-hulpmiddelen zijn alleen zo krachtig als hun invoerdata, dus ze zijn beperkt door de kwaliteit en beschikbaarheid van gegevens van supply chain-partners.”

De Heilige Graal van supply chain-AI is echter om nieuwe routes, processen, productontwerpen en leverancierslijsten te genereren op basis van real-time gegevens — en dat zo snel mogelijk te doen (wat sneller is dan menselijk mogelijk). Of zoals een executive tegen de Harvard Business Review zei, “Wanneer er een supply chain-crisis is, is de sleutel tot concurrerend zijn om sneller alternatieve leveranciers te vinden dan iedereen anders, omdat iedereen hetzelfde probeert te doen.”

Dit vereist het trainen van GenAI-oplossingen op veel meer — en actuelere — gegevens over daadwerkelijke supply chain-operaties. Komt de ambient IoT binnen.

Ambient IoT: de taal van supply chains

Met ambient IoT dragen producten, verpakkingen en plaatsen digitale handtekeningen, die de real-time zichtbaarheidstaal van de supply chain zijn, die uiteindelijk voeden in de grote taalmodellen (LLM’s) die de basis vormen van GenAI. Deze handtekeningen worden via IoT-Pixels gedragen, zelfvoorzienende, postzegelgrote elektronische tags die op alles in de supply chain worden bevestigd dat moet worden gespoord en gemonitord. IoT-Pixels bevatten hun eigen rekenkracht, sensoren en Bluetooth-communicatie, waardoor producten en verpakkingen hun reis door de supply chain in gegevenstermen kunnen beschrijven die LLM’s kunnen consumeren. Uiteindelijk vertegenwoordigen ze een brug tussen de fysieke en digitale wereld, waardoor voor het eerst supply chain-gegevens beschikbaar komen die daadwerkelijk operaties kunnen laten zien, voorspellen en optimaliseren.

Ambient IoT-Pixels communiceren gegevens via een bestaand netwerk van bestaande draadloze apparaten, zoals smartphones en draadloze toegangspunten, of via eenvoudig te implementeren, standaardbruggen en -poorten die in winkels, magazijnen, bezorgwagens en meer worden geïnstalleerd. Feitelijk kunnen ambient IoT-Pixels, met de juiste toestemming en privacybescherming, de supply chain-zichtbaarheid uitbreiden tot de consument, gegevens communiceren over productgebruik, hergebruik en recycling, en de basis vormen voor geavanceerdere GenAI-modellen.

En ze sturen gegevens continu. In tegenstelling tot de supply chain-records die worden gebruikt om GenAI-modellen vandaag te trainen, beschrijven ambient IoT-gegevens de supply chain nu. Met deze zichtbaarheid is alles wat overblijft om GenAI te implementeren om voor ons te antwoorden: “Wat zie ik in mijn supply chain, nu?”

Real-time zichtbaarheid en ambient IoT-gegegensgeneratie in de hele supply chain konden zelfs helpen om een van de uitdagingen van GenAI aan te pakken: dat de gegevens die worden gebruikt om LLM’s te trainen, noodzakelijkerwijs onbewuste gegevensvooringenomenheden van hun genererende bronnen weerspiegelen, die vaak bestaan uit bedrijfs-ERP-systemen.

Producten die via de supply chain worden gespoord met ambient IoT spreken objectieve waarheid, omdat producten in feite op de locatie zijn die ambient IoT aangeeft, wanneer het dat aangeeft. En omdat ambient IoT geen werknemers met RFID-scanners nodig heeft om zendingen te volgen, kan menselijke fouten worden geminimaliseerd.

Ambient IoT-gegevens beschrijven exact de route en tijd die producten in de supply chain nemen. En de producten dragen in hun digitale productpaspoorten gegevens over de partijen en faciliteiten die betrokken zijn bij hun behandeling. Als van toepassing kunnen ambient IoT-Pixels aan een LLM informatie toevoegen over temperatuur, vochtigheid en koolstofemissies elke stap op weg.

Volgens EY is een van de gebieden waarop supply chain-bedrijven de toepassing van GenAI onderzoeken, regelgeving en ESG-rapportage. De beste, meest kosteneffectieve manier om uitgebreide gegevens te verzamelen zodat GenAI compliant-informatie oplevert, is via ambient IoT.

Van chatbot tot automatisering

Dagelijks zijn er twee manieren waarop een combinatie van ambient IoT en GenAI supply chains kan helpen. Ten eerste zou het meer mensen in de supply chain in staat stellen om evoluerende situaties te begrijpen en actieve stappen te nemen om supply chain-operaties te optimaliseren of te corrigeren. U hoeft geen data-analist of inkoopspecialist te zijn om een GenAI-chatbot te vragen naar de status van zendingen of om alternatieve leveranciers te zoeken, hoewel bedrijven nog steeds data-experts nodig zullen hebben om ervoor te zorgen dat de LLM’s en GenAI-hulpmiddelen evolueren om bruikbare resultaten op te leveren. Maar de democratisering van supply chain-analyse en -onderzoek kan de snelle besluitvorming mogelijk maken die nodig is om concurrerend te zijn.

Ten tweede kunnen GenAI en andere AI-hulpmiddelen helpen om een brug te bouwen naar grotere supply chain-automatisering. Via machine learning, specifiek versterking van het leren dat vaak in besturingssystemen wordt aangetroffen, kan software worden getraind om beslissingen te nemen die betere resultaten opleveren. Uiteindelijk kunnen ze worden getraind om supply chain-storingen te detecteren voordat ze gebeuren en automatisch alternatieve leveranciers of vervoerders in te schakelen. Of ze kunnen preventief onderhoud initiëren door te bepalen of bepaalde magazijn- of productiesystemen of -lijnen kunnen falen.

Ze doen dit door te leren van grote datasets, waaronder ambient IoT-gegenereerde supply chain-gegevens.

Wat we de afgelopen jaren hebben geleerd, is dat complexe supply chains op een scheermesrand bestaan. Een paar kleine factoren kunnen ze in chaos storten. Kunstmatige intelligentie zal cruciaal zijn om toekomstige chaos te voorkomen. Maar om daar te komen, moeten supply chains gegevens ontgrendelen voor dingen die ze nu niet kunnen zien. Ambient IoT levert de zichtbaarheidsgegevens die de GenAI-innovaties van morgen zullen worden gebouwd.