AI-leveranser

I mitten av 2023 fanns det minst 50 nystartade företag i USA, rankade av Forbes magazine som de mest lovande inom utvecklingen av AI-teknik. Det finns också flera lovande AI-start-ups i andra länder. Om det finns lovande nystartade företag måste det också finnas de som är mindre lovande, så se upp för tvivelaktiga "blue sky"-löften om AI i din verksamhet.

Stora multinationella märkesvaruföretag och internationella leverantörer av logistiktjänster har tillgång till resurser som gör att deras egna AI-baserade system kan byggas. Vissa kommer att misslyckas, med höga kostnader, men dessa företag har råd med inlärningsfelen. För de flesta företag är riskerna för höga för att "bygga eget".

För många företag är det mer troligt att en AI-kapacitet kommer att vara inbäddad i Supply Network Analysis and Planning (SNAP)-applikationerna som visas i diagrammet. Det här kallas Artificiell "smal" intelligens, vilket kräver att ett system lär sig av ett begränsat datautbud (vanligtvis internt). Det skiljer sig från den mycket hajpade artificiella "allmänna" intelligensen, som använder all data som kan skrapas från befintliga källor för att lära sig.

Fokus för AI i dessa applikationsområden kommer troligen att ligga på två funktioner:

Pattern Recognition – Analys av data för att upptäcka mönster. Detta är en underuppsättning av Machine Learning (ML), som använder historisk data för att lära sig och lära en datorbaserad algoritm mönstren som upplevs. Algoritmen aktiveras sedan för att göra förutsägelser och rekommendationer (och kanske beslut).

Analytics ge insikter om data som annars kanske inte skulle kunna upptäckas och som gör det möjligt att fatta mer välgrundade beslut. Det finns tre typer av Analytics:

• Beskrivande analys använder statistiska tekniker för att sammanfatta och beskriva en uppsättning data, identifiera trender och samband
• Predictive Analytics använda sannolikhetsteorier för att avgöra vad som sannolikt kommer att hända, baserat på mönster och trender som avslöjas från analys av stora uppsättningar historiska och/eller realtidsdata
• Förskrivningsanalys använda resultaten från prediktiv analys för att fastställa de bästa handlingsplanerna för att uppnå ett önskat resultat

Den taktiska planeringsnivån (Sales & Operations Planning) är där AI-kapaciteten initialt bäst kan användas för försörjningskedjor, eftersom det kan vara i en kontrollerad och säker miljö med relativt få deltagare:

• rekommendera planer för olika tidshorisonter. AI bör inte förväntas ge den perfekta planen; istället föreslår den alternativ och ger bevis
• införlivar osäkerhet (vad-om) i simuleringar för att hjälpa till att utvärdera scenarier och identifiera risker
• rekommendera operativa beslut med marginaler och risker. Att minska kostnaderna förbättrar inte nödvändigtvis marginalerna
• ge synlighet som förutser störningar i leveranskedjan. Ett AI-verktyg behöver känna till efterfråge-, distributions- och utbudssituationer och relevanta begränsningar och kapaciteter i varje leveranskedja

Inledningsvis är det att föredra att AI-verktygen inte fattar beslut, vilket är människors roll. De måste dock tränas i att inte automatiskt acceptera vad systemet säger – det är "autonomering"-bias.

Senare kan AI-system också hjälpa till att förbättra aktiviteter på operativ nivå, såsom: efterfrågeprognoser, transport- och frakthantering, inköpsorder och fakturakontroll. Även inom compliance och registerhantering. På exekveringsnivå kan maskinunderhållsplanering och schemaläggning förbättras med hjälp av AI-system.

När en AI-aktiverad applikation är tillgänglig

Som alltid är den största utmaningen med att välja program inte teknisk. Istället är det en förståelse för din organisations affärsutmaningar och kapacitet och hur applikationen kommer att hantera dem. Anta inte att AI kommer att lösa komplexiteten i din organisations leveranskedjor. Om du inte kan analysera problemet med försörjningskedjans principer är det osannolikt att AI kommer att ge lösningen.

När en leverantör av applikationsprogram tillkännager en AI-applikation, kontrollera statusen för din organisations data. För att träna en algoritm i ett maskininlärnings-AI-system krävs att data för inlärning måste identifieras, nås, samlas in, bearbetas och utvärderas i en strukturerad sekvens av steg. Men innan detta steg, svara på följande frågor:

• Genomför ditt företag en löpande (säg månatlig) revision av leveranskedjornas data? Om det finns en revision, ger rapporten antingen ett "utmärkt" (98 procent) eller "bra" (95 procent) betyg? Om inte kan data inte användas för att träna ett AI-aktiverat system – kom ihåg "skräp in, skräp ut".
• Finns det en process för att ta bort RROT för redundanta, repetitiva, föråldrade och triviala data?
• Hur säkerställs rena, korrekta och aktuella indata? Detta adresserar saknade, oövervägda, felaktiga och felaktiga data från olika källor, som inte kontrolleras av Operationsplanering?
• Hur kommer misstag och fördomar att identifieras i algoritmen? Detta beror på att när AI uppdaterar data och lär sig, blir den initiala algoritmen svår att återställa, därför har människor mindre förmåga att identifiera grundorsaken till misslyckanden och fördomar i algoritmer.
• Hur kommer prestandan för en algoritm att mätas över tid när den använder nya data?
• Förespråkare av AI-lösningar betonar beslut i realtid, men krävs det? Omplanering och ändring av genomförandeplaner i realtid skapar nervositet över den fysiska verksamheten. Försäljnings- och driftplanering sker för närvarande med månads- eller fyraveckorsintervall och ser framåt efter frysperioden. Skulle S&OP i realtid vara en fördel?
• Systemet kan behöva bearbeta stora datamängder med kort varsel. Kan Supply Chains-gruppen finansiera stora molnanläggningar?

Utan svaren på dessa frågor är det ett oklokt beslut att gå vidare. Men allt är inte förlorat; Parallellt med aktiviteterna för att utvärdera AI-baserade applikationer kan du arbeta för att förenkla planeringen av din organisations leveranskedjor. Ha som din pågående betoning, affärsrelationerna, dina medarbetare, arbetsflöden och processer, och sedan AI.

• 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. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: 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