KI-Ergebnisse

Bis Mitte 2023 gab es in den USA mindestens 50 Start-up-Unternehmen, die vom Forbes-Magazin als die vielversprechendsten in der Entwicklung von KI-Technologien eingestuft wurden. Auch in anderen Ländern gibt es mehrere vielversprechende KI-Start-ups. Wenn es vielversprechende Start-ups gibt, muss es auch solche geben, die weniger vielversprechend sind. Achten Sie also auf zweifelhafte „Blue Sky“-Versprechungen über KI in Ihrem Unternehmen.

Große multinationale Markenartikelunternehmen und internationale Anbieter von Logistikdienstleistungen haben Zugriff auf Ressourcen, die den Aufbau eigener KI-basierter Systeme ermöglichen. Einige werden mit hohen Kosten scheitern, aber diese Unternehmen können sich die Lernfehler leisten. Für die meisten Unternehmen sind die Risiken zu hoch, um „ein eigenes Unternehmen aufzubauen“.

Für viele Unternehmen ist es wahrscheinlicher, dass eine KI-Funktion in die im Diagramm gezeigten Supply Network Analysis and Planning (SNAP)-Anwendungen eingebettet wird. Das nennt man Künstliche „schmale“ Intelligenz, was erfordert, dass ein System aus einem begrenzten Datenbereich (normalerweise intern) lernt. Es unterscheidet sich von der vielgepriesenen künstlichen „allgemeinen“ Intelligenz, die zum Lernen alle Daten nutzt, die aus vorhandenen Quellen entnommen werden können.

Der Fokus der KI in diesen Anwendungsbereichen wird höchstwahrscheinlich auf zwei Fähigkeiten liegen:

Pattern Recognition – die Analyse von Daten zur Erkennung von Mustern. Hierbei handelt es sich um eine Teilmenge des maschinellen Lernens (ML), das historische Daten nutzt, um die erlebten Muster zu erlernen und einem computergestützten Algorithmus beizubringen. Der Algorithmus ist dann in der Lage, Vorhersagen und Empfehlungen (und möglicherweise Entscheidungen) zu treffen.

Analyse Bereitstellung von Erkenntnissen über Daten, die andernfalls möglicherweise nicht erkannt würden, und die es ermöglichen, fundiertere Entscheidungen zu treffen. Es gibt drei Arten von Analysen:

• Beschreibende Analytik verwendet statistische Techniken, um eine Reihe von Daten zusammenzufassen und zu beschreiben und dabei Trends und Beziehungen zu identifizieren
• Vorausschauende Analytik Verwenden Sie Wahrscheinlichkeitstheorien, um zu bestimmen, was wahrscheinlich passieren wird, basierend auf Mustern und Trends, die sich aus der Analyse großer Mengen historischer und/oder Echtzeitdaten ergeben
• Prescriptive Analytics Nutzen Sie die Ergebnisse von Predictive Analytics, um die besten Aktionspläne zum Erreichen eines gewünschten Ergebnisses zu ermitteln

Auf der taktischen Planungsebene (Sales & Operations Planning) können KI-Fähigkeiten zunächst am besten für Lieferketten eingesetzt werden, da sie in einer kontrollierten und sicheren Umgebung mit relativ wenigen Teilnehmern stattfinden können:

• empfehlen Pläne für unterschiedliche Zeithorizonte. Von KI sollte nicht erwartet werden, dass sie den perfekten Plan liefert. Stattdessen schlägt es Optionen vor und liefert Beweise
• bezieht Unsicherheit (Was-wäre-wenn) in Simulationen ein, um bei der Bewertung von Szenarien und der Identifizierung von Risiken zu helfen
• empfehlen operative Entscheidungen mit Margen und Risiken. Eine Kostensenkung führt nicht zwangsläufig zu einer Verbesserung der Margen
• Sorgen Sie für Transparenz, die Unterbrechungen der Lieferkette vorhersieht. Ein KI-Tool muss die Nachfrage-, Vertriebs- und Angebotssituation sowie die relevanten Einschränkungen und Kapazitäten in jeder Lieferkette kennen

Zunächst ist es vorzuziehen, dass die KI-Tools keine Entscheidungen treffen, was die Rolle des Menschen ist. Sie müssen jedoch darauf trainiert werden, nicht automatisch zu akzeptieren, was das System sagt – das ist ein „Autonomisierungsbias“.

Später könnten KI-Systeme auch dazu beitragen, Aktivitäten auf operativer Ebene zu verbessern, wie zum Beispiel: Bedarfsprognose, Transport- und Frachtmanagement, Bestellungen und Rechnungskontrolle. Auch im Bereich Compliance und Records Handling. Auf der Ausführungsebene kann die Maschinenwartungsplanung und -planung mithilfe von KI-Systemen verbessert werden.

Wenn eine KI-fähige Anwendung verfügbar ist

Wie immer ist die größte Herausforderung bei der Auswahl von Softwareanwendungen nicht technischer Natur. Vielmehr geht es um ein Verständnis der geschäftlichen Herausforderungen und Fähigkeiten Ihres Unternehmens und der Art und Weise, wie die Anwendung diese bewältigen wird. Gehen Sie nicht davon aus, dass KI die Komplexität in den Lieferketten Ihres Unternehmens lösen wird. Wenn Sie das Problem nicht anhand der Supply-Chain-Prinzipien analysieren können, ist es unwahrscheinlich, dass KI die Lösung bietet.

Wenn ein Anbieter von Anwendungssoftware eine KI-Anwendung ankündigt, überprüfen Sie den Status der Daten Ihrer Organisation. Um einen Algorithmus in einem KI-System für maschinelles Lernen zu trainieren, müssen Lerndaten in einer strukturierten Abfolge von Schritten identifiziert, abgerufen, gesammelt, verarbeitet und ausgewertet werden. Beantworten Sie jedoch vor diesem Schritt die folgenden Fragen:

• Führt Ihr Unternehmen eine fortlaufende (z. B. monatliche) Prüfung der Lieferkettendaten durch? Gibt der Bericht im Falle einer Prüfung entweder die Note „sehr gut“ (98 Prozent) oder „gut“ (95 Prozent) ab? Wenn nicht, können die Daten nicht zum Training eines KI-fähigen Systems verwendet werden – denken Sie an „Müll rein, Müll raus“.
• Gibt es einen Prozess zur Beseitigung des RROT redundanter, sich wiederholender, veralteter und trivialer Daten?
• Wie werden saubere, genaue und zeitnahe Eingabedaten sichergestellt? Dies behebt fehlende, nicht berücksichtigte, ungenaue und nicht übereinstimmende Daten aus verschiedenen Quellen, die nicht von der Betriebsplanung kontrolliert werden?
• Wie werden Fehler und Voreingenommenheit im Algorithmus identifiziert? Denn wenn die KI die Daten aktualisiert und lernt, wird es schwieriger, den ursprünglichen Algorithmus wiederherzustellen, sodass Menschen weniger in der Lage sind, die Grundursache für Fehler und Verzerrungen in Algorithmen zu identifizieren.
• Wie wird die Leistung eines Algorithmus im Laufe der Zeit gemessen, wenn er die neuen Daten verwendet?
• Befürworter von KI-Lösungen legen Wert auf Entscheidungen in Echtzeit, aber ist das erforderlich? Die Neuplanung und Änderung von Ausführungsplänen in Echtzeit führt zu Nervosität bei den physischen Abläufen. Die Vertriebs- und Betriebsplanung erfolgt derzeit in monatlichen oder vierwöchigen Abständen und wird über die Sperrfrist hinaus geplant. Wäre Echtzeit-S&OP von Vorteil?
• Es kann erforderlich sein, dass das System kurzfristig große Datenmengen verarbeiten muss. Ist die Supply Chains-Gruppe in der Lage, große Cloud-Computing-Einrichtungen zu finanzieren?

Ohne Antworten auf diese Fragen ist es eine unkluge Entscheidung, fortzufahren. Aber es ist noch nicht alles verloren; Parallel zu den Aktivitäten zur Evaluierung KI-basierter Anwendungen können Sie daran arbeiten, die Planung der Lieferketten Ihres Unternehmens zu vereinfachen. Konzentrieren Sie sich stets auf die Geschäftsbeziehungen, Ihre Mitarbeiter, Arbeitsabläufe und Prozesse und dann auf die KI.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: 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