Ce post a déjà été lu 394 fois !
Comment éviter les pièges les plus courants liés à la mise en œuvre de l'IA et comment garantir que votre initiative génère rapidement une valeur réelle et significative
Intelligence artificielle (AI), sous toutes ses formes, offre évidemment un énorme potentiel de valeur aux entreprises de soins de santé et pharmaceutiques, dans la transformation de leurs chaînes d'approvisionnement. Mais sans une stratégie robuste, une mise en œuvre appropriée et une hiérarchisation rigoureuse des cas d’utilisation à forte valeur ajoutée en production, la majeure partie de cette valeur est perdue.
Trop souvent, les mises en œuvre de l’IA échouent, sans grand résultat en termes de valeur commerciale. Ou encore, s’ils apportent de la valeur dans un domaine de niche, ils sont difficiles à étendre à l’ensemble de l’entreprise et des partenaires commerciaux, pour réellement transformer la chaîne d’approvisionnement.
Cet article explore les défis pratiques dont il faut être conscient lors de la mise en œuvre de l’IA dans les chaînes d’approvisionnement pharmaceutiques. Dans le rapport auquel je renvoie à la fin de cet article, je partage en détail une stratégie qui génère rapidement des rendements élevés, tout en minimisant les frais de mise en œuvre et les risques.
En raison de la nature hautement interconnectée des chaînes d'approvisionnement pharmaceutiques et de soins de santé, le succès dépend essentiellement de la présence d'une plate-forme réseau sous-jacente qui prend en compte la complexité et la nature à plusieurs niveaux de ces chaînes d'approvisionnement.
Défis et pièges courants de l’IA dans les chaînes d’approvisionnement pharmaceutiques
Où se trompent la plupart des entreprises de la santé et des sciences de la vie lorsqu’elles tentent de déployer l’IA dans leurs chaînes d’approvisionnement ? Ayant été impliqué dans de nombreuses implémentations
1. Paysages de données complexes et apprentissage des données passées et nouvelles
Il s’agit d’un problème majeur : tenter de résoudre le problème sans qu’un seul modèle intégré ne soit donc incapable de relier les points. Ou en d’autres termes, ne pas disposer de données de base et de système de gestion communautaire. La chaîne d’approvisionnement est un mélange hétérogène de partenaires avec une myriade de modèles de données qui, le plus souvent, ne communiquent pas entre eux. À cela s’ajoutent des structures d’intégration complexes qui rendent très difficile le suivi d’une transaction tout au long de son cycle de vie. La possibilité d'accéder aux données en dehors de l'entreprise ou, plus important encore, de recevoir l'autorisation de consulter les données pertinentes pour votre communauté commerciale, doit être mise à la disposition de tout type d'IA, par exemple les algorithmes d'apprentissage profond ou d'apprentissage automatique. Les systèmes d’IA hautement performants devraient être capables d’assimiler les tendances passées, d’apprendre continuellement de nouvelles données et d’« ajuster progressivement » les résultats. Les systèmes d’IA dans la chaîne d’approvisionnement ne devraient pas adopter un modèle « par lots » dans lequel, à chaque nouvelle variable ou point de données, l’ensemble de l’algorithme nécessite un changement fondamental afin de parvenir à une chaîne d’approvisionnement résiliente.
2. Les directives de conformité GxP et le paysage réglementaire en constante évolution
Le secteur des sciences de la vie, et en particulier le secteur pharmaceutique, est fortement réglementé et soumis à des exigences de conformité strictes, telles que GCP (bon Infos sur les Pratique) ainsi que BPF (bonnes pratiques de fabrication). Celles-ci sont spécifiques aux formulations, aux domaines thérapeutiques et géo-spécifiques en termes de règles de test et de directives de la FDA. Pour aggraver les choses, ces règles ne cessent d’évoluer. Cela nécessite des algorithmes complexes d’exploration de texte pour comprendre les implications de ces réglementations en constante évolution sur les processus.
3. Cas d'utilisation de l'IA au-delà du back-office et hyper concentration sur l'efficacité
Alors que de nombreuses entreprises des sciences de la vie ont essayé de mettre en œuvre l'IA et la RPA (automatisation des processus robotiques) dans leurs opérations de back-office, la véritable valeur de l'IA se manifeste dans l'engagement des utilisateurs dès le front-end. Par exemple, tirer parti des algorithmes d’IA pour prédire les thérapies, l’apparition de maladies et la planification autonome des patients, au lieu de limiter l’IA au service client et aux cas d’utilisation liés à la productivité. De nombreuses sociétés pharmaceutiques ne parviennent pas, ou sont incapables, à cibler d'autres domaines tels que la croissance des revenus, l'observance des patients, les risques, etc., et ont souvent des difficultés à établir une analyse de rentabilisation pour ces domaines.
4. Se concentrer sur les résultats ponctuels sans tenir compte de l'impact de la propagation de la prise de décision basée sur l'IA
La plupart des grandes sociétés pharmaceutiques ont, au mieux, isolé des pilotes d’IA en cours de préparation dans des domaines spécifiques tels que la planification de la demande, l’optimisation du fret et la sélection des fournisseurs. Cela a conduit à une série de preuves de concept à travers les différentes facettes de la chaîne d'approvisionnement. Ces projets ont du mal à se développer et sont incapables d'atteindre le Saint Graal de la chaîne d'approvisionnement : la résilience. Ce défi est particulièrement difficile pour l'industrie pharmaceutique, car ses chaînes d'approvisionnement sont fortement interconnectées, de bout en bout et à travers les niveaux, avec des directives de fabrication complexes, et il est crucial de se concentrer sur un ensemble de fonctions objectives à l'échelle du réseau pour la mise en œuvre. succès.
Où se concentrer pour obtenir de meilleurs retours sur l'IA
Il s’agit d’un sujet vaste et complexe, que je ne peux qu’aborder ici, mais que je donne en détail dans le rapport figurant à la fin de l’article. Pour l’instant, j’aimerais vous laisser avec une pièce clé du puzzle que nous avons trouvée extrêmement utile.
Au milieu de tout le battage médiatique autour des applications d'IA dans la chaîne d'approvisionnement, les marques des sciences de la vie doivent être prudentes en priorisant les bons cas d'utilisation, et soutenues par des données et une pile technologique adaptées, afin qu'elles puissent voir des résultats réels et significatifs. rapidement.
Chez One Network Enterprises (ONE), nous interagissons avec un large éventail d’entreprises des sciences de la vie, chacune à un niveau de maturité différent. Pourtant, ils veulent tous la même chose : un ensemble de cas d’utilisation offrant le meilleur retour sur investissement.
Pour y parvenir, nous avons constaté que le meilleur moyen d’y parvenir est de créer un « Value Office », une équipe dédiée axée sur la valeur (une fonction à l’intersection de la réussite client et de l’ingénierie de la valeur). La raison pour laquelle cela est si critique est que la plupart des cas d’utilisation ne sont pas localisés dans un silo spécifique de la chaîne d’approvisionnement. Habituellement, les cas d'utilisation sont interconnectés et ont un impact à plusieurs niveaux sur les coûts, les stocks et les niveaux de service. L’équipe Value Office peut surveiller toutes les fonctions et relier les points d’une manière que les équipes localisées trouveront difficile, voire impossible.
L’IA peut avoir un impact élevé si vous êtes conscient des pièges et si vous abordez l’IA avec une stratégie éprouvée
En conclusion, la mise en œuvre de l'IA dans les chaînes d'approvisionnement pharmaceutiques présente une myriade de défis, tels que la gestion d'environnements de données complexes, la navigation dans des environnements réglementaires en constante évolution, l'expansion des applications d'IA au-delà des opérations de back-office et la prise en compte des implications plus larges de l'IA. dirigé la prise de décision. Cependant, ces défis peuvent être relevés en donnant la priorité aux bons cas d’utilisation, soutenus par des données et une technologie adaptées. Les entreprises devraient viser des systèmes d’IA capables d’intégrer et d’apprendre des données nouvelles et historiques, de s’adapter à l’évolution des réglementations et d’apporter de la valeur dans divers domaines. Un « Value Office » dédié pourrait jouer un rôle clé dans la supervision de ces complexités, car il peut garantir que la mise en œuvre de l’IA prend en compte la nature interconnectée de la chaîne d’approvisionnement et ses effets sur les coûts, les stocks et les niveaux de service. Malgré les pièges potentiels, avec les stratégies et les orientations appropriées, les entreprises des sciences de la vie peuvent obtenir des retours significatifs sur leurs investissements en IA.
Et ce rapport dont j'ai parlé, vous pouvez le télécharger ici.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://supplychainbeyond.com/4-pitfalls-of-a8-in-healthcare-and-pharmaceutical-supply-chains/
