Rollen til Generative AI i Forsyningskjeder

Akkurat som forsyningskjedestørrelsene ble et hyppig emne for diskusjoner i styret i 2020, ble Generative AI raskt det hete emnet i 2023. Etter all, nådde OpenAI sin ChatGPT 100 millioner brukere i de første to månedene, og ble dermed den raskest voksende forbrukerapplikasjonen noensinne.

Forsyningskjeder er, til en viss grad, godt egnet for anvendelsen av generative AI, ettersom de fungerer på og genererer massive mengder data. Mangfoldet og mengden av data, samt de forskjellige typene data, legger til ytterligere kompleksitet til et ekstremt komplekst problem i virkeligheten: hvordan optimalisere forsyningskjedens ytelse. Og mens anvendelsesområdene for generative AI i forsyningskjeder er omfattende – inkludert økt automatisering, etterspørselsprognose, ordrebehandling og sporingsmuligheter, prediktivt vedlikehold av maskiner, risikostyring, leverandørstyring og mer – gjelder mange av disse også for prediktiv AI og er allerede blitt adoptert og deployert i stor skala.

Dette stykket omhandler noen anvendelsesområder som er spesielt godt egnet for generative AI i forsyningskjeder, og gir noen advarsler som forsyningskjedeleder bør vurdere før de gjør en investering.

Assistert Beslutningstaking

Hovedformålet med AI og ML i forsyningskjeder er å lette beslutningstakingen, og tilby en økt hastighet og kvalitet. Prediktiv AI gjør dette ved å gi mer nøyaktige forutsigelser og prognoser, å oppdage nye mønster som ikke er identifisert tidligere, og å bruke svært store mengder relevante data. Generative AI kan gå et skritt videre ved å støtte forskjellige funksjonelle områder av forsyningskjedestyring. For eksempel kan forsyningskjedeleder bruke generative AI-modeller til å stille klargjørende spørsmål, be om ekstra data, bedre forstå påvirkende faktorer, og se den historiske ytelsen av beslutninger i lignende scenarioer. Kort sagt, gjør generative AI den nødvendige grunnarbeidet som foregår beslutningstakingen betydelig raskere og enklere for brukeren.

Videre kan generative AI, basert på underliggende data og modeller, analysere store mengder strukturert og ustrukturert data, automatisk generere forskjellige scenarioer, og gi anbefalinger basert på de presenterte alternativene. Dette reduserer betydelig det ikke-verdi-tilføyende arbeidet som forsyningskjedeleder gjør i dag, og gir dem mulighet til å bruke mer tid på å ta datadrevne beslutninger og reagere på markedsskift raskere.

En (Mulig) Løsning på Forsyningskjedestyringens Talentskort

De siste årene har bedriftene lidd under en mangel på forsyningskjedetalent på grunn av planleggingsutfordringer, flukt og en bratt læringskurve for nye ansatte på grunn av jobbens komplekse natur. Generative AI-modeller kan tilpasses bedriftens standardprosedyrer, forretningsprosesser, arbeidsflyter og programvaredokumentasjon, og kan deretter respondere på brukerforespørsler med kontekstuell og relevant informasjon. Den konversasjonelle brukergrensesnittet som vanligvis er forbundet med generative AI, gjør det betydelig enklere å samhandle med et støttesystem og gir mulighet til å finjustere spørsmålet, og ytterligere akselerere tiden det tar å finne riktig informasjon.

Kombinasjonen av et generativt AI-basert lærings- og utviklingssystem med generativt AI-drevet assistert beslutningstaking kan hjelpe med å akselerere løsningen av forskjellige endringsstyringsproblemer. Det kan også akselerere oppstarten av nye ansatte ved å redusere opplærings­tiden og arbeidserfaringens krav. Mer viktig, kan generativ AI gi mennesker med funksjons­hemninger mulighet til å kommunisere bedre, forbedre kognisjon, lese- og skrivehjelp, gi personlig organisasjon, og støtte kontinuerlig læring og utvikling.

Mens noen frykter at generative AI vil føre til jobbtap over de kommende årene, mener andre at det vil heve arbeidet ved å fjerne repetitive oppgaver og gi rom for mer strategiske oppgaver. I mellomtiden er det forutsagt at det vil løse dagens kroniske forsyningskjede- og digitalt talentskort. Derfor er det viktig å lære hvordan man kan arbeide med teknologien.

Bygging av Det Digitale Forsyningskjedemodellen

Forsyningskjeder må være robuste og agile, og det krever tverrfaglig synlighet. Forsyningskjeden må “kunne se” hele nettverket for synlighet. Bygging av den digitale modellen av hele n-nivås forsyningskjedenettverket er ofte kostnadskrevende. Store bedrifter har data spredt over titalls eller hundrevis av systemer, med de fleste store bedriftene som håndterer mer enn 500 applikasjoner samtidig over ERPs, CRMs, PLMs, Innkjøp & Kilde, Planlegging, WMS, TMS og mer. Med all denne kompleksiteten og fragmenteringen er det ekstremt vanskelig å logisk samle denne forskjellige data sammen. Dette er forverret når organisasjonene ser utenfor første- eller andre-leverandører til hvor det er usannsynlig å samle inn data i en strukturert format.

Generative AI-modeller kan prosessere massive mengder data, inkludert strukturert (hoveddata, transaksjonsdata, EDIs) og ustrukturert data (kontrakter, fakturaer, bildeavtrykk), for å identifisere mønster og kontekst med begrenset forhåndsbearbeiding av data. Fordi generative AI-modeller lærer av mønster og bruker sannsynlighetsberegninger (med noe menneskelig inngripen) for å forutsi den neste logiske utgangen, kan de skape en mer nøyaktig digital modell av n-nivås forsyningsnettverket – raskere og i stor skala – og optimalisere samarbeid og synlighet mellom og innen bedrifter. Denne n-nivåmodellen kan videre berikes for å støtte ESG-initiativer, inkludert, men ikke begrenset til, å identifisere konfliktmineraler, bruk av miljøfølsomme ressurser eller områder, beregne karbonutslipp fra produkter og prosesser og mer.

Til tross for at generative AI tilbyr en betydelig mulighet for forsyningskjedeleder til å være innovative og skape en strategisk fordel, er det visse bekymringer og risikoer som må vurdernes.

Ditt Forsyningskjede Er Unikt

Generelle anvendelser av generative AI, som ChatGPT eller Dall-E, er for tiden suksessfulle i å håndtere oppgaver som er bredere i natur, fordi modellene er trent på massive mengder offentlig tilgjengelige data. For å virkelig utnytte mulighetene til generative AI for bedriftens forsyningskjede, må disse modellene tilpasses på bedriftens data og konteksten som er spesifikk for din organisasjon. Med andre ord, kan du ikke bruke en generelt trent modell. Datastyringsutfordringene som datakvalitet, integrasjon og ytelse som hemmer nåværende transformasjonsprosjekter, kan også påvirke investeringer i generative AI, og føre til en tidskrevende og kostbar øvelse uten den rette datastyringsløsningen på plass.

Generative AI er avhengig av å forstå mønster innenfor treningsdataene, og hvis forsyningskjedeprofesjonelle har lært noe de siste tre årene, er det at forsyningskjeder vil fortsette å møte nye risikoer og uventede muligheter.

Sikkerhet & Reguleringer

Den grunnleggende kravet til generative AI-modeller er tilgang til store mengder treningsdata for å forstå mønster og kontekst. Det sagt, kan den menneske-lignende grensesnittet til generative AI-applikasjoner føre til bruker-impersonering, phishing og andre sikkerhetsproblemer. Mens begrenset tilgang til modelltrening kan føre til underprestasjon fra AI, kan ubegrenset tilgang til forsyningskjedens data føre til informasjonssikkerhets hendelser hvor kritisk og sensitiv informasjon blir tilgjengelig for uautoriserte brukere.

Det er også uklart hvordan ulike regjeringer vil velge å regulere generative AI i fremtiden, ettersom adopsjonen fortsetter å vokse og nye anvendelser av generative AI blir oppdaget. Flere AI-eksperter har uttrykt bekymring over risikoen som AI utgjør, og ber regjeringer om å pause gigantiske AI-eksperimenter til teknologiledere og politiske beslutningstakere kan etablere regler og reguleringer for å sikre sikkerhet.

Generative AI tilbyr en overflod av forbedringsmuligheter for organisasjoner som kan utnytte denne teknologien og skape en multiplikator for menneskelig genialitet, kreativitet og beslutningstaking. Det sagt, til det finnes modeller som er trent og uttrykkelig designet for forsyningskjede-anvendelser, er den beste måten å gå frem en balansert tilnærming til investeringer i generative AI.

Etablering av ordentlige retningslinjer vil være forsvarlig for å sikre at AI tilbyr en rekke optimaliserte planer for hver bruker til å se over og velge fra, som er i samsvar med bedriftsprosesser og mål. Bedrifter som kombinerer “forretnings-håndbøker” med generative AI, vil være best rustet til å øke teamets kapasitet til å planlegge, beslutte og utføre, samtidig som de optimaliserer ønskede forretningsresultater. Organisasjoner bør også vurdere en sterk forretningscase, sikkerhet for data og brukere, og målbare forretningsmål før de investerer i ny generativ AI-teknologi.