Karen Roby van TechRepublic sprak met Noel Calhoun, CTO van Interos, an kunstmatige intelligentie supply chain oplossing, over AI in de supply chain. Het volgende is een bewerkt transcript van hun gesprek.

ZIEN: AI op volle zee: digitale transformatie zorgt voor een revolutie in de wereldwijde scheepvaart (gratis pdf) (TechRepubliek)

Karen Roby: Noel, we gaan het vandaag een beetje hebben over AI in onze toeleveringsketen. Je hebt vele jaren in de publieke en private sector gewerkt en voor de CIA gewerkt. Als we het hebben over onze toeleveringsketen, dan bedoel ik dat er nog nooit zo veel licht op is geworpen als nu. Ik bedoel, ik denk dat de kwetsbaarheden echt zichtbaar zijn.

Noël Calhoun: Het is absoluut waar. Ik bedoel, eigenlijk gebeurt er elke dag wel iets dat bedrijven laat zien hoe kwetsbaar hun toeleveringsketens zijn. Het is zo gecompliceerd en soms zo ingewikkeld waar al uw materiaal, waar al uw software, waar al uw diensten vandaan komen, dat veel mensen de neiging hebben om het in een doos te stoppen en te doen alsof het goed werkt totdat de dag dat het niet is. Dan worden ze op brute wijze bewust gemaakt van hoe kwetsbaar het is. Ik denk dat we dat het afgelopen jaar, anderhalf jaar hebben gezien, vooral met COVID, maar met handelsoorlogen, met China, met softwareaanvallen, zoals SolarWinds, met schepen die gek worden in het Suezkanaal. Ik bedoel, het is gewoon een oneindige reeks dingen die de stroom van materiaal en diensten en goederen echt verstoren. Dat is iets dat de kwestie van de toeleveringsketen echt op de voorgrond heeft gebracht, denk ik, vooral in de afgelopen zes maanden.

Karen Roby: Praat een beetje over hoe het is machine learning helpen met de supply chain? En op de weg, hoeveel meer kan het zijn om echt een verschil te maken in termen van het beveiligen van onze toeleveringsketen?

ZIEN: Sinds het begin van de pandemie past de gezondheidszorg AI veel sneller toe (TechRepubliek)

Noël Calhoun: Er wordt veel gesproken over AI en machine learning. Ik denk dat ze in zekere zin broers en zussen zijn. AI heeft de neiging om veel buzz te krijgen omdat mensen niet aan Terminator en Sarah Connor dachten en de toekomst beschermen, en al deze dingen. Ik weet dat bepaalde beroemdheden dat tot op zekere hoogte hebben helpen verspreiden. Maar ik denk echt dat vanuit een praktisch perspectief waar we het echt over hebben, het vermogen is om machine learning-software te ontwikkelen die de feiten, de dingen die over de hele wereld gebeuren, kan interpreteren op een manier die een mens zou doen. Dan kunnen we uitzoeken wat abnormaal is, wat raar is. Wat is er gebeurd dat je misschien nog niet eerder hebt zien gebeuren, en is geen trend die je niet echt die kant op wilt gaan. Dat identificeren en je daarop attenderen, of heel duidelijk maken wanneer er iets gebeurt dat je heel snel iets kunt onderzoeken zonder wekenlang door een hoop informatie te hoeven spitten.

Toen ik bij de CIA werkte, werd iedereen, alle analisten bij de CIA beschouwd als all-source analisten. Wat betekent dat je je niet richt op één bepaald type informatie, door mensen gerapporteerde informatie, onderschepte signalen van de NSA, of je neemt niet op. Je denkt niet aan een bepaald type, je denkt aan alle soorten informatie die je mogelijk bij een probleem kunt betrekken. Dat is de manier waarop ik denk over machine learning en de huidige trend is om een ​​all-source analysebenadering van de toeleveringsketen te gebruiken. Is het een nieuwsbericht? Is het een weergebeurtenis? Is het de positie van een schip in het Suezkanaal? Is het telemetrie op satellieten? Welke informatie heeft u nodig om u inzicht te geven in uw toeleveringsketen?

Elk van die stromen zou te veel zijn voor een mens om dag in dag uit constant te verwerken. Je zou de hele dag tientallen, zo niet honderden of duizenden analisten moeten inhuren om naar de informatie te kijken, om erachter te komen wat er aan de hand is in mijn toeleveringsketen en wat voor invloed heeft dit op mij? Iedereen beseft dat dat niet kan. Ik denk dat machine learning echt de oplossing is daar waar het niet perfect is, je fouten zult krijgen. Je hebt ook menselijke fouten, dus het is niet zo dat mensen perfect zijn. Maar je past machine learning toe om in feite alle informatie te verwerken en geeft je een superkracht om echt alles te observeren wat er gebeurt zonder dat je er al dat menselijke onderzoek en moeite in hoeft te investeren.

ZIEN: AI in de OK: Eén bedrijf dicht de hiaten in chirurgie met behulp van technologie (TechRepubliek)

Karen Roby: Ik weet dat als je het hebt over de acceptatie, mensen dat echt begrijpen, dat dit is waar we zijn en dat dit de technologie is waarnaar we moeten kijken? Omdat er hier zoveel lagen zijn. Ik bedoel, en zoals je al zei, je kunt gewoon niet bedenken hoeveel mensen er nodig zijn om dit allemaal dagelijks te analyseren. Is het niveau van acceptatie daar?

Noël Calhoun: Het is interessant, denk ik, ik zou bijna zeggen dat het niveau van acceptatie er is, maar op een zeer ongeïnformeerde manier denk ik dat mensen op zoek zijn naar een wondermiddel en zeggen: kan AI mijn probleem oplossen? Kan machine learning dit probleem oplossen? Het antwoord, voor degenen die al heel lang in deze ruimte werken, is: het is een stuk gereedschap in de gereedschapskist, en het is een heel belangrijk stuk, en een stuk dat in het verleden waarschijnlijk niet zo vaak is gebruikt. Maar net zo belangrijk is hoe je dat toepast en welke data je toepast op dat probleem. Het is in staat zijn om alle juiste gegevens in één keer binnen te halen en in realtime te analyseren. Dat is op zich al een uitdaging.

Dit is een combinatie van machine learning, waar iedereen naar toe trekt en zegt: "Oké, als ik hier wat AI op zou kunnen toepassen, zou ik mijn probleem oplossen." Maar wat ze uiteindelijk ontdekten, is dat het glanzende oppervlak ervan is. Daaronder zitten maanden en maanden en maanden, zo niet jaren van grunge-werk, het doornemen van gegevens en het combineren ervan, het op een plek plaatsen waar je het kunt analyseren en de algoritmen voor machine learning erop kunt toepassen. Dat is een beetje een opleiding voor de meeste mensen. Je bent nog geen drie of vier maanden verwijderd van een magische oplossing, als je gewoon wat AI kunt krijgen, een AI-team kunt inschakelen en het op je gegevens kunt toepassen. Er komt veel meer bij kijken. Dat is, vanuit mijn perspectief, altijd, bij de CIA, bij Kensho, mijn vorige bedrijf. Vandaag de dag zijn het altijd die data, dat data grondwerk, dat data loodgieterswerk geweest die uiteindelijk een groot deel van je tijd in beslag nemen, en dat geldt voor, denk ik, voor de meeste machine learning ingenieurs.

ZIEN: Het bedrijf gebruikt cognitieve neurowetenschap om politieagenten op te leiden (TechRepubliek)

Karen Roby: 2020 en nu in 2021 hebben ons een les geleerd als het gaat om onze toeleveringsketen. Wat heeft het ons het afgelopen jaar echt geleerd?

Noël Calhoun: Ik denk dat het ons heeft geleerd dat je niets als vanzelfsprekend kunt beschouwen. Ik denk dat waarschijnlijk het ergste dat de toeleveringsketen is overkomen waarschijnlijk Amazon was, omdat je in feite gewend raakte aan het feit dat je iets bij Amazon kon opvragen en dat het de volgende dag of de dag erna op magische wijze zou verschijnen. Wat de afgelopen anderhalf jaar ons heeft laten zien, is dat zelfs Amazon afhankelijk is van deze dingen. Ik ging op zoek naar een stuk houtbewerkingsapparatuur en het wordt pas in 2022 verzonden. Ik bedoel, zo in de war zijn sommige toeleveringsketens momenteel. Het zijn gewoon geweldige machines. De vraag naar productie, de vraag naar machines, autofabrieken die wekenlang stil staan ​​omdat er geen microchips zijn. Je kunt er gewoon niet van uitgaan dat als het nodig is en je hebt geld om ervoor te betalen, het gewoon opduikt. Misschien niet.

Karen Roby: Ja. Ik denk dat mijn tieners die les moeten leren, want dat is alles wat ze ooit hebben geweten, toch? Ze klikken op hun telefoon: "Ik wil iets." Over drie dagen, twee dagen, sommigen de volgende dag, staat het op de veranda, toch?

Noël Calhoun: Precies.

Data, Analytics en AI nieuwsbrief

Lees het laatste nieuws en best practices over data science, big data-analyse en kunstmatige intelligentie. Maandag bezorgd

Meld je vandaag nog aan

Zie ook