Artificiell intelligens är en allt större del av vår vardag och driver våra smarta telefoner och sakernas internet. Men få människor förstår verkligen vad det är, hur det fungerar och ännu viktigare, varför det är så viktigt för inköp.  

Denna artikel försöker svara på dessa frågor och specifikt ta upp dess fördelar för Upphandling process genom att ta itu med följande checklista: 

Checklista

• Vad är artificiell intelligens eller AI?
• Vilken typ av AI används – övervakad eller icke-övervakad?
• Vilken AI-modell driver applikationen? 
• Vad är modellens noggrannhet?
• Vad är exaktheten i resultaten? 
• Hur lång tid tar det att träna?
• Hur mycket SME-resurser krävs?
• Vilka är de förväntade fördelarna?

Vad är artificiell intelligens eller maskininlärning

Oxford English Dictionary definierar Artificiell intelligens (AI) som teori och utveckling av datorsystem som kan utföra uppgifter som normalt kräver mänsklig intelligens såsom visuell perception, taligenkänning, beslutsfattande och översättning mellan språk.

För många personer inom inköp kan språket som används inom datavetenskap vara förvirrande. Det är mycket enklare att förklara genom att helt enkelt säga, driven av AI.  

Men när man investerar i storskaliga teknologiomvandlingsprojekt är det viktigt att veta vilken del av processen som drivs av AI och hur AI själv fungerar. Vilka krafter Artificiell intelligens ?

Artificiell intelligens eller maskininlärning klassificeras vanligtvis i två breda kategorier:

Övervakad inlärning

• Datorn presenteras med exempelingångar och deras önskade utgångar. Data från "Lärare" eller "Utbildningsset" används för att fastställa en allmän regel som kartor ingångar till utgångar. 

Oövervakat lärande 

• Inga etiketter ges till inlärningsalgoritmen, vilket gör att den självständigt kan hitta struktur i sin input. Oövervakat lärande kan vara en effektiv metod för att upptäcka dolda mönster i data.

Både unsupervised och supervised Learning kan användas för att upprätta grundläggande beteendeprofiler för olika enheter som sedan används för att hitta meningsfulla insikter och anomalier. Inom området för upphandling uppgifter analytics, maskininlärning är en metod som används för att ta fram komplexa modeller och algoritmer som lämpar sig för följande uppgifter eller processer:

• Inventory Management
• Fakturabetalning – Fakturabedrägeri
• Leverantörsrelationshantering
• Försäljning Pipeline
• Marknadsanalys
• Kundsegmentering
• I tid leverans 
• Operativa nyckeltal
• Leverantör ombord
• Spendera Analytics

"Powered by AI" är en vanlig egenskap eller term som används för att sälja fördelarna och fördelarna med digitala transformationslösningar. Syftet med dessa analytiska modeller är att förse inköpsteam med tillförlitliga, upprepningsbara beslut och lära av historiska samband och trender i data. Därför är det viktigt att ha en allmän förståelse för hur det fungerar och vad som driver AI:n.

Vad är den verkliga kraften bakom AI?

Kraften bakom AI är en serie strukturerade inlärningsalgoritmer eller kod som används för att analysera indata. Ofta används öppen källkodningsprogram som R eller Python för att utveckla den AI-kraft som dessa programvarumodeller använder. Inom dessa applikationer finns det flera modeller eller bibliotek som kan användas för att "driva" AI. 

Nedan är en lista över de mest populära beslutsbiblioteken som Power AI

• Beslutsträdsinlärning
• Föreningsregelinlärning
• Artificiellt nervsystem
• Djup lärning
• Induktiv logikprogrammering
• Stöd vektormaskiner
• Kluster
• Bayesianska nätverk

AI Transparens

En kritik som riktas mot AI-modeller är termen "Blackbox", som liknar den vid en flyginspelare. Det är sant att AI-modeller inte alltid är transparenta. Det kan vara svårt att förstå hur de härledde resultaten och exakt hur beräkningen eller förutsägelsen gjordes.

AI-modellkonstruktion och noggrannhet

En modell kan ha mer än 95 % noggrannhet och optimeras med hjälp av flera iterationer som kallas epok(er), för att producera stabil funktion. Detta betyder inte att resultatet från modellen är korrekt, helt enkelt att själva modellen är stabil och presterar som den ska.

Dataträning & Valideringstid

Det kan ta flera timmar att färdigställa modellen. Men det kan ta dagar eller till och med månader att uppnå korrekta resultat och riskera att modellen överpassas. Dessutom kan det krävas att en expertresurs avsätts i förväg för att validera resultaten. 

Noggrannheten är avgörande och, i många fall, beroende av själva träningsdatauppsättningen. Utbildningssetet måste övervägas noggrant för att säkerställa att det inte finns någon databias. Bias uppstår när en eller flera grupper uppträder oftare än andra och förvränger resultaten, vilket skapar bias. 

Men repetitiva uppgifter som är fördefinierade och använder en flödesprocess som kallas robotprocessautomation som replikerar manuella uppgifter gör uppladdningar snabbare, processen smidigare och ger mycket exakta resultat. 

Sammanfattningsvis vad som driver artificiell intelligens

För de flesta inköpsproffs verkar dessa modeller komplexa. Modeller som till en början kräver högutbildade datatekniker och datavetenskapspersonal för att skriva koden är dyra att producera. För många återspeglar AI samma känsla som drev big data för ett decennium sedan, med dess varierande framgångsanvändningsfall och upphandlingsfördelar.

Med spridningen av marknadsföringshype och beslöjade teknologiska "Blackbox"-lösningar är det viktigare än någonsin att faktakolla och få tydliga svar om hur AI:n drivs. 

Syftet med Inköps digitala transformation är att utföra uppgifter och processer mer effektivt med hjälp av teknik för att leverera fördelar sömlöst, utan att påverka dess nuvarande verksamhet. Liksom många inköpsbeslut är det viktigt att förstå fördelarna med AI, upphandlingsfallet för det och avkastningen på investeringen. 

Om författaren

Edward McGeachie har över 25 års erfarenhet av inköp och leveranskedja på Schlumberger, IBM & Lenovos PC-division. Han har lett globala inköps-, drift- och logistikteam innan han etablerade ett spetskompetenscentrum för Lenovo GSC-analys av leveranskedjor. 

Medgrundare av Seaforth Analytical Services, Supply Chain Analytics Company baserat i Storbritannien. Han har en MBA och B. Eng.(hons) i industriell teknik och är även certifierad Black Belt i Lean Six Sigma.

Han har utvecklat en innovativ Spend Analytics-plattform med hjälp av en blandning av processerna som beskrivs ovan Accelerated Insight ® .

Ytterligare resurser

Microsoft Azure och Google TensorFlow är också bra ställen att undersöka hur man kodar AI.

Vad driver artificiell intelligens-artikel och tillstånd att publicera här tillhandahållen av Edward McGeachie på myseaforth.com. Ursprungligen skriven för Supply Chain Game Changer och publicerad den 11 februari 2021.

• 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://supplychaingamechanger.com/what-powers-artificial-intelligence-ai-a-guide-to-procurement/