Роль генеративного ШІ в ланцюгах поставок

Подібно до того, як у 2020 році збої в ланцюзі постачання стали частим предметом обговорень у залі засідань, Generative AI швидко став гарячою темою 2023 року. Зрештою, ChatGPT OpenAI досяг 100 мільйонів користувачів за перші два місяці, що робить його найшвидше зростаючим споживчим додатком в історії.

Ланцюги поставок певною мірою добре підходять для застосування генеративного штучного інтелекту, оскільки вони працюють і генерують величезні обсяги даних. Різноманітність і обсяг даних, а також різні типи даних додають додаткової складності надзвичайно складній реальній проблемі: як оптимізувати продуктивність ланцюга поставок. І хоча випадки використання генеративного штучного інтелекту в ланцюгах постачання є дуже різноманітними, включаючи підвищену автоматизацію, прогнозування попиту, обробку та відстеження замовлень, прогнозне технічне обслуговування обладнання, управління ризиками, управління постачальниками тощо, багато з них також застосовуються до прогнозного штучного інтелекту та вже були прийняті. і розгорнуто в масштабі.

У цьому матеріалі описано кілька варіантів використання, які особливо добре підходять для генеративного штучного інтелекту в ланцюгах поставок, а також пропонуються деякі застереження, які лідери ланцюгів постачання повинні враховувати перед тим, як робити інвестиції.

Допомога в прийнятті рішень

Основна мета штучного інтелекту та машинного навчання в ланцюгах постачання – полегшити процес прийняття рішень, пропонуючи обіцянку підвищення швидкості та якості. Передбачуваний штучний інтелект робить це, надаючи більш точні передбачення та прогнози, виявляючи нові закономірності, які ще не виявлені, і використовуючи дуже великі обсяги відповідних даних. Generative AI може зробити цей крок далі, підтримуючи різні функціональні сфери управління ланцюгом поставок. Наприклад, керівники ланцюгів постачання можуть використовувати генеративні моделі штучного інтелекту, щоб ставити уточнюючі запитання, запитувати додаткові дані, краще розуміти фактори впливу та переглядати історичну ефективність рішень у подібних сценаріях. Коротше кажучи, генеративний штучний інтелект робить процес належної обачності, який передує прийняттю рішень, значно швидшим і простішим для користувача.

Крім того, на основі базових даних і моделей генеративний ШІ може аналізувати великі обсяги структурованих і неструктурованих даних, автоматично генерувати різні сценарії та надавати рекомендації на основі представлених варіантів. Це суттєво зменшує роботу, що не вимагає додаткової вартості, яку зараз виконують менеджери ланцюгів постачання, і дає їм змогу витрачати більше часу на прийняття рішень на основі даних і швидше реагувати на зміни ринку.

(Можливе) вирішення проблеми дефіциту кадрів з управління ланцюгом постачання

Протягом останніх кількох років підприємства страждали від нестачі кадрів у ланцюжках постачання через вигоряння планувальників, виснаження та круту криву навчання для нових наймів через складний характер роботи. Генеративні моделі штучного інтелекту можна налаштувати відповідно до стандартних операційних процедур підприємства, бізнес-процесів, робочих процесів і програмної документації, а потім можуть відповідати на запити користувачів контекстуальною та актуальною інформацією. Розмовний інтерфейс користувача, який зазвичай асоціюється з генеративним штучним інтелектом, значно полегшує взаємодію із системою підтримки та надає можливість уточнювати запит, ще більше прискорюючи час, необхідний для пошуку потрібної інформації.

Поєднання генеративної системи навчання та розвитку на основі штучного інтелекту з генеративною підтримкою прийняття рішень на основі ШІ може допомогти прискорити вирішення різноманітних проблем управління змінами. Це також може прискорити набір нових співробітників за рахунок скорочення часу навчання та вимог до досвіду роботи. Що ще важливіше, генеративний ШІ може розширити можливості людей з обмеженими можливостями шляхом покращення спілкування, покращення пізнання, допомоги в читанні та письмі, забезпечення особистої організації та підтримки постійного навчання та розвитку.

Хоча одні побоюються, що генеративний штучний інтелект призведе до втрати робочих місць у найближчі роки, інші вважають, що так і буде підвищити рівень роботи, видаливши повторювані завдання та звільнивши місце для більш стратегічних. Тим часом, за прогнозами, це вирішить хронічний ланцюжок поставок і дефіцит цифрових кадрів. Ось чому важливо навчитися працювати з технологією.

Побудова цифрової моделі ланцюга поставок

Ланцюжки постачання мають бути стійкими та гнучкими, що вимагає видимості між підприємствами. Ланцюг постачання повинен «знати» всю мережу для видимості. Однак побудова цифрової моделі всієї багаторівневої мережі ланцюга поставок часто є непомірно високою. Великі підприємства мають дані, розподілені по десятках або сотнях систем більшість великих підприємств одночасно керують понад 500 програмами через ERP, CRM, PLM, закупівлі та підбір джерел, планування, WMS, TMS тощо. З усією цією складністю та фрагментацією надзвичайно важко логічно об’єднати ці розрізнені дані. Це ускладнюється, коли організації дивляться не лише на постачальників першого чи другого рівня, а збирання даних у структурованому форматі є малоймовірним.

Генеративні моделі штучного інтелекту можуть обробляти величезні обсяги даних, у тому числі структуровані (основні дані, дані транзакцій, EDI) і неструктуровані дані (контракти, рахунки-фактури, скановані зображення), щоб ідентифікувати закономірності та контекст з обмеженою попередньою обробкою даних. Оскільки генеративні моделі штучного інтелекту вчаться на основі шаблонів і використовують обчислення ймовірностей (з деяким втручанням людини) для прогнозування наступного логічного виходу, вони можуть створити більш правдиву цифрову модель n-рівневої мережі постачання – швидше та в масштабі – та оптимізувати між- та внутрішню мережу. -співпраця та видимість компанії. Ця n-рівнева модель може бути додатково збагачена для підтримки ініціатив ESG, включаючи, але не обмежуючись, виявлення конфліктних корисних копалин, використання екологічно чутливих ресурсів або територій, обчислення викидів вуглецю продуктами та процесами тощо.

Незважаючи на те, що генеративний штучний інтелект надає значну можливість лідерам ланцюгів постачання бути інноваційними та створювати стратегічні переваги, є певні проблеми та ризики, які слід враховувати.

Ваш ланцюжок поставок унікальний

Загальне використання генеративного штучного інтелекту, як-от ChatGPT або Dall-E, наразі успішно вирішує завдання ширшого характеру, оскільки моделі навчаються на величезних обсягах загальнодоступних даних. Щоб по-справжньому використовувати можливості генеративного штучного інтелекту для корпоративного ланцюжка поставок, ці моделі потрібно буде точно налаштувати на відповідних корпоративних даних і контексті, характерному для вашої організації. Іншими словами, ви не можете використовувати загальнонавчену модель. Проблеми управління даними, такі як якість даних, інтеграція та продуктивність, які перешкоджають поточним проектам трансформації, також можуть вплинути на інвестиції в штучний інтелект, що призведе до трудомістких і дорогих завдань без належного рішення для керування даними.

Генеративний ШІ залежить від розуміння моделі в рамках навчальних даних, і якщо фахівці з ланцюгів постачання чогось навчилися за останні три роки, це те, що ланцюги постачання й надалі стикатимуться з новими ризиками та безпрецедентними можливостями.

Безпека та правила

Основна вимога генеративних моделей штучного інтелекту – доступ до величезних обсягів навчальних даних для розуміння шаблонів і контексту. Тим не менш, людський інтерфейс генеративних програм штучного інтелекту може призвести до уособлення користувача, фішингу та інших проблем безпеки. У той час як обмежений доступ до навчання моделям може призвести до низької продуктивності ШІ, надання необмеженого доступу до даних ланцюга поставок може призвести до інцидентів інформаційної безпеки, коли критична та конфіденційна інформація стає доступною для неавторизованих користувачів.

Також незрозуміло, як різні уряди вирішать регулювати генеративний ШІ в майбутньому, оскільки впровадження продовжує зростати та відкриваються нові застосування генеративного ШІ. Кілька експертів зі штучного інтелекту висловили стурбованість з приводу ризик, який створює ШІ, попросивши уряди призупинити гігантські експерименти зі штучним інтелектом, доки технологічні лідери та політики не зможуть встановити правила та норми для забезпечення безпеки.

Generative AI пропонує безліч можливостей для вдосконалення тим організаціям, які можуть використовувати цю технологію та створювати примножувач сили для людської винахідливості, креативності та прийняття рішень. Тим не менш, доки не буде навчених і чітко розроблених моделей для випадків використання ланцюга поставок, найкращим способом просування вперед є збалансований підхід до генеративних інвестицій у ШІ.

Встановлення належних захисних огорож буде розумним, щоб гарантувати, що AI обслуговує набір оптимізованих планів для перегляду та вибору кожного користувача, які відповідають бізнес-процесам і цілям. Підприємства, які поєднують «бізнес-посібники» з генеративним штучним інтелектом, зможуть найкраще підвищити здатність команд планувати, приймати рішення та виконувати, водночас оптимізуючи бажані бізнес-результати. Перед тим, як інвестувати в нову генеративну технологію штучного інтелекту, організаціям також слід розглянути надійне бізнес-обгрунтування, безпеку даних і користувачів, а також вимірні бізнес-цілі.