บทบาทของ Generative AI ใน Supply Chains

เมื่อการหยุดชะงักของโซ่อุปทานกลายเป็นเรื่องที่พูดถึงบ่อยๆ ในห้องประชุมคณะกรรมการในปี 2020 Generative AI ก็กลายเป็นหัวข้อที่น่าสนใจในปี 2023 เช่นกัน หลังจากที่ OpenAI’s ChatGPT มีผู้ใช้มากกว่า 100 ล้านคนในสองเดือนแรก ทำให้เป็นการนำไปใช้งานที่เติบโตเร็วที่สุดในประวัติศาสตร์

โซ่อุปทานมีความเหมาะสมสำหรับการใช้งาน Generative AI ใน某种程度 เนื่องจากพวกมันทำงานและสร้างข้อมูลจำนวนมาก ความหลากหลายและปริมาณข้อมูล รวมถึงประเภทข้อมูลที่แตกต่างกัน ทำให้ปัญหาโลกแห่งความเป็นจริงที่ซับซ้อนมากขึ้น นั่นคือการเพิ่มประสิทธิภาพการทำงานของโซ่อุปทาน และแม้ว่ากรณีการใช้งาน Generative AI ในโซ่อุปทานจะกว้างขวาง รวมถึงการเพิ่มการทำงานอัตโนมัติ การคาดการณ์อุปสงค์ การประมวลผลและติดตามคำสั่งซื้อ การบำรุงรักษาเครื่องจักรแบบคาดการณ์ การจัดการความเสี่ยง การจัดการซัพพลายเออร์ และอื่นๆ แต่หลายกรณีการใช้งานเหล่านี้ก็ใช้ได้กับ Predictive AI และได้รับการนำไปใช้และติดตั้งแล้วในระดับที่กว้างขวาง

บทความนี้จะกล่าวถึงกรณีการใช้งานที่เหมาะสมสำหรับ Generative AI ในโซ่อุปทาน และคำเตือนบางประการสำหรับผู้นำโซ่อุปทานที่ควรพิจารณาก่อนที่จะลงทุน

การช่วยเหลือในการตัดสินใจ

วัตถุประสงค์หลักของ AI และ ML ในโซ่อุปทานคือการทำให้กระบวนการตัดสินใจง่ายขึ้น โดยให้ความเร็วและคุณภาพที่เพิ่มขึ้น Predictive AI ทำสิ่งนี้โดยการให้การคาดการณ์และการคาดการณ์ที่แม่นยำยิ่งขึ้น การค้นหารูปแบบใหม่ที่ยังไม่ได้รับการระบุ และการใช้ข้อมูลที่เกี่ยวข้องจำนวนมาก Generative AI สามารถนำสิ่งนี้ไปสู่ขั้นตอนต่อไปได้โดยการสนับสนุนพื้นที่การทำงานต่างๆ ของการจัดการโซ่อุปทาน ตัวอย่างเช่น ผู้จัดการโซ่อุปทานสามารถใช้โมเดล Generative AI เพื่อถามคำถามที่ชี้แจง ขอข้อมูลเพิ่มเติม เพื่อทำความเข้าใจปัจจัยที่มีอิทธิพล และเพื่อดูผลการดำเนินงานในอดีตของการตัดสินใจในสถานการณ์ที่คล้ายกัน ในที่สุด Generative AI ทำให้กระบวนการตรวจสอบความถูกต้องที่เกิดขึ้นก่อนการตัดสินใจง่ายขึ้นและเร็วขึ้นสำหรับผู้ใช้

นอกจากนี้ โดยอาศัยข้อมูลและโมเดลที่ซ่อนอยู่ Generative AI สามารถวิเคราะห์ข้อมูลจำนวนมาก รวมถึงข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง สร้างสถานการณ์ต่างๆ และให้คำแนะนำตามตัวเลือกที่นำเสนอได้ สิ่งนี้ช่วยลดงานที่ไม่มีมูลค่าเพิ่มที่ผู้จัดการโซ่อุปทานกำลังทำอยู่ในปัจจุบัน และทำให้พวกเขาใช้เวลาในการตัดสินใจโดยอาศัยข้อมูลและตอบสนองต่อการเปลี่ยนแปลงของตลาดได้เร็วขึ้น

การแก้ปัญหาที่เป็นไปได้สำหรับการขาดแคลนผู้เชี่ยวชาญด้านการจัดการโซ่อุปทาน

ในช่วงหลายปีที่ผ่านมา องค์กรต่างๆ ต้องเผชิญกับการขาดแคลนผู้เชี่ยวชาญด้านโซ่อุปทานเนื่องจากความเหนื่อยหน่ายของผู้วางแผน การลาออก และการเรียนรู้ที่ชันสำหรับผู้ใหม่เนื่องจากลักษณะงานที่ซับซ้อน โมเดล Generative AI สามารถปรับให้เหมาะสมกับขั้นตอนการดำเนินงานมาตรฐานขององค์กร ขั้นตอนธุรกิจ วิธีการทำงาน และเอกสารซอฟต์แวร์ และสามารถตอบคำถามของผู้ใช้ด้วยข้อมูลที่เกี่ยวข้องและเหมาะสมได้ อินเทอร์เฟซผู้ใช้ที่มีการสนทนาซึ่งมักเกี่ยวข้องกับ Generative AI ทำให้ง่ายต่อการโต้ตอบกับระบบสนับสนุนและสามารถทำให้การค้นหาข้อมูลที่ถูกต้องเร็วขึ้น

การผสมผสานระบบการเรียนรู้และพัฒนาที่ใช้ Generative AI กับการตัดสินใจที่ได้รับการสนับสนุนจาก Generative AI สามารถช่วยเร่งการแก้ไขปัญหาการเปลี่ยนแปลงต่างๆ และสามารถเร่งการเพิ่มประสิทธิภาพของพนักงานใหม่โดยการลดเวลาในการฝึกอบรมและความต้องการประสบการณ์ทำงาน นอกจากนี้ Generative AI ยังสามารถเพิ่มศักยภาพให้กับคนพิการโดยการปรับปรุงการสื่อสาร การรับรู้ การอ่านและการเขียน การจัดระเบียบส่วนบุคคล และการสนับสนุนการเรียนรู้และการพัฒนาที่ต่อเนื่อง

แม้ว่าบางคนจะกลัวว่า Generative AI จะนำไปสู่การเสียงานในอนาคต แต่คนอื่นๆ เชื่อว่ามันจะช่วยยกระดับงานโดยการลบงานที่ซ้ำซ้อนและทำให้มีพื้นที่สำหรับงานเชิงกลยุทธ์ที่มากขึ้น ในระหว่างนี้ คาดว่าจะแก้ปัญหาการขาดแคลนผู้เชี่ยวชาญด้านโซ่อุปทานและดิจิทัลในปัจจุบัน ซึ่งเหตุผลที่ผู้นำโซ่อุปทานควรเรียนรู้ที่จะทำงานร่วมกับเทคโนโลยีนี้

การสร้างแบบจำลองโซ่อุปทานดิจิทัล

โซ่อุปทานต้องมีความยืดหยุ่นและคล่องตัว ซึ่งต้องมีการมองเห็นข้ามองค์กร โซ่อุปทานต้อง “รู้” โครงข่ายทั้งหมดเพื่อให้สามารถมองเห็นได้ อย่างไรก็ตาม การสร้างแบบจำลองดิจิทัลของโครงข่ายโซ่อุปทานทั้งหมดมักจะมีค่าใช้จ่ายสูง องค์กรขนาดใหญ่มีข้อมูลกระจายอยู่ทั่วหลายระบบ โดยที่ส่วนใหญ่ขององค์กรขนาดใหญ่จัดการมากกว่า 500 แอปพลิเคชันพร้อมๆ กัน ทั่วทั้ง ERP, CRM, PLM, การจัดซื้อและการจัดหา, การวางแผน, WMS, TMS และอื่นๆ ด้วยความซับซ้อนและความกระจัดกระจายนี้ ทำให้ยากที่จะนำข้อมูลที่แตกต่างกันนี้มารวมกันอย่างมีเหตุผล สิ่งนี้ยิ่งซับซ้อนมากขึ้นเมื่อองค์กรดูไปไกลกว่าซัพพลายเออร์ระดับแรกหรือระดับที่สองไปสู่ที่ที่การรวบรวมข้อมูลในรูปแบบที่มีโครงสร้างนั้นไม่น่าจะเกิดขึ้น

โมเดล Generative AI สามารถประมวลผลข้อมูลจำนวนมาก รวมถึงข้อมูลที่มีโครงสร้าง (ข้อมูลหลัก, ข้อมูลธุรกรรม, EDI) และข้อมูลที่ไม่มีโครงสร้าง (สัญญา, ใบแจ้งหนี้, สแกนภาพ) เพื่อระบุรูปแบบและบริบทด้วยการประมวลผลข้อมูลล่วงหน้าที่จำกัด เนื่องจากโมเดล Generative AI เรียนรู้จากรูปแบบและใช้การคำนวณความน่าจะเป็น (ด้วยการแทรกแซงจากมนุษย์บางส่วน) เพื่อคาดการณ์ผลลัพธ์ที่เป็นไปได้ถัดไป พวกมันจึงสามารถสร้างแบบจำลองดิจิทัลที่แท้จริงของโครงข่ายโซ่อุปทานระดับ n ได้ – เร็วขึ้นและในระดับที่กว้างขวาง – และเพิ่มประสิทธิภาพการทำงานร่วมกันและการมองเห็นระหว่างและภายในบริษัท แบบจำลองระดับ n นี้สามารถเพิ่มคุณสมบัติเพื่อสนับสนุนการดำเนินงานด้านสิ่งแวดล้อม สังคม และการกำกับดูแล (ESG) รวมถึงการระบุวัสดุอันตราย การใช้ทรัพยากรที่มีความอ่อนไหวต่อสิ่งแวดล้อมหรือพื้นที่ และการคำนวณการปล่อยก๊าซคาร์บอนของผลิตภัณฑ์และกระบวนการ และอื่นๆ

แม้ว่า Generative AI จะให้โอกาสที่สำคัญสำหรับผู้นำโซ่อุปทานในการสร้างนวัตกรรมและสร้างความได้เปรียบเชิงกลยุทธ์ แต่ก็มีความกังวลและความเสี่ยงบางประการที่ควรพิจารณา

โซ่อุปทานของคุณมีเอกลักษณ์เฉพาะตัว

การใช้งานทั่วไปของ Generative AI เช่น ChatGPT หรือ Dall-E มีความสำเร็จในปัจจุบันในการแก้ไขงานที่กว้างขึ้นเนื่องจากโมเดลเหล่านี้ได้รับการฝึกอบรมจากข้อมูลจำนวนมากที่มีอยู่สาธารณะ เพื่อให้สามารถใช้ความสามารถของ Generative AI สำหรับโซ่อุปทานขององค์กรได้อย่างแท้จริง โมเดลเหล่านี้จะต้องได้รับการปรับให้เหมาะสมกับข้อมูลขององค์กรและบริบทเฉพาะขององค์กรของคุณ ในอีกคำหนึ่ง คุณไม่สามารถใช้โมเดลที่ฝึกอบรมทั่วไปได้ ความท้าทายในการจัดการข้อมูล เช่น คุณภาพของข้อมูล การบูรณาการ และประสิทธิภาพที่ขัดขวางโครงการการเปลี่ยนแปลงในปัจจุบันสามารถส่งผลกระทบต่อการลงทุนใน Generative AI ได้ ทำให้เป็นการออกกำลังกายที่ใช้เวลาและต้องใช้เงินโดยไม่มีวิธีแก้ปัญหาการจัดการข้อมูลที่เหมาะสม

Generative AI ขึ้นอยู่กับการทำความเข้าใจรูปแบบภายในข้อมูลการฝึกอบรม และหากผู้เชี่ยวชาญด้านโซ่อุปทานได้เรียนรู้อะไรในช่วงสามปีที่ผ่านมา มันคือโซ่อุปทานจะเผชิญกับความเสี่ยงใหม่ๆ และโอกาสที่ไม่เคยเกิดขึ้นมาก่อน

ความปลอดภัยและข้อบังคับ

ข้อกำหนดพื้นฐานของโมเดล Generative AI คือการเข้าถึงข้อมูลการฝึกอบรมจำนวนมากเพื่อทำความเข้าใจรูปแบบและบริบท นั้นเอง อินเทอร์เฟซผู้ใช้ที่เหมือนมนุษย์ของแอปพลิเคชัน Generative AI สามารถนำไปสู่การปลอมตัวของผู้ใช้ การฟิชชิง และความกังวลด้านความปลอดภัยอื่นๆ ในขณะที่การเข้าถึงแบบจำกัดในการฝึกอบรมโมเดลอาจทำให้การทำงานของ AI ไม่ดี การให้การเข้าถึงข้อมูลโซ่อุปทานโดยไม่มีข้อจำกัดอาจนำไปสู่เหตุการณ์ด้านความปลอดภัยที่ข้อมูลสำคัญและละเอียดอ่อนถูกเปิดเผยให้กับผู้ใช้ที่ไม่ได้รับอนุญาต

ยังไม่ชัดเจนว่ารัฐบาลต่างๆ จะเลือกที่จะควบคุม Generative AI ในอนาคตอย่างไรเมื่อการนำไปใช้เพิ่มขึ้นและพบการประยุกต์ใช้งานใหม่ๆ ของ Generative AI ผู้เชี่ยวชาญด้าน AI หลายคนได้แสดงความกังวลเกี่ยวกับความเสี่ยงที่ AI มอบให้ โดยขอให้รัฐบาลหยุดการทดลอง AI ใหญ่ๆ จนกว่าผู้นำด้านเทคโนโลยีและนโยบายสามารถกำหนดกฎและข้อบังคับเพื่อให้แน่ใจถึงความปลอดภัย

Generative AI มีโอกาสที่จะปรับปรุงมากมายสำหรับองค์กรที่สามารถใช้เทคโนโลยีนี้และสร้างปัจจัยการผลิตสำหรับความฉลาด ความคิดสร้างสรรค์ และการตัดสินใจของมนุษย์ อย่างไรก็ตาม จนกว่าจะมีโมเดลที่ได้รับการฝึกอบรมและออกแบบโดยเฉพาะสำหรับการใช้งานโซ่อุปทาน วิธีที่ดีที่สุดในการดำเนินการต่อคือการเข้าใกล้การลงทุนใน Generative AI อย่างสมดุล

การสร้างรั้วฝั่งจะถือเป็นการดำเนินการที่รอบคอบเพื่อให้แน่ใจว่า AI นำเสนอชุดแผนการทำงานที่ได้รับการปรับให้เหมาะสมสำหรับผู้ใช้แต่ละคนในการทบทวนและเลือกจากที่สอดคล้องกับกระบวนการทางธุรกิจและวัตถุประสงค์ องค์กรที่รวม “สมุดงานทางธุรกิจ” กับ Generative AI จะสามารถเพิ่มความสามารถของทีมในการวางแผน ตัดสินใจ และดำเนินการได้ดีที่สุด ในขณะเดียวกันก็ยังคง tối ưu hóaผลลัพธ์ทางธุรกิจที่ต้องการ องค์กรควรพิจารณากรณีธุรกิจที่แข็งแกร่ง ความปลอดภัยของข้อมูลและผู้ใช้ และวัตถุประสงค์ทางธุรกิจที่วัดผลได้ก่อนที่จะลงทุนในเทคโนโลยี Generative AI ใหม่

องค์กรที่ “oks” กับ Generative AI จะสามารถเพิ่มความสามารถของทีมในการวางแผน ตัดสินใจ และดำเนินการได้ดีที่สุด ในขณะเดียวกันก็ยังคง tối ưu hóaผลลัพธ์ทางธุรกิจที่ต้องการ องค์กรควรพิจารณากรณีธุรกิจที่แข็งแกร่ง ความปลอดภัยของข้อมูลและผู้ใช้ และวัตถุประสงค์ทางธุรกิจที่วัดผลได้ก่อนที่จะลงทุนในเทคโนโลยี Generative AI ใหม่