Förra månaden, Descartes Systems Group (en Talking Logistics-sponsor) höll sin "2023 Descartes innovationsforum för mäklare, speditör och tull.” Jag tjänstgjorde som paneldeltagare på en session med titeln "AI i logistikteknik – allierad eller motståndare?" Jag fick sällskap på den virtuella scenen av Nelson Cabral, National Customs Manager på DSV Air & Sea Inc., och Glenn Palanacki, VP of Industry Strategy på Descartes.

Sessionen är tillgänglig på begäran för kvalificerade registranter, så om du missade det live rekommenderar jag att du besöker evenemangets webbplats och tittar på det när du kan. 

I dagens inlägg kommer jag att dela några av mina kommentarer relaterade till följande fråga som ställdes under vårt samtal: Hur påverkar AI-tekniken logistikbranschen idag? 

När det gäller artificiell intelligens som helhet är många företag (inklusive leverantörer av logistiktjänster) fortfarande i inlärningsfasen - det vill säga de försöker förstå tekniklandskapet och vad som är möjligt, och det är lite utmanande eftersom allt utvecklas väldigt snabbt. 

Faktum är att i en undersökning som vi genomförde i februari, frågade vi medlemmar i vår Indago försörjningskedjeforskningsgemenskap — som alla är chefer för leverantörskedjan och logistik från tillverknings-, detaljhandels- och distributionsföretag — "Använder ditt företag artificiell intelligens i sin leverantörskedja eller logistikverksamhet?" Mer än två tredjedelar av de tillfrågade (68%) sa att de inte använde AI idag.

Som en chef för leverantörskedjan sa: "Jag ser fram emot att använda AI i framtiden för mer smidigt beslutsfattande med insikten att det kommer att bli en "krypa, gå, springa" resa."

Estimated/Predicted Time of Arrival (ETA) är förmodligen det vanligaste användningsfallet för AI inom logistik idag. Och i lagret infunderas AI i operativsystemen för autonoma mobila robotar.

Generativ AI är den coola nya ungen på blocket, så vi är fortfarande i de mycket tidiga stadierna av hur denna förmåga kommer att användas.

De första användningsfallen av Generativ AI kommer sannolikt att vara i kundtjänst. Vi vet alla att de vanligaste frågorna som kunder ställer är: "Var är min beställning? Var är min försändelse?” Så vi kommer snart att se chatbots som drivs av ChatGPT- eller Bard-teknik som kan svara på dessa frågor snabbt, som kan hjälpa kunder att lösa problem och klagomål och göra det på ett mer kostnadseffektivt och skalbart sätt. 

Ett annat användningsfall är upphandling. Walmart har till exempel använde AI-chatbots vid upphandling att förhandla med en relativt liten uppsättning utrustningsleverantörer, och enligt Harvard Business Review Artikeln som diskuterade fallet har företaget börjat använda tekniken för att förhandla om priser inom transport. Vi ser också uppkomsten av autonom upphandling inom transport, som använder AI, maskininlärning och tillämpad beteendevetenskap för att utveckla transportörsprofiler och prisförutsägelser.

Du kommer också att se Generativ AI-teknik inbäddad i användargränssnitten för försörjningskedjan och logistikprogram. Så istället för att behöva titta på olika rapporter och instrumentpaneler deltar du i en konversation med systemet: 

"Vilka inkommande leveranser ligger efter schemat idag?"

Systemet svarar på några sekunder med en lista över alla försenade leveranser.

Sedan frågar du: "Har jag lager på andra platser som jag kan använda för att utföra de berörda beställningarna?"

Systemet svarar på några sekunder med lagerpositioner relaterade till berörda order.

Sedan frågar du, "Vilka är de nuvarande priserna att skicka från dessa platser istället?"

Och samtalet fortsätter tills du har all information du behöver för att fatta ett beslut. Kan en logistikchef göra denna analys idag med befintliga mätvärden och instrumentpaneler? Ja, men det kan ta dem 20 minuter mot 5 minuter eller mindre med en AI-assistent.

Längre in i framtiden kanske vi kan mata en generativ AI-motor med data från leveranskedjan för att hjälpa företag generera visuella kartor över sin leveranskedja. Idag är kartläggning av försörjningskedjan mycket svår, tidskrävande och kostsam. Men om du matar en generativ AI-motor med data från inköpsorder, förhandsmeddelanden, fakturor, konossement, statusuppdateringar, leveransbevis och andra transaktioner som flyter mellan handelspartners i ett affärsnätverk, kan det potentiellt generera en grafisk leverans kedjekarta för dig.

På den globala handelsfronten kommer yrkesverksamma inom handel att använda AI för att hjälpa till med HS-klassificering. Systemet kan ta de givna attributen för en vara och förena den med klassificeringsbeslut som tillämpats i det förflutna för att tilldela en HS-kod automatiskt (även om en handelsexpert, åtminstone initialt, fortfarande skulle granska och godkänna klassificeringen). 

De kommer också att använda tekniken för att hjälpa till med nekad festvisning. Systemet kan använda naturlig språkbehandling, till exempel för att markera liknande klingande namn, smeknamn, alias, felstavningar och så vidare för att snabbare och mer exakt utföra dessa screeningar (igen, med tillsyn från handelsexperter).

Detta är bara några exempel. Jag är säker på att om vi har det här samtalet igen om ett år kommer det att finnas många fler AI-användningsfall inom logistik, inklusive några som vi inte ens avbildar idag.

• 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://talkinglogistics.com/2023/10/25/how-is-ai-technology-impacting-the-logistics-industry-today/