Det här inlägget har redan lästs 655 gånger!

AI kan ha en stor inverkan på rätt områden inom supply chain management men det finns betydande utmaningar och hinder

Artificiell intelligens håller på att helt revolutionera leveranskedjor (liksom andra områden). Det är en av de där dramatiska stegförändringarna som kommer väldigt sällan och förändrar allt.

Den efterföljande störningen kommer att producera en ny generation av vinnare och förlorare.

Men allt är inte perfekt i AI-landet. Det finns många fallgropar som kan fånga de oförsiktiga. I den här artikeln utforskar vi både de enorma fördelarna med AI och landminor som måste undvikas för att bli framgångsrika i samband med försörjningskedjan.

"Vad AI tillför bordet är en dramatisk ökning av kapacitet som i stort sett faller under paraplyet av mönsterigenkänning och analys på mänsklig nivå." – Ranjit Notani #AI #MachineLearning #SupplyChain Klicka att tweet

Före AI handlade det senaste inom försörjningskedjan om sofistikerad processexekvering inom och mellan företag i kombination med sofistikerade algoritmer för planering och optimering och sömlös integration av planering och utförande. En grov förenkling av dessa tillvägagångssätt är att dessa baserades på precision och determinism.

Vad AI ger till bordet är en dramatisk ökning av kapacitet som i stort sett faller under paraplyet "mönsterigenkänning och analys på mänsklig nivå". Även om mönsterigenkänning och analys fanns i den tidigare generationen, gör dagens AI ett kvantsprång i det avseendet. Så i denna mening är styrkorna hos AI mycket komplementära till styrkorna hos den tidigare generationens determinism och precision.

Det är uppenbart för oss att det vi verkligen behöver är ett äktenskap av båda dessa tillvägagångssätt.

Där AI kan påverka leveranskedjor

Så var kan denna typ av mönsterigenkänning dramatiskt förbättra resultaten?

Det uppenbara exemplet är inom området efterfrågan och andra typer av prognoser. Dessa processer var redan konceptualiserade som mönsterigenkänningsbaserade tillvägagångssätt, så det var ett naturligt steg att tillämpa AI på dessa processer. Faktum är att de nya banbrytande AI-prognosmakarna redan överträffar (ibland dramatiskt) den tidigare generationens prognos. En anledning till denna överlägsna prestanda är att Machine Learning (den gren av AI som får mest uppmärksamhet för närvarande) lär sig av enorma mängder data och kan upptäcka kausala mönster som en människa eller tidigare algoritmer inte kunde upptäcka. Att förbättra prognosnoggrannheten är en av de kända processförbättringarna som leder till direkta vinster för företag.

Andra exempel på processer som faller inom denna kategori (dvs. redan använda mönsterbaserade tillvägagångssätt) var processer som lageroptimering med flera nivåer, ETA-prediktorer, etc. Dessa processer ser liknande dramatiska förbättringar med direkta vinster.

Under ytan av dessa "uppenbara" områden finns en stor uppsättning processer som i huvudsak var mönsterbaserade men mönstren var för komplexa att bearbeta och mestadels var domänen för mänskliga analytiker, planerare, etc.

Där AI faktiskt spelar roll i försörjningskedjan: En titt på den lågt hängande frukten för AI och de stora utmaningarna och hindren... Klicka att tweet

Några exempel på dessa områden är policyinställning. dvs vilka policyer bör man sätta för att skapa förbättrade resultat. Moderna försörjningskedjesystem (även i hög grad utformade med bästa praxis) kommer med ett stort antal policyer som kan ställas in, men att ta reda på hur man ställer in dessa tar tid, även med erfarna mänskliga analytiker och planerare.

Ett annat område som faller inom denna kategori är inom området problemprioritering eller "fokusering". Moderna försörjningskedjesystem möjliggör synlighet och varningar i realtid över en försörjningskedja med flera företag. Detta kan skapa en snöstorm av frågor som kräver uppmärksamhet. Frågan är vad bör analytikern/planeraren fokusera på.

Det traditionella tillvägagångssättet skulle vara någon form av hög/medel/låg klassificering. Men AI kan nu göra ett mycket bättre jobb med att fokusera analytikerns uppmärksamhet på den delmängd av frågor/varningar som verkligen är de mest kritiska. Den kan titta på mönster i den underliggande försörjningskedjan samt användarens sammanhang för att ge mycket bättre prioritering av frågor som kräver uppmärksamhet. Detta möjliggör ett mycket bättre utnyttjande av användarens mest knappa resurs (tid).

AI utmärker sig vid problemprioritering. Det kan göra ett mycket bättre jobb med att fokusera supply chain-analytikerns uppmärksamhet på den delmängd av frågor/varningar som verkligen är de mest kritiska för verksamheten. Klicka att tweet

Utöver synlighet är nästa steg upp i riket av beslutsfattande. Försörjningskedjan har ett notoriskt "högdimensionellt" beslutsutrymme. I klartext finns det så många samverkande faktorer och allt verkar påverka allt annat att det blir svårt att lösa problem effektivt.

Tidigare "löstes" en del av detta genom att göra planering med matematiskt orörda objektiva funktioner och begränsningar. Även om dessa tillvägagångssätt fortfarande var mycket användbara hade det stora problemet att de inte hanterade de snabbt föränderliga verkligheterna i verkliga leveranskedjor (särskilt ju närmare genomförandet man kom). Här skulle saker och ting bli alltmer kaotiska och användare skulle ta till den process som eufemistiskt ibland kallas "påskynda" och "brandbekämpning". Men med tillkomsten av AI kan den nu titta på den komplexa planerings- och genomförandebilden och föreslå realtids, kontextkänsliga, Smarta recept™, som vägleder användaren mot optimala resultat.

Alla de tidigare nämnda applikationerna av AI har fördelen att de också kontinuerligt lär sig baserat på en tät återkopplingsslinga mellan handling och resultat. Detta innebär i sin tur att även när det finns "fasförskjutningar" i försörjningskedjans egenskaper, så tar AI upp det.

Nästa nivå upp i mönsterbaserad analys och handling på mänsklig nivå kommer från bearbeta mänskliga språk. Det är här de stora språkmodellerna (LLM) som ChatGPT spelar en betydande roll. Å ena sidan möjliggör dessa modeller chatt, men om man zoomar ut lite, är vad de i grunden gör att öppna en värld av textdata som kan införlivas i beslutsfattande i leveranskedjan. Det visar sig att det finns en gigantisk mängd användbar textinformation där ute, men dessa kunde aldrig riktigt bearbetas i stor skala. LLM ändrar på det.

"Risk i försörjningskedjan är en kritiskt undersysselsatt förmåga och behövs nu mer än någonsin. Med AI kan vi nu genomföra riskhantering i försörjningskedjan i stor skala.” – Ranjit Notani #AI #SupplyChain Klicka att tweet

Till exempel finns riskdata för leveranskedjan främst i textkällor och för första gången kan dessa bearbetas, semantiskt analyseras, klassificeras och tillämpas. Detta gör att riskhantering i försörjningskedjan äntligen kan göras i stor skala på ett systematiskt sätt. Om de senaste åren har lärt oss något, är risk för leveranskedjan en kritiskt undersysselsatt förmåga och behövs nu mer än någonsin. Tillsammans med den plötsliga tillgången på riskinformation i stor skala, behövs och görs också riskmöjliggörande av den "deterministiska" sidan (flernivåbegränsad planering och genomförande).

Andra exempel på textinformation som skapar genombrott finns inom området kvalitetshantering. Slutligen är en stor del av transaktionsförsörjningskedjan fortfarande dokumentationsorienterad, och alla dessa processer kan nu integreras fullt ut.

Så långt har vi diskuterat några exempel på mestadels funktionell transformation av försörjningskedjan. Men det sker en lika dramatisk förändring på informationsteknologins (IT) sida.

Till exempel är en av de viktigaste drivkrafterna för tid och kostnader för att implementera moderna leveranskedjor tiden och kostnaden för integration. Men nu aktiveras AI "semantisk integration" (sammankoppling av olika informationskällor och data), vilket dramatiskt minskar tiden för att göra dessa integrationer. En annan viktig byggsten är rena multi-echelon masterdata med rena korsreferenser och namngivning. Återigen, AI och dess semantisk kartläggning förmågor ger dramatiska förbättringar av denna process.

Utmaningarna med att implementera AI i försörjningskedjan

Med alla dessa revolutionära förändringar som sker är det viktigt att inte förbise några viktiga varningar.

Problemet med Black Box

En av de stora frågorna är att AI är något av en svart låda och ger fantastiska resultat för det mesta. Men eftersom hur resultaten faktiskt produceras är dåligt förstådda (jämfört med att säga kombinatoriska optimeringsalgoritmer), är det svårt att förutse och hantera vissa fellägen.

Åtminstone på kort sikt måste hela användarupplevelsen av applikationer i försörjningskedjan ändras för att göra det möjligt för människor att på ett naturligt sätt övervaka beslut, särskilt sådana med hög insats. Sedan, när användarna blir bekväma med besluten, bör dessa applikationer enkelt tillåta användare att "promota" AI till ett helt autonomt läge.

Datakvalitet och volym

En annan stor varning med AI, särskilt undertypen Machine Learning där de flesta av de aktiva framstegen är, är att de är starkt beroende av stora volymer av högkvalitativ data. Ingen data, ingen AI. Detta innebär att till skillnad från traditionella algoritmer som typ fungerar i alla sammanhang, kan en AI klara sig mycket bra på ett problem där det finns mycket data och misslyckas på ett problem där det finns mindre eller dålig data.

Det finns två lösningar på detta problem. Den första är att alla moderna AI-aktiverade försörjningskedjesystem ska kunna inta AI-modeller som tränats på data som kanske inte ens finns i deras system. Detta kräver en standardbaserad strategi för att hantera AI-modeller. Både de-facto och de-jure standarder är en kritisk del av detta.

Den andra lösningen på detta problem är baserad på idén om grundläggande AI och så kallad transfer learning. Med detta tillvägagångssätt kan AI:er tränas på stora datamängder för att lösa problem generellt och sedan via överföringsinlärning med relativt små ytterligare data "finjusteras" för att lösa ett särskilt problem där data kan vara mycket glesare.

Där AI faktiskt spelar roll i försörjningskedjan: En titt på den lågt hängande frukten för AI och de stora utmaningarna och hindren... Klicka att tweet

Att släppa loss effektiviteten hos AI i försörjningskedjan kräver betydande förändring

Sammanfattningsvis förändrar AI dramatiskt varje aspekt av försörjningskedjorna, vilket leder till dramatiskt förbättrade resultat för företag som mest effektivt använder dem. Det kräver dock en omfattande förändring av hur moderna system är uppbyggda.

• En effektiv sammanslagning av traditionell kombinatorisk optimering med AI för att spela till styrkorna hos båda.
• En omprövning av hela användarupplevelsen för att gå över till ett mer naturligt chattbaserat gränssnitt, samt ta itu med problemen med att AI är något av en svart låda.
• Att föra in AI i IT-underlaget för försörjningskedjesystem för att dramatiskt förbättra tiden till värde.
• Bygga försörjningskedjor som tar hänsyn till AI:s förbehåll.

I slutändan är vi på väg att skapa äkta, kreativa AI-assistenter i försörjningskedjan som kommer att göra mänskliga användare mycket mer produktiva så att de kan fokusera på de svåraste problemen. Dessa AI-assistenter för försörjningskedjan kommer att genomsyras av kunskap om försörjningskedjan i allmänhet och användarens försörjningskedja i synnerhet.

Om du vill dyka djupare in i det här ämnet rekommenderar jag starkt att läsa 8 nycklar till framgång med AI i Supply Chain Management. Den guidar dig genom några av de kritiska faktorerna som behövs för att korrekt distribuera AI i försörjningskedjan.

Rekommenderade inlägg

Ranjit Notani är medgrundaren One Network Enterprises och dess CTO. Tidigare var Notani medgrundare och CTO för Transcend Systems, och tillbringade flera år på i2 Technologies där han hade olika nyckelpositioner inom arkitektur, spelade en integrerad del i produktstrategin som fellow och ledde deras Supply Chain Collaboration-svit. Notani har en Master of Science från Purdue University och en Bachelor of Technology från Indian Institute of Technology, Bombay.

Senaste inläggen av Ranjit Notani (se alla)

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• ChartPrime. Höj ditt handelsspel med ChartPrime. Tillgång här.
• BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
• Källa: https://supplychainbeyond.com/where-ai-actually-matters-in-the-supply-chain/