Rola generatywnego AI w łańcuchach dostaw

Podobnie jak zakłócenia łańcucha dostaw stały się częstym tematem dyskusji w salach konferencyjnych w 2020 roku, generatywne AI szybko stało się gorącym tematem w 2023 roku. Wszystko to dzięki temu, że ChatGPT od OpenAI osiągnął 100 milionów użytkowników w ciągu pierwszych dwóch miesięcy, stając się najszybciej rozwijającą się aplikacją konsumencką w historii.

Łańcuchy dostaw są w pewnym stopniu dobrze przystosowane do zastosowań generatywnego AI, ponieważ funkcjonują na ogromnych ilościach danych i je generują. Różnorodność i objętość danych, a także różne typy danych dodają dodatkową złożoność do skrajnie złożonego problemu świata rzeczywistego: jak zoptymalizować wydajność łańcucha dostaw. Chociaż przypadki użycia generatywnego AI w łańcuchach dostaw są rozległe – w tym zwiększona automatyzacja, prognozowanie popytu, przetwarzanie i śledzenie zamówień, predykcyjna konserwacja maszyn, zarządzanie ryzykiem, zarządzanie dostawcami i wiele innych – wiele z nich dotyczy również AI predykcyjnego i zostało już przyjęte i wdrożone na dużą skalę.

Ten artykuł przedstawia kilka przypadków użycia, które są szczególnie dobrze przystosowane do generatywnego AI w łańcuchach dostaw i przedstawia pewne ostrzeżenia, które liderzy łańcuchów dostaw powinni wziąć pod uwagę przed inwestowaniem.

Pomoc w podejmowaniu decyzji

Głównym celem AI i ML w łańcuchach dostaw jest ułatwienie procesu podejmowania decyzji, oferując obietnicę zwiększonej szybkości i jakości. AI predykcyjne robi to, dostarczając prognozy i prognozy, które są bardziej dokładne, odkrywając nowe wzorce, które jeszcze nie zostały zidentyfikowane, i wykorzystując bardzo duże ilości istotnych danych. Generatywne AI może pójść o krok dalej, wspierając różne funkcjonalne obszary zarządzania łańcuchem dostaw. Na przykład, menedżerowie łańcucha dostaw mogą wykorzystywać modele generatywnego AI do zadawania pytań wyjaśniających, żądania dodatkowych danych, lepszego zrozumienia czynników wpływających i zobaczenia historycznej wydajności decyzji w podobnych scenariuszach. Krótko mówiąc, generatywne AI sprawia, że proces due diligence, który poprzedza podejmowanie decyzji, jest znacznie szybszy i łatwiejszy dla użytkownika.

Ponadto, na podstawie podstawowych danych i modeli, generatywne AI może analizować duże ilości danych strukturalnych i niestrukturalnych, automatycznie generować różne scenariusze i zapewniać rekomendacje na podstawie przedstawionych opcji. To znacznie redukuje pracę bez wartości dodanej, którą obecnie wykonują menedżerowie łańcucha dostaw, i umożliwia im spędzanie więcej czasu na podejmowaniu decyzji opartych na danych i reagowaniu na zmiany rynkowe szybciej.

(Możliwe) Rozwiązanie problemu braku talentów w zarządzaniu łańcuchem dostaw

W ciągu ostatnich kilku lat przedsiębiorstwa cierpiały z powodu braku talentów w zarządzaniu łańcuchem dostaw z powodu wypalenia plannerów, odejść i stromej krzywej uczenia się nowych pracowników z powodu złożonej natury pracy. Modele generatywnego AI mogą być dostosowane do standardowych procedur operacyjnych, procesów biznesowych, przepływów pracy i dokumentacji oprogramowania, a następnie mogą odpowiadać na zapytania użytkowników z kontekstualnymi i istotnymi informacjami. Interfejs użytkownika związany z generatywnym AI ułatwia znacznie interakcję z systemem wsparcia i pozwala na udoskonalenie zapytania, co jeszcze bardziej przyspiesza czas potrzebny do znalezienia odpowiednich informacji.

Połączenie systemu szkoleniowego opartego na generatywnym AI z wspomaganiem decyzji może pomóc w przyspieszeniu rozwiązywania różnych problemów związanych z zarządzaniem zmianami. Może również przyspieszyć wdrożenie nowych pracowników, redukując czas szkolenia i wymagania doświadczenia. Co więcej, generatywne AI może umożliwić osobom z niepełnosprawnościami poprawę komunikacji, kognicji, czytania i pisania, organizację osobistą oraz wspieranie ciągłego uczenia się i rozwoju.

Chociaż niektórzy obawiają się, że generatywne AI doprowadzi do utraty miejsc pracy w nadchodzących latach, inni uważają, że pomoże w awansie pracy przez usunięcie zadań powtarzalnych i stworzenie miejsca na bardziej strategiczne. Tymczasem ma rozwiązać dzisiejszy chroniczny brak talentów w łańcuchach dostaw i cyfrowej talentów. Dlatego ważne jest nauczenie się pracy z tą technologią.

Budowanie cyfrowego modelu łańcucha dostaw

Łańcuchy dostaw muszą być odporne i elastyczne, co wymaga widoczności na poziomie przedsiębiorstwa. Łańcuch dostaw musi “wiedzieć” o całej sieci, aby zapewnić widoczność. Budowanie jednak cyfrowego modelu całej sieci n-tier łańcucha dostaw często jest zbyt kosztowne. Duże przedsiębiorstwa mają dane rozproszone w setkach systemów, z większością dużych przedsiębiorstw zarządzających ponad 500 aplikacjami jednocześnie w systemach ERP, CRM, PLM, Zamówienia i źródła, Planowanie, WMS, TMS i wiele innych. Ze wszystkimi tymi złożonościami i fragmentacją jest niezwykle trudno logicznie połączyć te rozproszone dane. Jest to pogarszane, gdy organizacje patrzą poza pierwszego lub drugiego poziomu dostawców, gdzie zbieranie danych w strukturyzowanej formie jest mało prawdopodobne.

Modele generatywnego AI mogą przetwarzać ogromne ilości danych, w tym danych strukturalnych (danych głównych, danych transakcyjnych, EDI) i niestrukturalnych (umów, faktur, skanów), aby zidentyfikować wzorce i kontekst z ograniczonym przetwarzaniem wstępnym danych. Ponieważ modele generatywnego AI uczą się z wzorców i wykorzystują obliczenia prawdopodobieństwa (z pewnym udziałem człowieka) do przewidywania następnego logicznego wyniku, mogą stworzyć bardziej prawdziwy cyfrowy model sieci n-tier – szybciej i na dużą skalę – i zoptymalizować współpracę i widoczność między i wewnątrz firm. Ten model n-tier może być dalej wzbogacony, aby wspierać inicjatywy ESG, w tym identyfikację minerałów konfliktowych, użycie środowiskowo wrażliwych zasobów lub obszarów, obliczanie emisji dwutlenku węgla produktów i procesów itp.

Chociaż generatywne AI oferuje znaczną okazję dla liderów łańcuchów dostaw do innowacji i stworzenia strategicznej przewagi, istnieją pewne obawy i ryzyka, które należy wziąć pod uwagę.

Twój łańcuch dostaw jest unikalny

Ogólne zastosowania generatywnego AI, takie jak ChatGPT lub Dall-E, są obecnie skuteczne w rozwiązywaniu zadań o szerszym charakterze, ponieważ modele te są szkolone na ogromnych ilościach publicznie dostępnych danych. Aby naprawdę wykorzystać możliwości generatywnego AI dla przedsiębiorstwa łańcucha dostaw, te modele muszą być dostosowane do danych przedsiębiorstwa i kontekstu specyficznego dla Twojej organizacji. Innymi słowy, nie można wykorzystywać ogólnie wytrenowanego modelu. Wyzwania związane z zarządzaniem danymi, takie jak jakość danych, integracja i wydajność, które utrudniają obecne projekty transformacji, mogą również wpłynąć na inwestycje w generatywne AI, prowadząc do czasochłonnego i kosztownego ćwiczenia bez odpowiedniego rozwiązania zarządzania danymi.

Generatywne AI zależy od zrozumienia wzorców w danych szkoleniowych, a jeśli specjaliści łańcucha dostaw dowiedzieli się czegoś w ciągu ostatnich trzech lat, to tego, że łańcuchy dostaw będą nadal napotykać nowe ryzyka i bezprecedensowe możliwości.

Bezpieczeństwo i regulacje

Podstawowym wymogiem modeli generatywnego AI jest dostęp do ogromnych ilości danych szkoleniowych, aby zrozumieć wzorce i kontekst. Jednak interfejs użytkownika podobny do ludzkiego w aplikacjach generatywnego AI może prowadzić do podszywania się pod użytkownika, phishingu i innych problemów związanych z bezpieczeństwem. Ograniczony dostęp do szkolenia modelu może prowadzić do niewystarczającej wydajności AI, podczas gdy nieograniczony dostęp do danych łańcucha dostaw może prowadzić do incydentów związanych z bezpieczeństwem informacji, w których krytyczne i wrażliwe informacje są udostępniane nieuprawnionym użytkownikom.

Nie jest również jasne, jak rządy wybiorą regulację generatywnego AI w przyszłości, gdy jego przyjęcie będzie się rosło, a nowe zastosowania generatywnego AI będą odkrywane. Niektórzy eksperci od AI wyrazili obawy dotyczące ryzyka stwarzanego przez AI, prosząc rządy o wstrzymanie gigantycznych eksperymentów z AI, dopóki liderzy technologiczni i polityczni nie ustanowią zasad i regulacji, aby zapewnić bezpieczeństwo.

Generatywne AI oferuje wiele okazji do poprawy dla organizacji, które potrafią wykorzystać tę technologię i stworzyć mnożnik siły dla ludzkiej pomysłowości, kreatywności i podejmowania decyzji. Jednak dopóki nie będą modele szkolone i wyraźnie zaprojektowane dla przypadków użycia w łańcuchach dostaw, najlepszym sposobem postępowania jest zrównoważone podejście do inwestycji w generatywne AI.

Ustanowienie odpowiednich barier ochronnych będzie rozsądnym posunięciem, aby upewnić się, że AI zapewnia zestaw zoptymalizowanych planów dla każdego użytkownika do przeglądania i wyboru, zgodnych z procesami biznesowymi i celami. Przedsiębiorstwa, które łączą “biznesowe podręczniki” z generatywnym AI, będą najlepiej radzić sobie z zwiększaniem możliwości zespołów do planowania, podejmowania decyzji i wykonania, jednocześnie optymalizując pożądane wyniki biznesowe. Organizacje powinny również wziąć pod uwagę silny przypadek biznesowy, bezpieczeństwo danych i użytkowników oraz mierniki celów biznesowych przed inwestowaniem w nową technologię generatywnego AI.