Роль генеративного ИИ в цепочках поставок

Как только нарушения в цепочках поставок стали частой темой обсуждения в совете директоров в 2020 году, генеративный ИИ быстро стал горячей темой в 2023 году. После всего, OpenAI’s ChatGPT достиг 100 миллионов пользователей в первые два месяца, что сделало его самым быстрорастущим потребительским приложением в истории.

Цепочки поставок в определенной степени хорошо подходят для применения генеративного ИИ, поскольку они функционируют на основе и генерируют огромные объемы данных. Разнообразие и объем данных, а также различные типы данных добавляют дополнительную сложность уже очень сложной реальной проблеме: как оптимизировать производительность цепочки поставок. И хотя варианты использования генеративного ИИ в цепочках поставок обширны – включая увеличение автоматизации, прогнозирование спроса, обработку и отслеживание заказов, прогностическое обслуживание оборудования, управление рисками, управление поставщиками и многое другое – многие из них также применимы к предсказательному ИИ и уже были приняты и развернуты в крупном масштабе.

Эта статья описывает несколько вариантов использования, которые особенно хорошо подходят для генеративного ИИ в цепочках поставок, и предлагает некоторые предостережения, которые лидеры цепочки поставок должны учитывать перед инвестированием.

Помощь в принятии решений

Основная цель ИИ и МЛ в цепочках поставок – облегчить процесс принятия решений, предлагая увеличение скорости и качества. Предсказательный ИИ делает это, предоставляя более точные прогнозы и прогнозы, обнаруживая новые закономерности, еще не выявленные, и используя очень большие объемы релевантных данных. Генеративный ИИ может пойти дальше, поддерживая различные функциональные области управления цепочкой поставок. Например, менеджеры цепочки поставок могут использовать модели генеративного ИИ, чтобы задать уточняющие вопросы, запросить дополнительные данные, лучше понять влияющие факторы и увидеть историческую производительность решений в аналогичных сценариях. Короче говоря, генеративный ИИ делает процесс проверки, предшествующий принятию решений, значительно быстрее и проще для пользователя.

Более того, на основе основных данных и моделей генеративный ИИ может анализировать большие объемы структурированных и неструктурированных данных, автоматически генерировать различные сценарии и предоставлять рекомендации на основе представленных вариантов. Это значительно снижает не добавляющую ценность работу, которую менеджеры цепочки поставок в настоящее время выполняют, и позволяет им тратить больше времени на принятие обоснованных решений и быстрое реагирование на изменения рынка.

(Возможное) решение проблемы нехватки талантов в управлении цепочками поставок

За последние несколько лет предприятия страдали от нехватки талантов в цепочках поставок из-за выгорания планировщиков, текучести кадров и крутой кривой обучения для новых сотрудников из-за сложной природы работы. Модели генеративного ИИ могут быть настроены на стандартные операционные процедуры, бизнес-процессы, рабочие процессы и программную документацию предприятий, а затем могут реагировать на запросы пользователей с контекстуализированной и релевантной информацией. Конверсационный интерфейс пользователя, обычно связанный с генеративным ИИ, делает значительно проще взаимодействие с системой поддержки и позволяет уточнить запрос, еще больше ускоряя время, необходимое для нахождения правильной информации.

Сочетание системы обучения и развития на основе генеративного ИИ с помощью генеративного ИИ в принятии решений может помочь ускорить решение различных проблем изменения. Это также может ускорить ввод новых сотрудников, снижая время обучения и требования к опыту работы. Более того, генеративный ИИ может расширить возможности людей с ограниченными возможностями путем улучшения коммуникации, когнитивных функций, помощи в чтении и письме, предоставления личной организации и поддержки непрерывного обучения и развития.

Хотя некоторые боятся, что генеративный ИИ приведет к потере рабочих мест в ближайшие годы, другие считают, что он повысит уровень работы путем удаления повторяющихся задач и создания места для более стратегических. Тем временем он, как ожидается, решит сегодняшнюю хроническую нехватку талантов в цепочках поставок и цифровых технологиях. Поэтому важно научиться работать с этой технологией.

Строительство цифровой модели цепочки поставок

Цепочки поставок должны быть устойчивыми и гибкими, что требует видимости на уровне всего предприятия. Цепочка поставок должна “знать” всю сеть для обеспечения видимости. Однако построение цифровой модели всей n-уровневой сети цепочки поставок часто является дорогостоящим. Крупные предприятия имеют данные, распределенные по десяткам или сотням систем, с большинством крупных предприятий, управляющих более 500 приложениями одновременно по ERP, CRM, PLM, закупкам и источникам, планированию, WMS, TMS и многое другое. С учетом всей этой сложности и фрагментации крайне сложно логически объединить эти разрозненные данные. Это усугубляется, когда организации смотрят за пределы первого или второго уровня поставщиков, где сбор данных в структурированном формате маловероятен.

Модели генеративного ИИ могут обрабатывать огромные объемы данных, включая структурированные (мастер-данные, транзакционные данные, EDI) и неструктурированные данные (договоры, счета, сканы изображений), для выявления закономерностей и контекста с ограниченной предварительной обработкой данных. Поскольку модели генеративного ИИ учатся на закономерностях и используют расчеты вероятности (с некоторым вмешательством человека) для прогнозирования следующего логического вывода, они могут создать более точную цифровую модель n-уровневой сети цепочки поставок – быстрее и в крупном масштабе – и оптимизировать меж- и внутрифирменное сотрудничество и видимость. Эта n-уровневая модель может быть дополнительно обогащена для поддержки инициатив ESG, включая, но не ограничиваясь, выявление конфликтных минералов, использование экологически чувствительных ресурсов или территорий, расчет выбросов углекислого газа продукции и процессов и многое другое.

Хотя генеративный ИИ предоставляет значительную возможность для лидеров цепочки поставок быть инновационными и создать стратегическое преимущество, есть определенные проблемы и риски, которые следует учитывать.

Ваша цепочка поставок уникальна

Общие применения генеративного ИИ, такие как ChatGPT или Dall-E, в настоящее время успешны в решении задач более широкого характера, поскольку модели обучены на огромных объемах общедоступных данных. Чтобы действительно использовать возможности генеративного ИИ для цепочки поставок предприятия, эти модели необходимо настроить на данные и контекст, специфичные для вашей организации. Другими словами, вы не можете использовать общую обученную модель. Проблемы управления данными, такие как качество данных, интеграция и производительность, которые препятствуют текущим проектам трансформации, также могут повлиять на инвестиции в генеративный ИИ, что приведет к длительному и дорогостоящему упражнению без правильного решения управления данными.

Генеративный ИИ зависит от понимания закономерностей в обучающих данных, и если профессионалы цепочки поставок узнали что-то за последние три года, то цепочки поставок будут продолжать сталкиваться с новыми рисками и беспрецедентными возможностями.

Безопасность и Регулирование

Базовым требованием моделей генеративного ИИ является доступ к огромным объемам обучающих данных для понимания закономерностей и контекста. Однако человеко-podobный интерфейс приложений генеративного ИИ может привести к имитации пользователя, фишингу и другим проблемам безопасности. Хотя ограниченный доступ к обучению модели может привести к плохой производительности ИИ, предоставление неограниченного доступа к данным цепочки поставок может привести к инцидентам безопасности информации, когда критическая и чувствительная информация становится доступной неавторизованным пользователям.

Также неясно, как различные правительства выберут регулировать генеративный ИИ в будущем, поскольку его принятие продолжает расти, и открываются новые применения генеративного ИИ. Несколько экспертов по ИИ выразили обеспокоенность по поводу риска, представляемого ИИ, попросив правительства приостановить гигантские эксперименты по ИИ, пока лидеры технологий и политики не смогут установить правила и регулирование для обеспечения безопасности.

Генеративный ИИ предлагает множество возможностей для улучшения для организаций, которые могут использовать эту технологию и создать умножитель для человеческого творчества, изобретательности и принятия решений. Однако, пока не будут созданы модели, обученные и явно разработанные для использования в цепочках поставок, лучший способ продвигаться вперед – это сбалансированный подход к инвестициям в генеративный ИИ.

Установление надлежащих ограничений будет разумным, чтобы обеспечить, что ИИ предоставляет набор оптимизированных планов для каждого пользователя, соответствующих бизнес-процессам и целям. Бизнесы, которые сочетают “бизнес-плейбуки” с генеративным ИИ, смогут лучше увеличить способность команд планировать, принимать решения и выполнять, сохраняя при этом оптимизацию желаемых бизнес-результатов. Организации также должны учитывать сильный бизнес-кейс, безопасность данных и пользователей, а также измеримые бизнес-цели перед инвестированием в новую технологию генеративного ИИ.