生成式人工智能在供应链中的作用

正如供应链中断在2020年成为董事会议上频繁讨论的话题一样，生成式人工智能迅速成为2023年的热门话题。毕竟，OpenAI的ChatGPT在两个月内就达到了1亿用户，成为历史上增长最快的消费者应用程序。

供应链在一定程度上非常适合生成式人工智能的应用，因为它们运行和生成大量数据。数据的多样性和数量以及不同类型的数据为优化供应链性能这个极其复杂的现实世界问题增加了额外的复杂性。虽然生成式人工智能在供应链中的用例非常广泛——包括增加自动化、需求预测、订单处理和跟踪、机械的预测维护、风险管理、供应商管理等——但许多用例也适用于预测人工智能，并且已经被大规模采用和部署。

本文概述了一些特别适合供应链中生成式人工智能的用例，并提出了供供应链领导者在投资之前考虑的几点警告。

辅助决策

人工智能和机器学习在供应链中的主要目的是简化决策过程，提供更快和更高质量的决策。预测人工智能通过提供更准确的预测和预报、发现尚未识别的新模式以及使用大量相关数据来实现这一目标。生成式人工智能可以进一步支持供应链管理的各个功能领域。例如，供应链经理可以使用生成式人工智能模型来询问澄清问题、请求额外数据、更好地理解影响因素以及查看类似场景下的历史决策表现。简而言之，生成式人工智能使得决策前的尽职调查过程变得更快、更容易。

此外，基于基础数据和模型，生成式人工智能可以分析大量结构化和非结构化数据，自动生成各种场景，并根据所呈现的选项提供推荐。这大大减少了供应链经理目前所做的无增值工作，并使他们能够花更多时间做出数据驱动的决策并更快地响应市场变化。

解决供应链管理人才短缺的可能解决方案

过去几年，企业由于计划员的倦怠、离职以及由于工作职能的复杂性而导致新员工的陡峭学习曲线，遭受了供应链人才短缺的困扰。生成式人工智能模型可以根据企业的标准操作程序、业务流程、工作流程和软件文档进行调整，然后可以根据用户查询提供上下文相关的信息。通常与生成式人工智能相关的对话式用户界面使得与支持系统交互变得更容易，并且可以通过进一步完善查询来加速找到正确信息的时间。

将基于生成式人工智能的学习和发展系统与生成式人工智能辅助决策相结合，可以帮助加速解决各种变革管理问题。它还可以通过减少培训时间和工作经验要求来加速新员工的入职。此外，生成式人工智能可以赋予残障人士权能，通过增强沟通、改善认知、阅读和写作辅助、提供个人组织以及支持持续的学习和发展。

虽然有些人担心生成式人工智能会在未来几年导致工作岗位流失，但其他人认为它将通过消除重复性任务并为更具战略性的任务腾出空间来提升工作水平。在此期间，它预计将解决当今供应链和数字人才短缺的问题。这就是为什么学习如何与该技术合作很重要的原因。

构建数字供应链模型

供应链需要具有弹性和敏捷性，这需要跨企业的可见性。供应链需要“了解”整个网络以实现可见性。然而，构建整个n层供应链网络的数字模型通常具有成本限制。大型企业的数据分散在数十或数百个系统中，大多数大型企业同时管理超过500个应用程序，包括ERP、CRM、PLM、采购和来源、规划、WMS、TMS等。由于这种复杂性和碎片化，将这些分散的数据在逻辑上聚合在一起极为困难。当组织超越第一或第二层供应商时，收集结构化格式的数据的可能性不大。

生成式人工智能模型可以处理大量数据，包括结构化数据（主数据、事务数据、EDI）和非结构化数据（合同、发票、图像扫描），以识别模式和上下文，并且可以在有限的数据预处理下工作。由于生成式人工智能模型通过模式学习和使用概率计算（带有一些人工干预）来预测下一个逻辑输出，因此它们可以更快、更大规模地创建n层供应网络的真实数字模型，并优化企业间和企业内的协作和可见性。该n层模型可以进一步丰富以支持ESG计划，包括但不限于识别冲突矿物、使用环境敏感资源或地区、计算产品和流程的碳排放等。

尽管生成式人工智能为供应链领导者提供了创造性地获取战略优势的机会，但也存在需要考虑的担忧和风险。

您的供应链是独一无二的

生成式人工智能的一般用途，例如ChatGPT或Dall-E，目前在处理更广泛的任务方面取得了成功，因为这些模型是在大量公开可用的数据上训练的。为了真正利用生成式人工智能的能力，企业供应链需要对这些模型进行微调，以适应企业的数据和特定上下文。换句话说，不能使用通用训练模型。当前转型项目中阻碍数据管理的挑战，例如数据质量、集成和性能，也可能影响生成式人工智能投资，导致没有合适数据管理解决方案的情况下变得耗时且昂贵。

生成式人工智能依赖于理解训练数据中的模式，如果供应链专业人员在过去三年中学到了什么，那就是供应链将继续面临新的风险和前所未有的机会。

安全性和法规

生成式人工智能模型的基本要求是访问大量的训练数据以了解模式和上下文。然而，生成式人工智能应用程序的人类化界面可能导致用户模拟、钓鱼和其他安全问题。虽然对模型训练的访问受限可能导致人工智能的性能下降，但授予对供应链数据的无限制访问可能会导致信息安全事件，使关键和敏感信息可供未经授权的用户访问。

目前尚不清楚，随着采用率的增长和发现新的生成式人工智能应用，各国政府将如何选择监管生成式人工智能。几位人工智能专家已经表达了对人工智能带来的风险的担忧，要求政府在技术领导者和政策制定者能够建立确保安全的规则和法规之前暂停巨型人工智能实验。

生成式人工智能为能够利用这一技术并将其作为人类智慧、创造力和决策的倍增器的组织提供了大量改进机会。然而，直到有针对供应链用例的专门训练模型之前，采取平衡的生成式人工智能投资方法是最好的选择。

建立适当的防护措施将是确保人工智能为每个用户提供一组优化计划以供审查和选择的必要条件，这些计划应与业务流程和目标保持一致。将“业务游戏规则”与生成式人工智能相结合的企业将能够增加团队的规划、决策和执行能力，同时仍优化期望的业务成果。组织还应在投资新生成式人工智能技术之前考虑强大的商业理由、数据和用户的安全性以及可衡量的业务目标。