供应链中生成式人工智能的作用

就在供应链中断成为董事会议上频繁讨论的话题时，生成式人工智能迅速成为2023年的热门话题。毕竟，OpenAI的ChatGPT在前两个月内就达到了1亿用户，成为历史上增长最快的消费者应用程序。

供应链在某种程度上非常适合生成式人工智能的应用，因为它们运行在和生成大量数据的基础上。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一复杂的现实世界问题添加了额外的复杂性。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、机械的预测性维护、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。

本文概述了几种特别适合供应链中生成式人工智能的用例，并提出了供应链领导者在投资之前应该考虑的一些警告。

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、发现新的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，并根据呈现的选项提供推荐。这大大减少了供应链经理目前执行的无增值工作，并使他们能够花更多时间做出数据驱动的决策和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，企业由于规划师倦怠、离职和新员工入职的陡峭学习曲线而遭受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，并根据用户查询提供上下文化和相关信息。生成式人工智能通常与之相关的对话式用户界面使得与支持系统交互变得更容易，并能够细化查询，从而加快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，可以帮助加快各种变革管理问题的解决。它还可以通过减少培训时间和工作经验要求来加快新员工的入职。更重要的是，生成式人工智能可以通过增强沟通、改善认知、阅读和写作辅助、提供个人组织和支持持续学习和发展来赋予残障人士权能。

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战略性的工作创造空间来提升工作水平。与此同时，预计它将解决今天的供应链和数字人才短缺问题。这就是为什么学习如何与这项技术合作至关重要的原因。

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级供应链网络的数字模型通常具有成本效益。大量企业的数据分散在数十或数百个系统中，管理着500多个应用程序，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，很难将这些分散的数据逻辑地聚合在一起。当组织超越第一或第二级供应商时，收集结构化格式的数据变得不太可能。

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创建更真实的n级供应网络数字模型，并优化跨公司和内部的合作和可见性。这个n级模型可以进一步丰富以支持ESG计划，包括识别冲突矿物、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新和创造战略优势的重大机会，但仍有一些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，目前在解决更广泛的任务方面是成功的，因为这些模型是在大量公开可用数据上训练的。为了真正利用生成式人工智能的能力，企业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，不能使用一般训练模型。数据管理挑战，例如数据质量、集成和性能，可能会阻碍当前的转型项目，也可能会影响生成式人工智能投资，导致没有合适的数据管理解决方案就进行耗时且昂贵的练习。

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任何东西，那就是供应链将继续面临新的风险和前所未有的机会。

安全与法规

生成式人工智能模型的基本要求是需要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会导致用户模拟、钓鱼和其他安全问题。虽然对模型训练的访问限制可能会导致人工智能的性能下降，但对供应链数据的无限制访问可能会导致信息安全事件，敏感信息会被泄露给未经授权的用户。

目前尚不清楚，各国政府将如何在未来监管生成式人工智能，因为采用率不断增长，新的生成式人工智能应用不断被发现。一些人工智能专家已经表达了对人工智能风险的担忧，要求政府暂停大规模人工智能实验，直到技术领导者和政策制定者能够建立规则和法规，以确保安全。

生成式人工智能为能够利用这项技术并为人类智慧、创造力和决策能力创造倍增器的组织提供了大量改进的机会。然而，在有专门为供应链用例设计的模型之前，采取平衡的生成式人工智能投资方法是最好的前进方式。

建立适当的防护措施将是明智的，以确保人工智能为每个用户提供一组经过优化的计划供他们审查和选择，这些计划符合业务流程和目标。将“业务游戏规则”与生成式人工智能相结合的企业将能够最好地增加团队的规划、决策和执行能力，同时仍优化期望的业务成果。组织在投资新的人工智能技术之前还应考虑强大的商业案例、数据和用户安全以及可衡量的业务目标。

通过“业务游戏规则”与生成式人工智能相结合，团队将能够更好地规划、决策和执行，同时优化期望的业务成果。组织也应考虑数据和用户的安全、可衡量的业务目标以及强大的商业案例，然后再投资新的生成式人工智能技术。使用“业务游戏规则”与生成式人工智能相结合的企业将能够更好地增加团队的规划、决策和执行能力，同时优化期望的业务成果。组织还应考虑数据和用户的安全、可衡量的业务目标以及强大的商业案例，然后再投资新的生成式人工智能技术。oks”与生成式人工智能相结合的企业将能够更好地增加团队的规划、决策和执行能力，同时优化期望的业务成果。组织还应考虑数据和用户的安全、可衡量的业务目标以及强大的商业案例，然后再投资新的生成式人工智能技术。