Голодні до даних: як штучний інтелект у ланцюжках постачання може досягти точки інфлексії

Штучний інтелект (AI) у ланцюжках постачання – це питання, подібне до питання, яке було раніше яйцем, а яке пізніше куркою. Є ті, хто високо оцінює AI за його потенціал створити більшу видимість операцій ланцюжка постачання. Іншими словами, AI спочатку, видимість згодом.

Що могло бути правдою, коли повсюдна, реальна видимість ланцюжка постачання не була інакше досяжна. Але трансформаційний штучний інтелект у ланцюжках 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, керованими GenAI, по всьому ланцюжку постачання.

Уявіть собі регіонального менеджера роздрібної торгівлі, дистриб’ютора, виробника або офіцера з закупівель, який прокидається у понеділок, запускає знайому чат-бот (можливо, навіть голосову), і питає природною мовою, чи оптимізований його ланцюжок постачання на тиждень. І якщо ні, то питає, як ланцюжок постачання можна调整вати, щоб досягти його цілей. GenAI дозволяє цю взаємодію з системами ланцюжка постачання.

Але єдиний спосіб, яким рішення з ланцюжка постачання на основі GenAI може автоматично надавати такі відповіді, полягає в тому, що воно знає статус, місце розташування, стан, рух тощо кожного продукту, коробки, ящика, піддону тощо у ланцюжку постачання. І єдиний спосіб, яким воно знає це, полягає в тому, що самі продукти можуть автоматично передавати інформацію без людського втручання. Сьогодні вони можуть це робити завдяки універсальній платформі видимості, званій амб’єнтним інтернетом речей (IoT).

GenAI у ланцюжку постачання

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

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

Святий Грааль штучного інтелекту у ланцюжках постачання полягає у генерації нових маршрутів, процесів, дизайнів продуктів та списків постачальників на основі реальної інформації – і робити це якомога швидше (що швидше, ніж людськи можливо).або, як один виконавчий казав у Harvard Business Review, “коли виникає криза ланцюжка постачання, ключ до конкурентоздатності полягає у тому, щоб бути швидшим у пошуку альтернативних постачальників, ніж усі інші, оскільки всі шукають зробити те саме”.

Це вимагає тренування рішень GenAI на значно більших та поточних даних про операції ланцюжка постачання. Вступає амб’єнтний IoT.

Амб’єнтний IoT: мова ланцюжків постачання

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

Амб’єнтні IoT пікселі передають дані через встановлену мережу існуючих бездротових пристроїв, таких як смартфони та бездротові точки доступу, або через легко розгорнуті, стандартні містки та шлюзи, встановлені в магазинах, складах, вантажівках та інше. Насправді, з відповідними дозволами та захистом приватності, амб’єнтні IoT пікселі можуть розширити видимість ланцюжка постачання аж до споживача, передавати дані про використання продукту, повторне використання та переробку, що стане основою для більш просунутих моделей GenAI.

І вони передають дані безперервно. На відміну від записів ланцюжка постачання, використовуваних для тренування моделей GenAI сьогодні, дані амб’єнтного IoT описують ланцюжок постачання правильно зараз. З цією видимістю все, що залишається, – це реалізувати GenAI, щоб відповісти нам, “Що я бачу у своєму ланцюжку постачання, правильно зараз?”

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

Продукти, відстежені через ланцюжок постачання з амб’єнтним IoT, говорять об’єктивну правду, оскільки продукти насправді 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 саме маршрут і час продуктів у ланцюжку постачання. І продукти несуть у своїх цифрових паспортах дані про учасників та об’єкти, які беруть участь у їх обробці. Якщо це застосовується, амб’єнтні IoT пікселі можуть додати до LLM інформацію про температуру, вологість та викиди вуглецю на кожному етапі.

За даними EY, однією з областей, де компанії ланцюжка постачання досліджують використання GenAI, є нормативна та звітність ESG. Найкращий, найбільш економічний спосіб збору величезних даних, щоб GenAI давав відповідну інформацію, полягає у використанні амб’єнтного IoT.

Від чат-бота до автоматизації

Щодня є два способи, як союз амб’єнтного IoT та GenAI міг би принести користь ланцюжкам постачання. По-перше, це дозволило б більшій кількості людей у ланцюжку постачання зрозуміти еволюційні ситуації та вжити активних заходів для оптимізації або виправлення операцій ланцюжка постачання. Вам не потрібно бути аналітиком даних або спеціалістом з закупівель, щоб запитати у чат-бота GenAI про статус відправлень або запитати альтернативних постачальників, хоча компанії продовжуватимуть потребувати спеціалістів з даних, щоб забезпечити розвиток LLM та інструментів GenAI для отримання корисних результатів. Але демократизація аналізу ланцюжка постачання та запиту могла б забезпечити швидке прийняття рішень, необхідне для конкурентоздатності.

По-друге, GenAI та інші інструменти AI можуть допомогти побудувати міст до більшої автоматизації ланцюжка постачання. Через машинне навчання, зокрема навчання з підкріпленням, часто зустрічається у системах контролю, програмне забезпечення можна тренувати для прийняття рішень, які дають кращі результати. В кінцевому підсумку вони можуть бути треновані для виявлення порушень ланцюжка постачання до того, як вони стануться, і автоматичного залучення альтернативних постачальників або перевізників.або вони можуть ініціювати прогнозне 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.

Як ми дізналися за останні роки, складні ланцюжки 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 дійти до цього, ланцюжки постачання потребують розблокування даних для речей, які вони зараз не бачать. Амб’єнтний IoT доставляє дані про видимість, на яких будуть побудовані майбутні інновації GenAI.