Жадоба даних: як штучний інтелект у ланцюзі поставок може досягти своєї точки перегину

Штучний інтелект (ШІ) у ланцюгах постачання – це питання «курка чи яйце». Є ті, хто вихваляє штучний інтелект за його потенціал для створення кращої видимості операцій ланцюга поставок. Іншими словами, ШІ спочатку, видимість потім.

Що могло бути правдою, коли всеосяжна видимість ланцюга поставок у реальному часі була недоступна інакше. Але трансформаційний штучний інтелект у ланцюжку поставок — у тому числі надзвичайно потужний генеративний штучний інтелект, який створює нові ідеї, результати, процеси та ефективність на основі масивних наборів даних — вимагає від нас перевернути рівняння з ніг на голову. Насамперед видимість, а потім інновації, керовані GenAI, у всьому ланцюжку постачання.

Уявіть собі регіонального менеджера з роздрібної торгівлі, дистриб’ютора, виробника чи спеціаліста із закупівель, який прокидається в понеділок, запускає знайомий чат-бот зі штучним інтелектом (можливо, навіть із голосовою активацією) і запитує природною мовою, чи оптимізований їхній ланцюг поставок протягом тижня. І якщо це не так, запитати, як можна налаштувати ланцюжок постачання для досягнення їхніх цілей. GenAI забезпечує таку взаємодію з системами ланцюга поставок.

Але єдиний спосіб, яким рішення для ланцюга поставок на основі GenAI може автоматично надавати такі відповіді, це якщо воно знає статус, місцезнаходження, стан, переміщення тощо кожного продукту, коробки, ящика, піддона тощо в ланцюзі постачання. І єдиний спосіб це дізнатися — це якщо самі продукти можуть автоматично передавати інформацію без втручання людини. Сьогодні вони можуть через всюдисущу платформу видимості під назвою Інтернет речей (IoT).

GenAI у ланцюзі поставок

За оцінками міжнародної консалтингової компанії Ernst & Young, 40 відсотків компаній ланцюга поставок інвестують у GenAI. Вони використовували GenAI для картографування складних мереж постачання, запуску сценаріїв «що-якщо», прогнозування поставок угору та вниз за течією, розробки чат-ботів, щоб партнери могли легше отримувати відповіді, і навіть створення нових контрактів на основі минулих або існуючих угод.

У таких випадках компанії самостійно навчають моделі ШІ, історичні дані та те, що вони можуть отримати від партнерів. Потім вони просять GenAI знайти способи підвищення ефективності. Але, як кажуть аналітики EY, «інструменти GenAI настільки ж потужні, як і їхні вхідні дані, тому вони обмежені якістю та доступністю даних від партнерів по ланцюгу поставок».

Святий Грааль штучного інтелекту в ланцюзі поставок, однак, полягає в створенні нових маршрутів, процесів, дизайну продуктів і списків постачальників на основі даних у реальному часі — і робити це якомога швидше (що швидше, ніж це можливо). Або як один керівник сказав Harvard Business Review, «Коли виникає криза ланцюга постачання, ключ до конкурентоспроможності полягає в тому, щоб швидше за всіх знаходити альтернативних постачальників, оскільки всі прагнуть робити те саме».

Для цього потрібно навчити рішення GenAI значно більше — і більш актуальними — даними про фактичні операції в ланцюжку поставок. Увійдіть у середовище IoT.

Навколишній IoT: мова ланцюгів поставок

З навколишнім Інтернетом речей продукти, упаковка та місця містять цифрові підписи, які є мовою видимості ланцюжка поставок у реальному часі, що зрештою надходить у великі мовні моделі (LLM), які є основою GenAI. Ці підписи передаються через пікселі IoT, автономні електронні мітки розміром із штамп, які прикріплюються до всього в ланцюжку постачання, що потребує відстеження та моніторингу. Пікселі IoT включають власну обчислювальну потужність, датчики та зв’язок Bluetooth, що дозволяє продуктам і упаковці описувати свій шлях через ланцюжок постачання в термінах даних, які можуть використовувати LLM. Зрештою, вони являють собою міст між фізичним і цифровим світами, вперше роблячи доступними дані про ланцюг поставок, які можуть фактично показати, передбачити та оптимізувати операції.

Пікселі Ambient IoT передають дані через встановлену сітку існуючих бездротових пристроїв, таких як смартфони та бездротові точки доступу, або через стандартні мости та шлюзи, які легко розгортаються, стандартні мости та шлюзи, встановлені в магазинах, складах, вантажівках тощо. Насправді, маючи відповідні дозволи та захист конфіденційності, інтерактивні пікселі Інтернету речей можуть розширити видимість ланцюжка поставок аж до споживача, передаючи дані про використання продукту, повторне використання та переробку, доводячи основу для більш досконалих моделей GenAI.

І вони постійно надсилають дані. На відміну від записів ланцюга постачання, які сьогодні використовуються для навчання моделей GenAI, дані зовнішнього Інтернету речей описують ланцюг постачання зараз. З такою видимістю все, що залишилося, це застосувати GenAI, щоб відповісти за нас: «Що я бачу в своєму ланцюжку поставок, зараз? "

Видимість у режимі реального часу та генерація навколишніх даних IoT у всьому ланцюжку постачання можуть навіть допомогти вирішити одну з проблем GenAI: дані, які використовуються для навчання LLM, обов’язково відображають ненавмисні упередження даних із джерел їх генерації, які часто включають різні системи ERP компаній.

Продукти, які відстежуються через ланцюжок постачання за допомогою зовнішнього Інтернету речей, говорять про об’єктивну правду, оскільки продукти фактично розташовані там, де стверджує Інтернет речей, коли він каже, що вони є. І оскільки навколишній Інтернет речей не потребує працівників із сканерами RFID для відстеження відправлень, людські помилки можна звести до мінімуму.

Дані IoT навколишнього середовища точно описують маршрут і час, який продукти займають у ланцюжку поставок. І продукти містять у своїх цифрових паспортах продукту дані про сторони та засоби, залучені до їх обробки. Якщо це можливо, пікселі IoT можуть додавати до LLM інформацію про температуру, вологість і викиди вуглецю на кожному кроці.

За даними EY, однією з сфер, у якій компанії ланцюгів постачання вивчають можливість використання GenAI, є регулятивна звітність і звітність ESG. Найкращий і найефективніший спосіб збору великої кількості даних, щоб GenAI надавав інформацію, відповідну вимогам, — це Інтернет речей.

Від чат-бота до автоматизації

Щодня є два способи, як поєднання зовнішнього Інтернету речей і GenAI може принести користь ланцюгам постачання. По-перше, це дозволить більшій кількості людей у ​​ланцюзі постачання розуміти ситуацію, що розвивається, і вживати активних заходів для оптимізації або виправлення операцій ланцюга постачання. Вам не обов’язково бути аналітиком даних або фахівцем із закупівель, щоб запитувати чат-бота GenAI про стан поставок або запитувати альтернативних постачальників, хоча компанії й надалі потребуватимуть експертів з даних, щоб забезпечити розвиток LLM та інструментів GenAI для отримання корисних результатів. Але демократизація аналізу ланцюга постачання та запитів може забезпечити швидке прийняття рішень, необхідних для конкурентоспроможності.

По-друге, GenAI та інші інструменти ШІ можуть допомогти побудувати міст до більшої автоматизації ланцюга поставок. Завдяки машинному навчанню, зокрема навчанню з підкріпленням, яке часто зустрічається в системах керування, програмне забезпечення можна навчити приймати рішення, які досягають кращих результатів. Зрештою, наприклад, їх можна буде навчити виявляти збої в ланцюжках поставок до того, як вони відбудуться, і автоматично залучати альтернативних постачальників або відправників. Або вони можуть ініціювати прогнозне обслуговування, визначаючи, чи можуть вийти з ладу певні складські чи виробничі системи чи лінії.

Вони роблять це, навчаючись на великих наборах даних, включно з даними ланцюга поставок, створеними навколишнім Інтернетом речей.

Як ми дізналися за останні роки, складні ланцюжки поставок існують на лезі бритви. Кілька незначних факторів можуть занурити їх у хаос. Штучний інтелект матиме вирішальне значення для уникнення майбутнього хаосу. Але щоб потрапити туди, ланцюги поставок повинні розблокувати дані для речей, які вони зараз не бачать. Ambient IoT надає дані видимості, на основі яких будуватимуть завтрашні інновації GenAI.