Înfometat de date: Cum poate ajunge lanțul de aprovizionare AI la punctul său de inflexiune

Inteligența artificială (AI) în lanțurile de aprovizionare este o chestiune de tipul oul și găina. Există cei care laudă AI pentru potențialul său de a crea o vizibilitate mai mare în operațiunile lanțului de aprovizionare. Cu alte cuvinte, AI mai întâi, vizibilitatea pe locul doi.

Ceea ce ar fi putut fi adevărat atunci când o vizibilitate în timp real a lanțului de aprovizionare nu era altfel realizabilă. Dar AI-ul transformator al lanțului de aprovizionare — inclusiv generativul puternic AI, care creează noi perspective, rezultate, procese și eficiențe din seturi masive de date — necesită să răsturnăm ecuația pe cap. Vizibilitatea pe primul loc, urmată de inovația condusă de GenAI în întreg lanțul de aprovizionare.

Imaginați-vă un manager regional de retail, distribuitor, producător sau ofițer de achiziții care se trezește luni dimineața, lansează un chatbot AI familiar (poate chiar activat vocal) și întreabă în limbaj natural dacă lanțul său de aprovizionare este optimizat pentru săptămâna respectivă. Și dacă nu, întreabă cum lanțul de aprovizionare poate fi ajustat pentru a-și atinge obiectivele. GenAI permite această interacțiune cu sistemele lanțului de aprovizionare.

Dar singura modalitate prin care o soluție de lanț de aprovizionare bazată pe GenAI poate furniza automat astfel de răspunsuri este dacă cunoaște starea, locația, condiția, mișcarea etc. a fiecărui produs, cutie, caz, palet etc. din lanțul de aprovizionare. Și singura modalitate prin care o poate face este dacă produsele însele pot comunica automat informațiile fără intervenție umană. Astăzi, ele pot, prin intermediul unei platforme de vizibilitate ubiquită numită internetul lucrurilor ambiante (IoT).

GenAI în lanțul de aprovizionare

Consultanța globală Ernst & Young estimează că 40% dintre companiile de lanț de aprovizionare investesc în GenAI. Ei au folosit GenAI pentru a cartografia rețelele complexe de aprovizionare, pentru a rula scenarii “ce se întâmplă dacă”, pentru a prognoza aprovizionarea cu marfă în amonte și în aval, pentru a dezvolta chatbot-uri astfel încât partenerii să poată obține răspunsuri mai ușor și chiar pentru a genera noi contracte pe baza acordurilor trecute sau existente.

În astfel de cazuri, companiile antrenează modelele AI pe propriile date istorice și pe ceea ce pot extrage de la parteneri. Apoi, ei cer GenAI să găsească modalități de a îmbunătăți eficiența. Dar, așa cum spun analiștii EY, “uneltele GenAI sunt la fel de puternice precum datele de intrare, deci sunt limitate de calitatea și disponibilitatea datelor de la partenerii lanțului de aprovizionare”.

Sfântul Graal al AI-ului lanțului de aprovizionare, cu toate acestea, este de a genera noi rute, procese, proiecte de produse și liste de furnizori pe baza datelor în timp real — și de a face acest lucru cât mai repede posibil (mai repede decât este posibil pentru oameni). Sau, așa cum a spus un executiv revistei Harvard Business Review, “Când există o criză a lanțului de aprovizionare, cheia pentru a fi competitiv este de a fi mai rapid în găsirea de furnizori alternativi decât toată lumea, deoarece toată lumea încearcă să facă același lucru”.

Acest lucru necesită antrenarea soluțiilor GenAI pe mult mai multe — și mai actuale — date despre operațiunile reale ale lanțului de aprovizionare. Intră în scenă internetul lucrurilor ambiante.

Internetul lucrurilor ambiante: Limbajul lanțurilor de aprovizionare

Cu internetul lucrurilor ambiante, produsele, ambalajele și locurile poartă semnături digitale, care sunt limbajul de vizibilitate în timp real al lanțului de aprovizionare, care în cele din urmă se alimentează în modelele de limbaj mari (LLM) care sunt baza GenAI. Aceste semnături sunt purtate prin intermediul pixelilor IoT, etichete electronice autoalimentate, de dimensiunea unei ștampile, care sunt aplicate pe orice în lanțul de aprovizionare care necesită urmărire și monitorizare. Pixelii IoT includ puterea de calcul, senzori și comunicații Bluetooth, permițând produselor și ambalajelor să descrie călătoria prin lanțul de aprovizionare în termeni de date pe care LLM îi pot consuma. În cele din urmă, ele reprezintă un pod între lumea fizică și cea digitală, făcând disponibil pentru prima dată datele lanțului de aprovizionare care pot arăta, prezice și optimiza operațiunile.

Pixelii IoT ambiante comunică date prin intermediul unei rețele stabilite de dispozitive wireless existente, cum ar fi smartphone-urile și punctele de acces wireless, sau prin poduri și porți standardizate, ușor de implementat, instalate în magazine, depozite, camioane de livrare și multe altele. Într-adevăr, cu permisiunile și protecțiile de confidențialitate adecvate, pixelii IoT ambiante pot extinde vizibilitatea lanțului de aprovizionare până la consumator, comunicând date despre utilizarea, reutilizarea și reciclarea produsului, demonstrând baza pentru modele GenAI mai avansate.

Și ei trimit date continuu. În contrast cu înregistrările lanțului de aprovizionare utilizate pentru a antrena modelele GenAI astăzi, datele IoT ambiante descriu lanțul de aprovizionare chiar acum. Cu această vizibilitate, tot ce rămâne de făcut este să implementăm GenAI pentru a ne răspunde: “Ce văd în lanțul meu de aprovizionare, chiar acum?”

Vizibilitatea în timp real și generarea de date IoT ambiante în întreg lanțul de aprovizionare ar putea chiar să ajute la abordarea uneia dintre provocările GenAI: că datele utilizate pentru a antrena LLM reflectă în mod inevitabil prejudecățile de date neintenționate din sursele care le generează, care includ adesea sistemele ERP ale companiilor.

Produsele urmărite prin lanțul de aprovizionare cu IoT ambiante spun adevărul obiectiv, deoarece produsele sunt, într-adevăr, localizate acolo unde spune IoT ambiante că se află, când spune că se află. Și deoarece IoT ambiante nu necesită lucrători cu scanere RFID pentru a urmări expedieri, eroarea umană poate fi minimizată.

Datele IoT ambiante descriu exact ruta și timpul pe care îl iau produsele în lanțul de aprovizionare. Și produsele poartă în pașapoartele lor digitale date despre părțile și facilitățile implicate în manipularea lor. Dacă este cazul, pixelii IoT ambiante ar putea adăuga la un LLM informații despre temperatură, umiditate și emisii de carbon la fiecare pas.

Conform EY, una dintre zonele în care companiile de lanț de aprovizionare explorează utilizarea GenAI este raportarea regulamentară și ESG. Cea mai bună și mai rentabilă modalitate de a colecta o cantitate vastă de date astfel încât GenAI să furnizeze informații conforme este prin intermediul IoT ambiante.

De la chatbot la automatizare

Zilnic, există două moduri prin care o căsătorie între IoT ambiante și GenAI ar putea beneficia lanțurile de aprovizionare. În primul rând, ar permite mai multor oameni din lanțul de aprovizionare să înțeleagă situațiile în evoluție și să ia măsuri active pentru a optimiza sau corecta operațiunile lanțului de aprovizionare. Nu trebuie să fii analist de date sau specialist în achiziții pentru a întreba un chatbot GenAI despre starea expedierilor sau pentru a cere furnizori alternativi, deși companiile vor continua să aibă nevoie de experți în date pentru a se asigura că LLM și uneltele GenAI evoluează pentru a furniza rezultate utile. Dar democratizarea analizei lanțului de aprovizionare și a întrebărilor ar putea permite luarea deciziilor rapide necesare pentru a fi competitiv.

În al doilea rând, GenAI și alte unelte AI pot ajuta la construirea unui pod către o mai mare automatizare a lanțului de aprovizionare. Prin învățarea automată, în special prin învățarea prin întărire, frecvent întâlnită în sistemele de control, software-ul poate fi antrenat pentru a lua decizii care să obțină rezultate mai bune. În cele din urmă, de exemplu, ele ar putea fi antrenate pentru a detecta perturbările lanțului de aprovizionare înainte de a se întâmpla și pentru a angaja automat furnizori sau transportatori alternativi. Sau ele pot iniția întreținerea predictivă prin determinarea dacă anumite sisteme sau linii de depozitare sau producție ar putea eșua.

Ele fac acest lucru prin învățarea din seturi de date mari, inclusiv datele generate de IoT ambiante ale lanțului de aprovizionare.

Așa cum am învățat în ultimii ani, lanțurile de aprovizionare complexe există pe muchia unei cuțit. Câțiva factori minori pot arunca lanțurile de aprovizionare în haos. Inteligența artificială va fi critică pentru a evita haosul viitor. Dar pentru a ajunge acolo, lanțurile de aprovizionare trebuie să deblocheze datele pentru lucrurile pe care nu le pot vedea în prezent. IoT ambiante livrează datele de vizibilitate pe care inovațiile GenAI de mâine le vor construi.