مخرجات الذكاء الاصطناعي
بحلول منتصف عام 2023، كان هناك ما لا يقل عن 50 شركة ناشئة في الولايات المتحدة، صنفتها مجلة فوربس باعتبارها الشركة الواعدة في تطوير تقنيات الذكاء الاصطناعي. هناك أيضًا العديد من الشركات الناشئة الواعدة في مجال الذكاء الاصطناعي في بلدان أخرى. إذا كانت هناك شركات ناشئة واعدة، فلا بد أن تكون هناك أيضًا شركات أقل واعدة، لذا انتبه من وعود "السماء الزرقاء" المشكوك فيها بشأن الذكاء الاصطناعي في عملك.
تتمتع شركات السلع ذات العلامات التجارية الكبيرة متعددة الجنسيات ومقدمو الخدمات اللوجستية الدوليون بإمكانية الوصول إلى الموارد التي تمكنهم من بناء أنظمتهم القائمة على الذكاء الاصطناعي. وبعضها سوف يفشل، مع تكاليف باهظة، ولكن هذه الشركات قادرة على تحمل أخطاء التعلم. بالنسبة لغالبية الشركات، تكون المخاطر مرتفعة جدًا بحيث لا يمكن "بناء أعمالها الخاصة".
بالنسبة للعديد من المؤسسات، من المرجح أن يتم تضمين قدرة الذكاء الاصطناعي في تطبيقات تحليل وتخطيط شبكة التوريد (SNAP) الموضحة في الرسم التخطيطي. هذا يسمي الذكاء الاصطناعي "الضيق".، الأمر الذي يتطلب نظامًا للتعلم من نطاق محدود من البيانات (داخلية عادةً). وهو يختلف عن الذكاء الاصطناعي "العام" الذي تم الترويج له كثيرًا، والذي يستخدم جميع البيانات التي يمكن استخلاصها من المصادر الموجودة للتعلم.
من المرجح أن يكون تركيز الذكاء الاصطناعي في مجالات التطبيق هذه على قدرتين:
التعرف على الأنماط – تحليل البيانات للكشف عن الأنماط. هذه مجموعة فرعية من التعلم الآلي (ML)، والتي تستخدم البيانات التاريخية لتعلم وتعليم خوارزمية تعتمد على الكمبيوتر الأنماط التي تمت تجربتها. يتم بعد ذلك تمكين الخوارزمية لتقديم تنبؤات وتوصيات (وربما قرارات).
التحليلات تقديم رؤى حول البيانات التي قد لا يتم اكتشافها بطريقة أخرى والتي تمكن من اتخاذ قرارات أكثر استنارة. هناك ثلاثة أنواع من التحليلات:
- التحليلات الوصفية يستخدم التقنيات الإحصائية لتلخيص ووصف مجموعة من البيانات، وتحديد الاتجاهات والعلاقات
- التحليلات التنبؤية استخدام نظريات الاحتمالات لتحديد ما من المحتمل أن يحدث، بناءً على الأنماط والاتجاهات التي تم الكشف عنها من خلال تحليل مجموعات كبيرة من البيانات التاريخية و/أو البيانات في الوقت الفعلي
- تحليلات وصفية استخدم النتائج التي توفرها التحليلات التنبؤية لتحديد أفضل خطط العمل لتحقيق النتيجة المرجوة
مستوى التخطيط التكتيكي (تخطيط المبيعات والعمليات) هو المكان الذي يمكن فيه استخدام قدرات الذكاء الاصطناعي بشكل أفضل في سلاسل التوريد، حيث يمكن أن يكون في بيئة خاضعة للرقابة وآمنة مع عدد قليل نسبيًا من المشاركين:
- التوصية بخطط لآفاق زمنية مختلفة. لا ينبغي أن نتوقع من الذكاء الاصطناعي أن يقدم الخطة المثالية؛ وبدلاً من ذلك يقترح الخيارات ويقدم الأدلة
- يدمج عدم اليقين (ماذا لو) في عمليات المحاكاة للمساعدة في تقييم السيناريوهات وتحديد المخاطر
- التوصية بالقرارات التشغيلية ذات الهوامش والمخاطر. إن خفض التكاليف لا يؤدي بالضرورة إلى تحسين الهوامش
- توفير الرؤية التي تتوقع اضطرابات سلسلة التوريد. تحتاج أداة الذكاء الاصطناعي إلى معرفة حالات الطلب والتوزيع والعرض والقيود والقدرات ذات الصلة في كل سلسلة توريد
في البداية، يفضل ألا تتخذ أدوات الذكاء الاصطناعي القرارات، وهذا هو دور الأشخاص. ومع ذلك، يجب تدريبهم على عدم قبول ما يقوله النظام تلقائيًا - وهذا هو التحيز "الاستقلالي".
وفي وقت لاحق، يمكن أن تساعد أنظمة الذكاء الاصطناعي أيضًا في تحسين الأنشطة على المستوى التشغيلي، مثل: التنبؤ بالطلب، وإدارة النقل والشحن، وأوامر الشراء ومراقبة الفواتير. أيضا في الامتثال والتعامل مع السجلات. على مستوى التنفيذ، يمكن تحسين تخطيط وجدولة صيانة الماكينة باستخدام أنظمة الذكاء الاصطناعي.
عندما يتوفر تطبيق ممكّن للذكاء الاصطناعي
وكما هو الحال دائمًا، فإن التحدي الرئيسي المتمثل في اختيار التطبيقات البرمجية ليس تقنيًا. وبدلاً من ذلك، فهو عبارة عن فهم لتحديات وقدرات الأعمال التي تواجهها مؤسستك وكيف سيتعامل معها التطبيق. لا تفترض أن الذكاء الاصطناعي سيحل التعقيدات في سلاسل التوريد في مؤسستك. إذا لم تتمكن من تحليل المشكلة باستخدام مبادئ سلسلة التوريد، فمن غير المرجح أن يوفر الذكاء الاصطناعي الحل.
عندما يعلن أحد موردي برامج التطبيقات عن تطبيق للذكاء الاصطناعي، تحقق من حالة بيانات مؤسستك. يتطلب تدريب خوارزمية في نظام الذكاء الاصطناعي للتعلم الآلي تحديد بيانات التعلم والوصول إليها وجمعها ومعالجتها وتقييمها في سلسلة منظمة من الخطوات. لكن قبل هذه الخطوة أجب عن الأسئلة التالية:
- هل تقوم شركتك بإجراء تدقيق مستمر (على سبيل المثال شهريًا) لبيانات سلاسل التوريد؟ إذا كانت هناك عملية تدقيق، فهل يقدم التقرير تقييمًا "ممتاز" (98 بالمائة) أو "جيد" (95 بالمائة)؟ إذا لم يكن الأمر كذلك، فلا يمكن استخدام البيانات لتدريب نظام يدعم الذكاء الاصطناعي - تذكر "القمامة الواردة، القمامة الخارجة".
- هل هناك عملية لإزالة RROT للبيانات الزائدة والمتكررة والقديمة والتافهة؟
- كيف سيتم ضمان إدخال بيانات نظيفة ودقيقة وفي الوقت المناسب؟ يعالج هذا البيانات المفقودة، وغير المدروسة، وغير الدقيقة وغير المتطابقة من مصادر مختلفة، والتي لا يتحكم فيها تخطيط العمليات؟
- كيف سيتم تحديد الأخطاء والتحيز في الخوارزمية؟ وذلك لأنه عندما يقوم الذكاء الاصطناعي بتحديث البيانات والتعلم، يصبح من الصعب استرداد الخوارزمية الأولية، وبالتالي يكون البشر أقل قدرة على تحديد السبب الجذري للفشل والتحيز في الخوارزميات.
- كيف سيتم قياس أداء الخوارزمية بمرور الوقت أثناء استخدامها للبيانات الجديدة؟
- يؤكد أنصار حلول الذكاء الاصطناعي على اتخاذ القرارات في الوقت الفعلي، ولكن هل هذا مطلوب؟ تؤدي إعادة التخطيط وتغيير خطط التنفيذ في الوقت الفعلي إلى خلق حالة من التوتر في العمليات المادية. يتم تخطيط المبيعات والعمليات حاليًا على فترات شهرية أو أربعة أسابيع ويتطلع إلى ما بعد فترة التجميد. هل سيكون S&OP في الوقت الفعلي مفيدًا؟
- قد يُطلب من النظام معالجة كميات كبيرة من البيانات في وقت قصير. هل مجموعة سلاسل التوريد قادرة على تمويل مرافق الحوسبة السحابية الكبيرة؟
بدون الإجابة على هذه الأسئلة، سيكون القرار غير حكيم بالمضي قدمًا. ولكن لم نفقد كل شيء؛ بالتزامن مع أنشطة تقييم التطبيقات القائمة على الذكاء الاصطناعي، يمكنك العمل على تبسيط تخطيط سلاسل التوريد في مؤسستك. اجعل تركيزك المستمر هو العلاقات التجارية والأشخاص وسير العمل والعمليات، ثم الذكاء الاصطناعي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.learnaboutlogistics.com/ai-built-into-future-supply-chain-software-applications/#utm_source=rss&utm_medium=rss&utm_campaign=ai-built-into-future-supply-chain-software-applications
