Голодные до данных: как ИИ в цепочке поставок может достичь точки бифуркации

Искусственный интеллект (ИИ) в цепочках поставок – это вопрос курицы и яйца. Есть те, кто хвалит ИИ за его потенциал создания большей прозрачности в операциях цепочки поставок. Другими словами, ИИ сначала, прозрачность во вторую очередь.

Что, возможно, было правдой, когда повсеместная, реальная прозрачность цепочки поставок не была достижима иначе. Но трансформирующий ИИ в цепочке поставок – включая чрезвычайно мощный генеративный ИИ, который создает новые идеи, результаты, процессы и эффективность из огромных наборов данных – требует от нас перевернуть уравнение с ног на голову. Прозрачность сначала, за которой следует инновация,驱имая GenAI, на протяжении всей цепочки поставок.

Представьте себе регионального менеджера по розничной торговле, дистрибьютора, производителя или офицера по закупкам, который просыпается в понедельник, запускает знакомый чат-бот (может быть, даже голосовой), и спрашивает на естественном языке, оптимизирована ли его цепочка поставок для недели. И если она не оптимизирована, спрашивает, как цепочку поставок можно скорректировать, чтобы достичь своих целей. GenAI позволяет это взаимодействие с системами цепочки поставок.

Но единственный способ, которым решение цепочки поставок на основе GenAI может автоматически предоставить такие ответы, – это если оно знает статус, местоположение, состояние, движение и т. д. каждого продукта, коробки, упаковки, паллеты и т. д. в цепочке поставок. И единственный способ, которым оно знает это, – если сами продукты могут автоматически передавать информацию без вмешательства человека. Сегодня они могут, благодаря повсеместной платформе прозрачности, называемой амбиентным Интернетом вещей (IoT).

GenAI в цепочке поставок

Глобальная консалтинговая компания Ernst & Young оценивает, что 40 процентов компаний цепочки поставок инвестируют в GenAI. Они использовали GenAI для картографирования сложных сетей цепочки поставок, запуска “что, если” сценариев, прогнозирования поставок вверх и вниз по цепочке поставок, разработки чат-ботов, чтобы партнеры могли получать ответы более легко, и даже генерации новых контрактов на основе прошлых или существующих соглашений.

В таких случаях компании обучают модели ИИ на своих собственных исторических данных и на том, что они могут получить от партнеров. Затем они просят GenAI найти способы повысить эффективность. Но, как отмечают аналитики EY, “инструменты GenAI так же мощны, как и их входные данные, поэтому они ограничены качеством и доступностью данных от партнеров цепочки поставок”.

Священный Грааль ИИ в цепочке поставок, однако, – это генерировать новые маршруты, процессы, конструкции продуктов, списки поставщиков на основе реальных данных – и делать это как можно быстрее (что быстрее, чем возможно для человека). Или, как один исполнитель рассказал журналу Harvard Business Review, “Когда возникает кризис в цепочке поставок, ключ к конкурентоспособности – быть быстрее в нахождении альтернативных поставщиков, чем все остальные, потому что все ищут сделать то же самое”.

Это требует обучения решений GenAI на гораздо большем – и более актуальном – наборе данных о реальных операциях цепочки поставок. Войдет амбиентный IoT.

Амбиентный IoT: язык цепочек поставок

С амбиентным IoT продукты, упаковка и места несут цифровые сигнатуры, которые являются языком реальной прозрачности цепочки поставок, в конечном итоге попадая в большие языковые модели (LLM), которые являются основой GenAI. Эти сигнатуры передаются через IoT Pixels, самоуправляемые, размером с марку электронные теги, прикрепленные к любому объекту в цепочке поставок, который требует отслеживания и мониторинга. IoT Pixels включают в себя собственную вычислительную мощность, датчики и Bluetooth-связь, что позволяет продуктам и упаковке описывать свое путешествие через цепочку поставок в терминах данных, которые могут потреблять LLM. В конечном итоге, они представляют собой мост между физическим и цифровым мирами, предоставляя впервые доступ к данным цепочки поставок, которые могут фактически показать, предсказать и оптимизировать операции.

Амбиентные IoT Pixels передают данные через установленную сетку существующих беспроводных устройств, таких как смартфоны и беспроводные точки доступа, или через легко развертываемые, стандартные мосты и шлюзы, установленные в магазинах, складах, грузовиках и т. д. Фактически, с соответствующими разрешениями и защитой конфиденциальности, амбиентные IoT Pixels могут расширить прозрачность цепочки поставок до самого потребителя, передавая данные о использовании продукта, повторном использовании и переработке, что является основой для более продвинутых моделей GenAI.

И они передают данные непрерывно. В отличие от записей цепочки поставок, используемых для обучения моделей GenAI сегодня, данные амбиентного IoT описывают цепочку поставок сейчас. С этой прозрачностью все, что осталось, – это реализовать GenAI, чтобы ответить нам, “Что я вижу в своей цепочке поставок, сейчас?”

Реальная прозрачность и генерация данных амбиентного IoT на протяжении всей цепочки поставок даже могут помочь решить одну из проблем GenAI: что данные, используемые для обучения LLM, обязательно отражают непреднамеренные данные предубеждений из их источников, которые часто включают различные системы ERP компаний.

Продукты, отслеживаемые через цепочку поставок с помощью амбиентного IoT, говорят объективную правду, потому что продукты действительно находятся там, где говорит амбиентный IoT, когда говорит. И потому что амбиентный IoT не требует работников с RFID-сканерами для отслеживания отправлений, человеческая ошибка может быть минимизирована.

Данные амбиентного IoT описывают точно маршрут и время, которое продукты проходят в цепочке поставок. И продукты несут в своих цифровых паспортах данные о сторонах и объектах, участвующих в их обработке. Если применимо, амбиентные IoT Pixels могут добавить в LLM информацию о температуре, влажности и выбросах углекислого газа на каждом этапе.

По мнению EY, одной из областей, где компании цепочки поставок исследуют использование GenAI, является нормативная и ESG-отчетность. Лучший, наиболее экономически эффективный способ сбора огромных данных, чтобы GenAI давал соответствующую информацию, – это через амбиентный IoT.

От чат-бота к автоматизации

Ежедневно существует два способа, которыми союз амбиентного IoT и GenAI может принести пользу цепочкам поставок. Во-первых, он позволит большему количеству людей в цепочке поставок понять эволюционирующие ситуации и принять активные меры для оптимизации или исправления операций цепочки поставок. Вам не нужно быть аналитиком данных или специалистом по закупкам, чтобы спросить у чат-бота GenAI о статусе отправлений или запросить альтернативных поставщиков, хотя компании все равно будут нуждаться в экспертах по данным, чтобы обеспечить, что LLM и инструменты GenAI будут развиваться, чтобы давать полезные результаты. Но демократизация анализа и запроса цепочки поставок может позволить быстрое принятие решений, необходимое для конкурентоспособности.

Во-вторых, GenAI и другие инструменты ИИ могут помочь построить мост к большей автоматизации цепочки поставок. Через машинное обучение, в частности, обучение с подкреплением, часто встречающееся в системах управления, программное обеспечение может быть обучено принимать решения, которые дают лучшие результаты. В конечном итоге они могут быть обучены обнаруживать сбои в цепочке поставок до того, как они произойдут, и автоматически подключать альтернативных поставщиков или перевозчиков. Или они могут инициировать прогнозированное обслуживание, определяя, могут ли какие-либо складские или производственные системы или линии выйти из строя.

Они делают это, обучаясь на больших наборах данных, включая сгенерированные амбиентным IoT данные цепочки поставок.

Как мы узнали в последние годы, сложные цепочки поставок существуют на лезвии бритвы. Несколько незначительных факторов могут привести их в хаос. Искусственный интеллект будет критически важен для избежания будущего хаоса. Но чтобы добраться туда, цепочки поставок нуждаются в разблокировке данных для вещей, которые они не могут видеть сейчас. Амбиентный IoT доставляет данные прозрачности, на которых будут построены инновации GenAI завтра.