Голод до даних: Як штучний інтелект у ланцюгу постачання може досягти точки інфлексії

Штучний інтелект (AI) у ланцюзі постачання – це питання курки чи яйця. Є ті, хто хвалить AI за його потенціал створити більшу видимість операцій ланцюга постачання. Іншими словами, AI спочатку, видимість другою.

Що могло бути правдою, коли повсюдна, реальна видимість ланцюга постачання не була інакше досяжна. Але трансформаційний штучний інтелект у ланцюгу постачання – включаючи величезно потужний генеративний AI, який створює свіжі ідеї, результати, процеси та ефективність з величезних наборів даних – вимагає, щоб ми перевернули рівняння на голову. Видимість спочатку, а потім інновації, керованої GenAI, по всьому ланцюгу постачання.

Представіть собі регіонального менеджера роздрібної торгівлі, дистриб’ютора, виробника або офіцера з закупівель, який прокидається у понеділок, запускає знайому чат-бот AI (можливо, навіть голосову активовану), і питає в природній мові, чи оптимізований його ланцюг постачання на тиждень. І якщо ні, питає, як ланцюг постачання можна调整вати, щоб досягти своїх цілей. GenAI дозволяє це взаємодію з системами ланцюга постачання.

Але єдиний спосіб, яким рішення з ланцюга постачання на основі GenAI може автоматично доставляти такі відповіді, це якщо воно знає статус, місце розташування, стан, рух тощо кожного продукту, коробки, ящика, піддону тощо у ланцюгу постачання. І єдиний спосіб, яким воно знає це, це якщо самі продукти можуть автоматично передавати інформацію без людського втручання. Сьогодні вони можуть, завдяки універсальній платформі видимості, званій амб’єнтним Інтернетом речей (IoT).

GenAI у ланцюгу постачання

Глобальна консалтингова компанія Ernst & Young оцінює, що 40 відсотків компаній ланцюга постачання інвестують у GenAI. Вони використовували GenAI для картографування складних мереж постачання, виконання “що якщо” сценаріїв, прогнозування постачання вгору і вниз, розробки чат-ботів, щоб партнерам було легше отримувати відповіді, і навіть генерації нових контрактів на основі минулих або існуючих угод.

У таких випадках компанії тренують моделі AI на своїй власній історичній даних і тому, що вони можуть отримати від партнерів. Потім вони запитують GenAI, щоб знайти способи підвищити ефективність. Але, як кажуть аналітики EY, “інструменти GenAI так само потужні, як і їх вхідні дані, тому вони обмежені якістю та доступністю даних від партнерів ланцюга постачання”.

Святий Грааль штучного інтелекту у ланцюгу постачання, однак, полягає у генерації нових маршрутів, процесів, дизайнів продуктів та списків постачальників на основі даних у реальному часі – і робити це якомога швидше (що швидше, ніж людськи можливо).або, як сказав один виконавчий Harvard Business Review, “Коли виникає криза ланцюга постачання, ключ до конкурентоспроможності полягає у тому, щоб бути швидшим у пошуку альтернативних постачальників, ніж усі інші, оскільки всі намагаються зробити те саме”.

Це вимагає тренування рішень GenAI на значно більше – і більш поточних – даних про фактичні операції ланцюга постачання. Вступіть амб’єнтний IoT.

Амб’єнтний IoT: Мова ланцюгів постачання

З амб’єнтним IoT продукти, упаковка та місця несуть цифрові підписи, які є мовою видимості ланцюга постачання в реальному часі, в кінцевому підсумку, живлячи великі мови моделі (LLM), які є основою GenAI. Ці підписи передаються через IoT Pixels, самозасоблювані, друкарські електронні мітки, прикріплені до всього у ланцюгу постачання, що потребує відстеження та моніторингу. IoT Pixels включають власну обчислювальну потужність, сенсори та Bluetooth-зв’язок, що дозволяє продуктам та упаковці описувати свій шлях через ланцюг постачання у даних термінах, які можуть споживати LLM. В кінцевому підсумку, вони представляють міст між фізичним та цифровим світами, роблячи доступними дані ланцюга постачання, які можуть насправді показувати, передбачати та оптимізувати операції.

Амб’єнтні IoT Pixels передаються дані через встановлену сітку існуючих бездротових пристроїв, таких як смартфони та бездротові точки доступу, або через легко розгорнуті, стандартні мости та шлюзи, встановлені в магазинах, складах, доставочних автомобілях та ін. Насправді, з відповідними дозволами та захистом приватності, амб’єнтні IoT Pixels можуть розширити видимість ланцюга постачання аж до споживача, передаючи дані про використання продукту, повторне використання та переробку, що служить основою для більш просунутих моделей GenAI.

І вони傳ають дані безперервно. На відміну від записів ланцюга постачання, використовуваних для тренування моделей GenAI сьогодні, дані амб’єнтного IoT описують ланцюг постачання правильно зараз. З цією видимістю все, що залишається, це реалізувати GenAI, щоб відповісти нам: “Що я бачу у своєму ланцюгу постачання, правильно зараз?”

Видимість у реальному часі та генерація даних амб’єнтного IoT по всьому ланцюгу постачання навіть можуть допомогти вирішити одну з проблем GenAI: те, що дані, використані для тренування LLM, необов’язково відображають ненавмисні дані-бієкції з їх джерел генерації, які часто включають різні системи ERP компаній.

Продукти, відстежені через ланцюг постачання з амб’єнтним IoT, говорять об’єктивну правду, оскільки продукти дійсно розташовані там, де каже амб’єнтний IoT, коли каже. І оскільки амб’єнтний IoT не вимагає працівників з RFID-сканерами для відстеження відправлень, людську помилку можна мінімізувати.

Дані амб’єнтного IoT описують точно маршрут і час продуктів у ланцюгу постачання. І продукти несуть у своїх цифрових паспортах дані про учасників та об’єкти, що брали участь у їх обробці. Якщо застосовується, амб’єнтні IoT Pixels можуть додати до LLM інформацію про температуру, вологість та викиди вуглецю на кожному етапі.

За даними EY, однією з областей, у якій компанії ланцюга постачання досліджують використання GenAI, є нормативна та звітність ESG. Найкращим, найбільш ефективним способом збору величезних даних, щоб GenAI давав відповідну інформацію, є амб’єнтний IoT.

Від чат-бота до автоматизації

Щодня є два способи, яким шлюб амб’єнтного IoT та GenAI міг би принести користь ланцюгам постачання. По-перше, це дозволило б більшій кількості людей у ланцюгу постачання зрозуміти еволюційні ситуації та вжити активних кроків для оптимізації або виправлення операцій ланцюга постачання. Вам не потрібно бути експертом з даних або спеціалістом з закупівель, щоб запитати у чат-бота GenAI про статус відправлень або запитати про альтернативних постачальників, хоча компанії продовжуватимуть потребувати експертів з даних, щоб забезпечити, що LLM та інструменти GenAI розвиваються для отримання корисних результатів. Але демократизація аналізу ланцюга постачання та запиту могла б дозволити швидке прийняття рішень, необхідне для конкурентоспроможності.

По-друге, GenAI та інші інструменти AI можуть допомогти побудувати міст до більшої автоматизації ланцюга постачання. За допомогою машинного навчання, зокрема навчання з підкріпленням, часто зустрічається у системах контролю, програмне забезпечення можна тренувати для прийняття рішень, які дають кращі результати. Зрештою, наприклад, їх можна тренувати для виявлення порушень ланцюга постачання до того, як вони трапляться, і автоматичного залучення альтернативних постачальників або перевізників. Або вони можуть ініціювати прогнозне технічне обслуговування, визначаючи, чи можуть певні складські або виробничі системи чи лінії вийти з ладу.

Вони роблять це, навчаючись на великих наборах даних, включаючи дані амб’єнтного IoT, згенеровані ланцюгом постачання.

Як ми дізналися за останні роки, складні ланцюги постачання існують на гострому краю. Два-три незначних чинники можуть привести їх до хаосу. Штучний інтелект буде критично важливим для уникнення майбутнього хаосу. Але щоб досягти цього, ланцюги постачання повинні розблокувати дані для речей, які вони зараз не бачать. Амб’єнтний IoT доставляє дані видимості, на яких будуть побудовані інновації GenAI завтра.