Sultne etter data: Hvordan kunstig intelligens i leverandørkjeden kan nå sitt inflexionspunkt

Kunstig intelligens (AI) i leverandørkjeder er en høne-egg-problem. Det finnes de som roser AI for dens potensiale til å skape større synlighet inn i leverandørkjedeoperasjoner. Med andre ord, AI først, synlighet andre.

Dette kan ha vært sant da gjennomgripende, sanntids synlighet i leverandørkjeder ikke var mulig på andre måter. Men transformasjonell AI i leverandørkjeder — inkludert usedvanlig kraftfulle generative AI, som skaper nye innsikter, resultater, prosesser og effektivitet fra massive datamengder — krever at vi snur ligningen på hodet. Synlighet først, fulgt av GenAI-drevet innovasjon gjennom hele leverandørkjeden.

Forestall en regional detaljhandelsleder, distributør, produsent eller innkjøpsansvarlig som våkner på en mandag, starter en kjent AI-chatbot (kanskje selv stemmeaktiveret), og spør på naturlig språk om deres leverandørkje er optimalt for uken. Og hvis det ikke er, spør hvordan leverandørkjeden kan justeres for å møte deres mål. GenAI muliggjør denne interaksjonen med leverandørkjedesystemer.

Men den eneste måten en GenAI-basert leverandørkjedeløsning kan levere slike svar automatisk er hvis den kjenner til status, plassering, tilstand, bevegelse osv. for hver vare, boks, kasse, pall osv. i leverandørkjeden. Og den eneste måten den vet det er hvis varene selv kan kommunisere informasjonen uten menneskelig inngripen. I dag kan de det, gjennom en allomfattende synlighetplattform kalt den omgivende internettet (IoT).

GenAI i leverandørkjeden

Det globale konsulentselskapet Ernst & Young estimerer at 40 prosent av leverandørkjeselskaper investerer i GenAI. De har brukt GenAI til å kartlegge komplekse leverandørnetverk, kjøre “hva-hvis”-scenarier, forutsi oppstrøms og nedstrøms leverandører, utvikle chatboter så partnere kan få svar lettere, og til og med generere nye kontrakter basert på tidligere eller eksisterende avtaler.

I slike tilfeller har selskaper trent AI-modeller på deres eget, historiske data og det de kan hente fra partnere. Deretter har de bedt GenAI om å finne måter å øke effektiviteten på. Men som EY-analytikerne sier, “GenAI-verktøy er bare like kraftfulle som deres inndata, så de er begrensede av kvaliteten og tilgjengeligheten av data fra leverandørpartnere.”

Hellige gral for AI i leverandørkjeder er å generere nye ruter, prosesser, produktutforminger og leverandørlisteer basert på sanntidsdata — og å gjøre det så raskt som mulig (som er raskere enn menneskelig mulig). Eller som en direktør fortalte Harvard Business Review, “Når det er en leverandørkrisis, er nøkkelen til å være konkurransedyktig å være raskere til å finne alternative leverandører enn alle andre, fordi alle ser etter å gjøre det samme.”

Dette krever trening av GenAI-løsninger på langt mer — og mer aktuell — data om faktiske leverandørkjeoperasjoner. Da kommer den omgivende IoT inn i bildet.

Den omgivende IoT: Leverandørkjedens språk

Med den omgivende IoT bærer produkter, emballasje og steder digitale signaturer, som er leverandørkjedens sanntids synlighetsspråk, og som til slutt kommer inn i de store språkmodellene (LLM) som er grunnlaget for GenAI. Disse signaturer bæres via IoT-piksler, selvdrivende, stempe-størrelse elektroniske merker festet til alt i leverandørkjeden som trenger sporing og overvåking. IoT-piksler inkluderer sin egen beregningskraft, sensorer og Bluetooth-kommunikasjon, som gjør det mulig for produkter og emballasje å beskrive sin reise gjennom leverandørkjeden i datauttrykk som LLM kan forbruke. Til slutt representerer de en bro mellom den fysiske og digitale verden, og gjør det mulig å få tilgang til leverandørkjededata som faktisk kan vise, forutsi og optimalisere operasjoner.

Den omgivende IoT-piksler kommuniserer data via en etablert mesh av eksisterende trådløse enheter, som mobiltelefoner og trådløse tilgangspunkter, eller via enkelt installerte, standardiserte broer og porter i butikker, lager, leveringsbiler og mer. Faktisk kan den omgivende IoT-piksler, med tilstrekkelig tillatelse og personvernbeskyttelse, utvide leverandørkjedens synlighet helt til forbrukeren, og kommunisere data om produktbruk, gjenbruk og resirkulering, og danne grunnlaget for mer avanserte GenAI-modeller.

Og de sender data kontinuerlig. I motsetning til leverandørkjederegistrene som brukes til å trene GenAI-modeller i dag, beskriver den omgivende IoT-data leverandørkjeden akkurat nå. Med denne synlighet er alt som er igjen å implementere GenAI for å svare for oss, “Hva ser jeg i min leverandørkje, akkurat nå?”

Sanntids synlighet og den omgivende IoT-data generering gjennom hele leverandørkjeden kunne også hjelpe med å løse en av utfordringene med GenAI: at dataene som brukes til å trene LLM nødvendigvis reflekterer uforvarende dataforvrengninger fra deres genereringskilder, som ofte inkluderer selskapets forskjellige ERP-systemer.

Produkter sporet gjennom leverandørkjeden med den omgivende IoT snakker objektiv sannhet fordi produkter faktisk er der hvor den omgivende IoT sier de er, når de sier de er. Og fordi den omgivende IoT ikke krever arbeidere med RFID-scannere for å spore leveranser, kan menneskelig feil minimeres.

Den omgivende IoT-data beskriver nøyaktig ruten og tiden produkter tar i leverandørkjeden. Og produktene bærer i sine digitale produkt-pass data om partene og fasilitetene som er involvert i håndtering. Hvis aktuelt kan den omgivende IoT-piksler legge til informasjon om temperatur, fuktighet og karbonutslipp på hver enkelt trinn.

Ifølge EY er ett område hvor leverandørkjeselskaper utforsker bruken av GenAI, regulering og ESG-rapportering. Den beste og mest kostnadseffektive måten å samle inn store mengder data på så GenAI gir kompatible resultater, er gjennom den omgivende IoT.

Fra chatbot til automatisering

Dag til dag er det to måter en forening av den omgivende IoT og GenAI kunne gi fordeler til leverandørkjeder. Først ville det tillate flere mennesker i leverandørkjeden å forstå utviklingssituasjoner og iverksette aktive tiltak for å optimalisere eller korrigere leverandørkjeoperasjoner. Du trenger ikke å være en dataanalytiker eller innkjøpsspesialist for å spørre en GenAI-chatbot om status for leveranser eller spørre om alternative leverandører, selv om selskaper fortsatt kommer til å trenge dataeksperter for å sikre at LLM og GenAI-verktøy utvikler seg for å gi nyttige resultater. Men demokratiseringen av leverandørkjeanalyse og spørring kunne muliggjøre raskt beslutningstagning som er nødvendig for å være konkurransedyktig.

For det andre kan GenAI og andre AI-verktøy hjelpe med å bygge en bro mot større automatisering av leverandørkjeder. Gjennom maskinlæring, spesielt forsterkingslæring som ofte finnes i kontrollsystemer, kan programvare bli trent til å fatte beslutninger som gir bedre resultater. Til slutt kan de bli trent til å oppdage leverandørkje-forstyrrelser før de skjer og automatisk engasjere alternative leverandører eller fraktører. Eller de kan initiere forebyggende vedlikehold ved å bestemme om visse lager- eller produksjonssystemer eller -linjer kan svikte.

De gjør dette ved å lære fra store datamengder, inkludert den omgivende IoT-genererte leverandørkjededata.

Som vi har lært de siste årene, eksisterer komplekse leverandørkjeder på en knivs egg. Et par mindre faktorer kan kaste dem inn i kaos. Kunstig intelligens vil være kritisk for å unngå fremtidig kaos. Men for å komme dit, må leverandørkjeder låse opp data for ting de ikke kan se i dag. Den omgivende IoT leverer synlighetdata som morgendagens GenAI-innovasjoner vil bygges på.