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 2023 года. После всего, OpenAI’s ChatGPT достигла 100 миллионов пользователей в первые два месяца, что сделало его самой быстрорастущей потребительской 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 к крайне 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 тем, как сделать инвестиции.

Помощь в принятии решений

Основная цель ИИ и МО в цепочках поставок – облегчить процесс принятия решений, предлагая увеличение скорости и качества. Предсказательный ИИ делает это, предоставляя прогнозы и прогнозы, которые более точны, обнаруживая новые закономерности, которые еще не были выявлены, 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 подобных 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 в настоящее время выполняют менеджеры цепочки поставок, и позволяет им тратить больше времени на принятие обоснованных решений и быстрее реагировать 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 предприятий, бизнес-процессы, рабочие процессы и программную документацию, а затем могут реагировать на запросы пользователей с контекстуализированной и релевантной информацией. Конверсационный интерфейс пользователя, обычно ассоциируемый с генеративным ИИ, делает значительно проще взаимодействие с системой поддержки и позволяет ускорить время поиска правильной информации.

Объединение системы обучения и развития на основе генеративного ИИ с генеративным ИИ-помощью в принятии решений может помочь ускорить решение различных проблем управления изменениями. 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 за счет улучшения коммуникации, повышения когнитивных способностей, 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 думают, что он повысит уровень работы за счет 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 учиться 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 на уровне ERP, CRM, PLM, закупок и источников, планирования, WMS, TMS и многое другое. С учетом всей этой сложности и фрагментации логически объединить эти разрозненные данные крайне сложно. 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 вероятностные расчеты (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 внутрикомпанийское 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 успешно решают задачи, которые более широки по своей природе, поскольку модели обучены на огромных объемах публично доступных данных. Чтобы действительно использовать возможности генеративного ИИ для цепочки поставок предприятия, эти модели необходимо дообучить на соответствующих данных предприятия и контексте, специфичном 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 приводит к трудоемкому и дорогостоящему упражнению без правильного решения управления данными, уже имеющегося в наличии.

Генеративный ИИ зависит от понимания закономерностей в обучающих данных, и если профессионалы цепочки поставок что-то и узнали 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 генеративного ИИ может привести к имитации пользователя, фишингу и другим проблемам безопасности. Хотя ограниченный доступ к обучению модели может привести к недооценке ИИ, предоставление неограниченного доступа к данным цепочки поставок может привести к инцидентам безопасности информации, когда критическая и чувствительная информация становится доступной неавторизованным пользователям.

Тем не менее, неясно, как различные правительства будут регулировать генеративный ИИ в будущем, поскольку его принятие будет продолжать расти, и будут открыты новые применения генеративного ИИ. Несколько экспертов в области ИИ выразили обеспокоенность по поводу риска, представляемого ИИ, прося правительства приостановить гигантские эксперименты с ИИ, пока лидеры технологий и политики не смогут установить правила и регулирование для обеспечения безопасности.

Генеративный ИИ предлагает множество возможностей для улучшения для тех организаций, которые могут использовать эту технологию и создать умножитель для человеческого изобретательности, творчества 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 правильных ограничений будет разумным, чтобы обеспечить, что ИИ предоставляет набор оптимизированных планов для каждого пользователя на рассмотрение и выбор, соответствующих бизнес-процессам и целям. Бизнесы, которые объединяют “бизнес-плейбуки” с генеративным ИИ, будут лучше всего способны 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 тем, как инвестировать в новую технологию генеративного ИИ.