Hungrig på data: Hur artificiell intelligens i leverantörskedjan kan nå sin inflexionspunkt

Artificiell intelligens (AI) i leverantörskedjan är en fråga om kyckling eller ägg. Det finns de som berömmer AI för dess potential att skapa större synlighet i leverantörskedjans verksamhet. Med andra ord, AI först, synlighet sedan.

Detta kan ha varit sant när en allomfattande, realtids synlighet i leverantörskedjan inte kunde uppnås på annat sätt. Men en transformerande AI i leverantörskedjan — inklusive den mycket kraftfulla generativa AI, som skapar nya insikter, resultat, processer och effektivitet från stora datamängder — kräver att vi vänder på ekvationen. Synlighet först, följt av GenAI-driven innovation i hela leverantörskedjan.

Tänk dig en regional detaljhandelschef, distributör, tillverkare eller inköpschef som vaknar på en måndag, startar en bekant AI-chattbot ( kanske till och med röstaktiverad) och frågar på naturligt språk om deras leverantörskedja är optimerad för veckan. Och om den inte är det, frågar de hur leverantörskedjan kan justeras för att uppnå deras mål. GenAI möjliggör denna interaktion med leverantörskedjans system.

Men det enda sättet en GenAI-baserad lösning för leverantörskedjan kan automatiskt leverera sådana svar är om den känner till status, plats, tillstånd, rörelse osv. för varje produkt, låda, kartong, pall osv. i leverantörskedjan. Och det enda sättet den kan veta det är om produkterna själva kan kommunicera informationen automatiskt utan mänskligt ingripande. Idag kan de göra det genom en allomfattande synlighetsplattform som kallas den omgivande internet of things (IoT).

GenAI i leverantörskedjan

Det globala konsultföretaget Ernst & Young uppskattar att 40 procent av leverantörskedjeföretagen investerar i GenAI. De har använt GenAI för att kartlägga komplexa leverantörsnätverk, köra ” vad-händer-om”-scenarier, förutse uppströms och nedströms leverans, utveckla chattbotar så att partners kan få svar lättare och till och med generera nya kontrakt baserat på tidigare eller befintliga avtal.

I sådana fall utbildar företagen AI-modeller på sin egen historiska data och det de kan få från partners. Sedan ber de GenAI att hitta sätt att förbättra effektiviteten. Men som EY-analytiker påpekar, “GenAI-verktyg är bara så kraftfulla som deras indata, så de är begränsade av datans kvalitet och tillgänglighet från leverantörskedjepartner.”

Den heliga graal för AI i leverantörskedjan är att generera nya rutter, processer, produktdesigner och leverantörslistor baserat på realtidsdata — och att göra det så snabbt som möjligt (vilket är snabbare än vad som är mänskligt möjligt). Eller som en chef sa till Harvard Business Review, “När det finns en leverantörskedjekris, är nyckeln till att vara konkurrenskraftig att vara snabbare på att hitta alternativa leverantörer än alla andra, eftersom alla letar efter att göra samma sak.”

Detta kräver att GenAI-lösningarna utbildas på mycket mer — och mer aktuell — data om faktiska leverantörskedjeoperationer. Då kommer den omgivande IoT in i bilden.

Den omgivande IoT: Leverantörskedjans språk

Med den omgivande IoT bär produkter, förpackningar och platser digitala signaturer, som är leverantörskedjans realtids synlighetsspråk, som så småningom matar in i stora språkmodeller (LLM) som är grunden för GenAI. Dessa signaturer bärs via IoT-Pixlar, självdrivna, frimärksstora elektroniska etiketter som fästs på allt i leverantörskedjan som behöver spåras och övervakas. IoT-Pixlar innehåller sin egen beräkningskraft, sensorer och Bluetooth-kommunikation, vilket gör att produkter och förpackningar kan beskriva sin resa genom leverantörskedjan i data som LLM kan konsumera. Till slut representerar de en bro mellan den fysiska och digitala världen, och gör tillgänglig för första gången, leverantörskedjedata som faktiskt kan visa, förutsäga och optimera verksamheten.

IoT-Pixlar kommunicerar data via en etablerad mesh av befintliga trådlösa enheter, såsom smartphones och trådlösa åtkomstpunkter, eller via lätt installerade, standardiserade broar och gateways installerade i butiker, lager, leveransfordon och mer. Faktum är att med tillräckliga behörigheter och integritetsskydd kan IoT-Pixlar utöka leverantörskedjans synlighet hela vägen till konsumenten, och kommunicera data om produktanvändning, återanvändning och återvinning, och utgöra grunden för mer avancerade GenAI-modeller.

Och de skickar data kontinuerligt. Till skillnad från de leverantörskedjeregister som används för att utbilda GenAI-modeller idag, beskriver den omgivande IoT-data leverantörskedjan just nu. Med denna synlighet är allt som återstår att implementera GenAI för att svara på oss, “Vad ser jag i min leverantörskedja, just nu?”

Realtids synlighet och generering av omgivande IoT-data i hela leverantörskedjan kunde till och med hjälpa till att hantera en av utmaningarna med GenAI: att de data som används för att utbilda LLM modeller nödvändigtvis återspeglar oavsiktliga datafördomar från deras genererande källor, som ofta inkluderar företagens olika ERP-system.

Produkter som spåras genom leverantörskedjan med den omgivande IoT talar objektiv sanning eftersom produkter faktiskt är belagda där den omgivande IoT säger att de är, när de är. Och eftersom den omgivande IoT inte kräver arbetare med RFID-skannrar för att spåra leveranser, kan mänskliga fel minimeras.

Den omgivande IoT-data beskriver exakt den väg och tid produkter tar i leverantörskedjan. Och produkterna bär i sina digitala produkt-pass data om de parter och anläggningar som är involverade i deras hantering. Om tillämpligt kan IoT-Pixlar lägga till information om temperatur, fuktighet och koldioxidutsläpp i varje steg.

Enligt EY är ett område där leverantörskedjeföretag undersöker användningen av GenAI reglerings- och ESG-rapportering. Det bästa och mest kostnadseffektiva sättet att samla in stora mängder data så att GenAI ger efterlevnad information är genom den omgivande IoT.

Från chattbot till automatisering

I det dagliga livet finns det två sätt som en förening av den omgivande IoT och GenAI kunde gynna leverantörskedjan. Först skulle det tillåta fler människor i leverantörskedjan att förstå utvecklande situationer och vidta aktiva steg för att optimera eller korrigera leverantörskedjans verksamhet. Du behöver inte vara en dataanalytiker eller inköpsspecialist för att fråga en GenAI-chattbot om leveransstatus eller fråga om alternativa leverantörer, även om företag fortfarande kommer att behöva dataexperter för att säkerställa att LLM och GenAI-verktyg utvecklas för att ge användbara resultat. Men demokratiseringen av leverantörskedjanalys och förfrågan kunde möjliggöra det snabba beslutsfattandet som behövs för att vara konkurrenskraftig.

Andra, GenAI och andra AI-verktyg kan hjälpa till att bygga en bro mot större automatisering av leverantörskedjan. Genom maskinlärande, särskilt förstärkt lärande som ofta finns i kontrollsystem, kan programvara utbildas för att fatta beslut som ger bättre resultat. Till slut kunde de till och med utbildas för att upptäcka leverantörskedjeförstöringar innan de händer och automatiskt engagera alternativa leverantörer eller fraktare. Eller de kan initiera förutsägande underhåll genom att bestämma om vissa lager- eller tillverkningsanläggningar eller linjer kan misslyckas.

De gör detta genom att lära sig från stora datamängder, inklusive den omgivande IoT-genererade leverantörskedjedata.

Som vi har lärt oss under de senaste åren existerar komplexa leverantörskedjor på en knivs egg. En eller två mindre faktorer kan kasta dem in i kaos. Artificiell intelligens kommer att vara avgörande för att undvika framtida kaos. Men för att komma dit behöver leverantörskedjor låsa upp data för saker de inte kan se just nu. Den omgivande IoT levererar synlighetsdata som morgondagens GenAI-innovationer kommer att byggas på.