Dit bericht is al 655 keer gelezen!
AI kan een grote impact hebben op de juiste gebieden van supply chain management, maar er zijn aanzienlijke uitdagingen en obstakels
Kunstmatige intelligentie is bezig de toeleveringsketens (en ook op andere terreinen) volledig te revolutioneren. Het is een van die dramatische stapsgewijze veranderingen die heel zelden voorkomen en alles veranderen.
De daaruit voortvloeiende verstoring zal een nieuwe generatie winnaars en verliezers voortbrengen.
In het land van AI is echter niet alles perfect. Er zijn veel valkuilen die onoplettende mensen in de val kunnen lokken. In dit artikel onderzoeken we zowel de enorme voordelen van AI als landmijnen die moeten worden ontweken om succesvol te zijn in de context van de toeleveringsketen.
“Wat AI met zich meebrengt is een dramatische toename van mogelijkheden die grofweg onder de paraplu van patroonherkenning en -analyse op menselijk niveau vallen.” – Ranjit Notani #AI #MachineLearning #SupplyChain Klik To Tweet
Vóór AI ging de stand van zaken in de supply chain over geavanceerde procesuitvoering binnen en tussen bedrijven, gekoppeld aan geavanceerde algoritmen voor planning en optimalisatie en de naadloze integratie van planning en uitvoering. Een grove vereenvoudiging van deze benaderingen is dat deze gebaseerd waren op precisie en determinisme.
Wat AI met zich meebrengt is een dramatische toename van de mogelijkheden die grofweg onder de paraplu van ‘patroonherkenning en -analyse op menselijk niveau’ vallen. Terwijl bij de vorige generatie patroonherkenning en -analyse aanwezig waren, maakt de huidige AI op dat vlak een enorme sprong voorwaarts. In die zin zijn de sterke punten van AI dus zeer complementair aan de sterke punten van de vorige generatie van determinisme en precisie.
Het is ons duidelijk dat wat we werkelijk nodig hebben een combinatie van deze beide benaderingen is.
Waar AI impact kan maken in toeleveringsketens
Waar kan dit soort patroonherkenning de resultaten dramatisch verbeteren?
Het voor de hand liggende voorbeeld ligt op het gebied van vraag en andere soorten prognoses. Deze processen werden al geconceptualiseerd als op patroonherkenning gebaseerde benaderingen, dus het was een natuurlijke sprong om AI op deze processen toe te passen. De nieuwe geavanceerde AI-voorspellers presteren nu al beter (soms dramatisch) dan de vorige generatie voorspellingen. Eén reden voor deze superieure prestaties is dat Machine Learning (de tak van AI die momenteel de meeste aandacht krijgt) leert van enorme hoeveelheden gegevens en causale patronen kan detecteren die een mens of eerdere algoritmen niet konden detecteren. Het verbeteren van de nauwkeurigheid van prognoses is een van de bekende procesverbeteringen die bedrijven directe winst opleveren.
Andere voorbeelden van processen die in deze categorie vallen (dwz al een soort van op patronen gebaseerde benaderingen) waren processen als voorraadoptimalisatie op meerdere niveaus, ETA-voorspellers, enz. Deze processen laten vergelijkbare dramatische verbeteringen zien met directe voordelen op het bedrijfsresultaat.
Onder de oppervlakte van deze “voor de hand liggende” gebieden schuilt een enorme reeks processen die in wezen gebaseerd waren op patronen, maar de patronen waren te complex om te verwerken en waren meestal het domein van menselijke analisten, planners, enz.
Waar AI feitelijk van belang is in de toeleveringsketen: een blik op het laaghangende fruit voor AI en de belangrijkste uitdagingen en obstakels... Klik To Tweet
Enkele voorbeelden van deze gebieden zijn beleidsinstelling. dat wil zeggen, welk beleid moet men voeren om tot betere resultaten te komen. Moderne supply chain-systemen (zelfs zeer voorzien van best practices) worden geleverd met een groot aantal beleidslijnen die kunnen worden vastgesteld, maar het kost tijd om uit te zoeken hoe deze moeten worden ingesteld, zelfs met ervaren menselijke analisten en planners.
Een ander gebied dat in deze categorie valt, bevindt zich op het gebied van prioriteitstelling van problemen of ‘aandacht focussen’. Moderne supply chain-systemen maken realtime zichtbaarheid en waarschuwingen mogelijk in de supply chain van meerdere ondernemingen. Dit kan een stortvloed aan problemen veroorzaken die om aandacht vragen. De vraag is wat waarop de analist/planner zich moet concentreren.
De traditionele aanpak zou een soort hoog/gemiddeld/laag-classificatie zijn. Maar AI kan nu veel beter de aandacht van de analist richten op de subset van problemen/waarschuwingen die werkelijk het meest kritisch zijn. Er kan worden gekeken naar patronen in de onderliggende toeleveringsketen en naar de context van de gebruiker, zodat er veel betere prioriteiten kunnen worden gesteld aan kwesties die aandacht vereisen. Dit maakt een veel beter gebruik van de meest schaarse hulpbron (tijd) van de gebruiker mogelijk.
AI blinkt uit in het prioriteren van problemen. Het kan de aandacht van de supply chain-analist veel beter richten op de subset van problemen/waarschuwingen die werkelijk het meest kritisch zijn voor het bedrijf. Klik To Tweet
Naast zichtbaarheid ligt de volgende stap omhoog op het gebied van besluitvorming. De toeleveringsketen heeft een notoir ‘hoogdimensionale’ beslissingsruimte. In gewone taal: er zijn zoveel factoren die op elkaar inwerken en alles lijkt van invloed te zijn op al het andere, dat het moeilijk wordt om problemen effectief op te lossen.
In het verleden werd een deel hiervan ‘opgelost’ door te plannen met wiskundig onberispelijke objectieve functies en beperkingen. Hoewel ze nog steeds erg nuttig waren, hadden deze benaderingen het grote probleem dat ze niet goed konden omgaan met de snel veranderende realiteit van echte toeleveringsketens (vooral naarmate men dichter bij de uitvoering kwam). Hier zouden de zaken steeds chaotischer worden en zouden gebruikers hun toevlucht nemen tot het proces dat ook wel ‘bespoedigen’ en ‘brandbestrijding’ wordt genoemd. Met de komst van AI kan het nu echter naar het complexe plannings- en uitvoeringsplaatje kijken en realtime, contextgevoelige Smart Prescriptions™ voorstellen, die de gebruiker naar optimale resultaten leiden.
Alle bovengenoemde toepassingen van AI hebben het voordeel dat ze ook voortdurend leren op basis van een nauwe feedbacklus tussen actie en resultaat. Dit betekent op zijn beurt dat zelfs als er sprake is van “faseverschuivingen” in de kenmerken van de toeleveringsketen, de AI dit oppikt.
Het volgende niveau hoger in op patronen gebaseerde analyse en actie op menselijk niveau komt voort menselijke talen verwerken. Dit is waar de Large Language Models (LLM's) zoals ChatGPT een belangrijke rol spelen. Aan de ene kant maken deze modellen chat mogelijk, maar als je een beetje uitzoomt, openen ze in wezen de wereld van tekstuele gegevens die kunnen worden opgenomen in de besluitvorming in de toeleveringsketen. Het blijkt dat er een gigantische hoeveelheid nuttige tekstuele informatie beschikbaar is, maar deze kunnen nooit echt op grote schaal worden verwerkt. LLM's veranderen dat.
“Toeleveringsketenrisico is een kritisch onderbenutte capaciteit en is nu meer dan ooit nodig. Met AI kunnen we nu op grote schaal supply chain-risicobeheer uitvoeren.” – Ranjit Notani #AI #SupplyChain Klik To Tweet
Gegevens over supply chain-risico’s zijn bijvoorbeeld voornamelijk te vinden in tekstuele bronnen en voor het eerst kunnen deze worden verwerkt, semantisch geanalyseerd, geclassificeerd en toegepast. Hierdoor kan het risicobeheer van de toeleveringsketen eindelijk op systematische wijze op grote schaal worden uitgevoerd. Als de afgelopen jaren ons iets hebben geleerd, is het risico in de toeleveringsketen een kritisch onderbenutte capaciteit, die nu meer dan ooit nodig is. Naast de plotselinge beschikbaarheid van risico-informatie op grote schaal, is het ook nodig om de ‘deterministische’ kant van risico’s mogelijk te maken (gelimiteerde planning en uitvoering op meerdere niveaus).
Andere voorbeelden van tekstuele informatie die voor doorbraken zorgt, liggen op het gebied van kwaliteitsmanagement. Ten slotte is een groot deel van de transactionele toeleveringsketen nog steeds documentatiegericht en kunnen al deze processen nu volledig worden geïntegreerd.
Tot nu toe hebben we enkele voorbeelden besproken van vooral functionele transformatie van de supply chain. Er vindt echter een even dramatische transformatie plaats aan de kant van de informatietechnologie (IT).
Een van de belangrijkste factoren die tijd en kosten met zich meebrengen voor het inzetten van moderne toeleveringsketens zijn bijvoorbeeld de tijd en kosten van integratie. AI maakt dit nu echter mogelijk “semantische integratie” (het met elkaar in verband brengen van diverse bronnen van informatie en gegevens), waardoor de tijd voor deze integraties dramatisch wordt verkort. Een andere belangrijke bouwsteen zijn overzichtelijke masterdata met meerdere niveaus, met duidelijke kruisverwijzingen en naamgeving. Nogmaals, AI en zijn semantische toewijzing vaardigheden zorgen voor dramatische verbeteringen in dit proces.
De uitdagingen van het inzetten van AI in de supply chain
Nu al deze revolutionaire veranderingen plaatsvinden, is het belangrijk om enkele belangrijke kanttekeningen niet over het hoofd te zien.
Het Black Box-probleem
Een van de grootste problemen is dat AI een soort black box is en meestal geweldige resultaten oplevert. Omdat de manier waarop resultaten daadwerkelijk worden geproduceerd echter slecht wordt begrepen (vergeleken met bijvoorbeeld combinatorische optimalisatie-algoritmen), is het moeilijk om te anticiperen op en om te gaan met sommige faalwijzen.
In ieder geval op de korte termijn moet de hele gebruikerservaring van toepassingen in de toeleveringsketen worden aangepast, zodat mensen op natuurlijke wijze beslissingen kunnen beoordelen, vooral als het om beslissingen gaat waar veel op het spel staat. Als gebruikers zich vervolgens op hun gemak voelen met de beslissingen, zouden deze toepassingen gebruikers gemakkelijk in staat moeten stellen de AI naar een volledig autonome modus te ‘promoveren’.
Gegevenskwaliteit en -volume
Een ander belangrijk voorbehoud bij AI, vooral het Machine Learning-subtype waar de meeste actieve ontwikkelingen plaatsvinden, is dat ze in hoge mate afhankelijk zijn van grote hoeveelheden gegevens van hoge kwaliteit. Geen data, geen AI. Dit betekent dat, in tegenstelling tot traditionele algoritmen die in alle contexten functioneren, een AI het heel goed kan doen bij een probleem met veel gegevens en faalt bij een probleem waar er minder of weinig gegevens zijn.
Er zijn twee oplossingen voor dit probleem. De eerste is dat elk modern, op AI gebaseerd toeleveringsketensysteem AI-modellen moet kunnen verwerken die zijn getraind op gegevens die misschien niet eens in hun systeem aanwezig zijn. Dit vereist een op standaarden gebaseerde benadering van de omgang met AI-modellen. Zowel de facto als de jure normen zijn hierbij een cruciaal onderdeel.
De tweede oplossing voor dit probleem is gebaseerd op het idee van fundamentele AI en het zogenaamde transferleren. Met deze aanpak kunnen AI's worden getraind op grote datasets om problemen in het algemeen op te lossen en vervolgens via transfer learning met relatief kleine aanvullende data worden “verfijnd” om een specifiek probleem op te lossen waarbij de data veel schaarser kunnen zijn.
Waar AI feitelijk van belang is in de toeleveringsketen: een blik op het laaghangende fruit voor AI en de belangrijkste uitdagingen en obstakels... Klik To Tweet
Het ontketenen van de effectiviteit van AI in de supply chain vereist aanzienlijke veranderingen
Samenvattend: AI verandert elk aspect van de toeleveringsketens dramatisch, wat leidt tot dramatisch betere resultaten voor bedrijven die deze het meest effectief toepassen. Het vereist echter een uitgebreide verandering in de manier waarop moderne systemen worden gebouwd.
- Een effectieve fusie van traditionele combinatorische optimalisatie met AI om de sterke punten van beide te benutten.
- Een heroverweging van de hele gebruikerservaring om over te stappen naar een meer natuurlijke, op chat gebaseerde interface, en om de problemen aan te pakken dat AI enigszins een zwarte doos is.
- AI in de IT-basis van supply chain-systemen brengen om de time-to-value dramatisch te verbeteren.
- Het bouwen van toeleveringsketens die rekening houden met de kanttekeningen van AI.
Uiteindelijk zijn we op weg naar het creëren van echte, creatieve AI-assistenten in de toeleveringsketen die menselijke gebruikers veel productiever zullen maken, waardoor ze zich kunnen concentreren op de moeilijkste problemen. Deze supply chain AI-assistenten zullen doordrongen zijn van kennis van de supply chain in het algemeen en die van de gebruiker in het bijzonder.
Als je dieper op dit onderwerp wilt ingaan, raad ik je ten zeerste aan om dit te lezen 8 sleutels tot succes met AI in Supply Chain Management. Het zal u door enkele van de kritische factoren leiden die nodig zijn om AI op de juiste manier in de toeleveringsketen te implementeren.
aanbevolen berichten
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- ChartPrime. Verhoog uw handelsspel met ChartPrime. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://supplychainbeyond.com/where-ai-actually-matters-in-the-supply-chain/
