渴望数据：供应链人工智能如何达到其拐点

供应链中的人工智能（AI）是一个鸡和蛋的问题。有些人赞扬AI的潜力，可以更好地了解供应链运作。换句话说，AI先，visibility后。

这可能曾经是真的，当无处不在的、实时的供应链visibility无法通过其他方式实现时。但是，变革性的供应链AI——包括强大的生成式AI，它从大量数据中创建新的见解、结果、流程和效率——需要我们颠倒这个等式。visibility先，接着是GenAI驱动的创新遍及整个供应链。

想象一个区域零售经理、分销商、制造商或采购官员在星期一早上醒来，启动一个熟悉的AI聊天机器人（也许甚至是语音激活），并用自然语言问他们的供应链是否针对这一周进行了优化。如果没有，他们会问如何调整供应链以满足他们的目标。GenAI使得这种与供应链系统的交互成为可能。

但是，GenAI基于的供应链解决方案只能自动提供这样的答案，如果它知道供应链中每个产品、箱子、案件、托盘等的状态、位置、状况、移动等信息。并且，只有当产品本身可以在没有人工干预的情况下自动传输这些信息时，它才能知道这些信息。今天，它们可以通过一种叫做环境物联网（IoT）的无处不在的visibility平台来实现。

供应链中的GenAI

全球咨询公司安永估计，40%的供应链公司正在投资GenAI。他们使用GenAI来绘制复杂的供应网络，运行“假设”场景，预测上游和下游供应，开发聊天机器人以便合作伙伴更容易获取答案，甚至根据过去或现有的协议生成新合同。

在这些情况下，公司正在使用自己的历史数据和从合作伙伴那里收集的数据来训练AI模型。然后，他们要求GenAI找到提高效率的方法。但是，正如安永分析师所说，“GenAI工具的强大程度取决于输入数据的质量和可用性，因此它们受到供应链合作伙伴数据质量和可用性的限制。”

供应链AI的圣杯是根据实时数据生成新的路线、流程、产品设计和供应商列表——并且要尽快做到这一点（比人类可能做到的更快）。或者，正如一位高管告诉哈佛商业评论，“当供应链出现危机时，竞争的关键是找到替代供应商的速度比其他人快，因为每个人都在寻找做同样的事情。”

这需要在更多、更及时的数据上训练GenAI解决方案，以了解实际的供应链运作。环境物联网的出现。

环境物联网：供应链的语言

环境物联网使得产品、包装和地点可以携带数字签名，这是供应链的实时visibility语言，最终将输入到大型语言模型（LLM）中，这是GenAI的基础。这些签名通过IoT像素传输，IoT像素是自给自足、邮票大小的电子标签，附着在供应链中需要跟踪和监控的任何东西上。IoT像素包括自己的计算能力、传感器和蓝牙通信，允许产品和包装以LLM可以理解的数据术语描述其在供应链中的旅程。最终，它们代表着物理世界和数字世界之间的一座桥梁，首次提供了可以显示、预测和优化运营的供应链数据。

环境物联网像素通过现有的无线设备（如智能手机和无线接入点）或通过易于部署的、标准化的桥接器和网关（安装在商店、仓库、配送卡车等）来传输数据。事实上，具有适当的权限和隐私保护，环境物联网像素可以将供应链visibility扩展到消费者，传输有关产品使用、重复使用和回收的数据，为更先进的GenAI模型提供了基础。

它们持续发送数据。与今天用于训练GenAI模型的供应链记录不同，环境物联网数据描述了供应链的当前状态。有了这种visibility，剩下的就是实施GenAI来回答我们的问题：“我现在在供应链中看到什么？”

实时visibility和环境物联网数据生成可以帮助解决GenAI面临的一个挑战：用于训练LLM的数据不可避免地反映了其生成源的无意数据偏见，这些源通常包括公司的各种ERP系统。

通过环境物联网跟踪的产品说的是客观真相，因为产品确实位于环境物联网所说的位置，在环境物联网所说的时间。并且，因为环境物联网不需要工人使用RFID扫描器来跟踪货物，人为错误可以被最小化。

环境物联网数据描述了产品在供应链中的精确路线和时间。产品携带的数字产品护照中包含了处理产品的各方和设施的数据。如果适用，环境物联网像素可以向LLM添加有关温度、湿度和每一步的碳排放的信息。

根据安永的说法，供应链公司正在探索使用GenAI进行监管和ESG报告的领域。收集大量数据以使GenAI产生合规信息的最好、最有效的方法是通过环境物联网。

从聊天机器人到自动化

日常中，环境物联网和GenAI的结合可以通过两种方式惠及供应链。首先，它可以让更多的人了解供应链中不断变化的情况，并采取主动措施优化或纠正供应链运作。您不需要成为数据分析师或采购专家来询问GenAI聊天机器人关于货物状态或询问替代供应商，尽管公司仍需要数据专家来确保LLM和GenAI工具的发展以产生有用的结果。但是，供应链分析和询问的民主化可以实现快速决策，以保持竞争力。

其次，GenAI和其他AI工具可以帮助建立供应链自动化的桥梁。通过机器学习，特别是控制系统中常见的强化学习，软件可以被训练以做出更好的决策。最终，它们可以被训练以检测供应链中断，并自动启动替代供应商或承运商。或者，它们可以通过确定仓库或制造系统是否可能故障来启动预测性维护。

它们通过学习大量数据集来实现这一点，包括环境物联网生成的供应链数据。

如我们近年所学，复杂的供应链存在于一把刀的边缘。几个小因素就可以将它们推入混乱。人工智能将在避免未来的混乱中发挥至关重要的作用。但是，要实现这一点，供应链需要解锁当前无法看到的数据。环境物联网提供了明天的GenAI创新所需的visibility数据。