Yapay zeka çıktıları

2023'ün ortalarına gelindiğinde ABD'de Forbes dergisi tarafından yapay zeka teknolojilerinin geliştirilmesinde en umut verici olarak değerlendirilen en az 50 yeni kurulan şirket vardı. Diğer ülkelerde de gelecek vaat eden birçok yapay zeka start-up'ı var. Gelecek vaat eden start-up'lar varsa, daha az umut vaat edenler de olmalı; bu nedenle, işinizde yapay zekayla ilgili şüpheli "mavi gökyüzü" vaatlerine dikkat edin.

Büyük çok uluslu markalı ürün şirketleri ve uluslararası lojistik hizmet sağlayıcıları, kendi yapay zeka tabanlı sistemlerinin kurulmasına olanak tanıyan kaynaklara erişime sahiptir. Bazıları yüksek maliyetlerle başarısız olacak, ancak bu şirketler öğrenme hatalarını göze alabilirler. İşletmelerin çoğunluğu için riskler 'kendi işinizi kurmak' için çok yüksektir.

Birçok kuruluş için, şemada gösterilen Tedarik Ağı Analizi ve Planlama (SNAP) uygulamalarına bir yapay zeka yeteneğinin yerleştirilmesi daha olasıdır. Buna denir Yapay 'dar' zekaBu, bir sistemin sınırlı bir veri aralığından (genellikle dahili) öğrenmesini gerektirir. Öğrenmek için mevcut kaynaklardan alınabilecek tüm verileri kullanan, çok abartılı Yapay 'genel' zekadan farklıdır.

Bu uygulama alanlarında yapay zekanın odak noktası büyük olasılıkla iki yetenek olacaktır:

Örüntü Tanıma – kalıpları tespit etmek için verilerin analizi. Bu, deneyimlenen kalıpları bilgisayar tabanlı bir algoritmayı öğrenmek ve öğretmek için geçmiş verileri kullanan Makine Öğreniminin (ML) bir alt kümesidir. Algoritmanın daha sonra tahminler ve öneriler (ve belki de kararlar) yapması sağlanır.

analitik Aksi takdirde tespit edilemeyecek veriler hakkında içgörüler sağlar ve daha bilinçli kararların alınmasını sağlar. Üç tür Analitik vardır:

• Tanımlayıcı Analitik Bir dizi veriyi özetlemek ve tanımlamak, eğilimleri ve ilişkileri belirlemek için istatistiksel teknikleri kullanır
• Akıllı Analytics Büyük tarihsel ve/veya gerçek zamanlı veri kümelerinin analiz edilmesiyle ortaya çıkan kalıplara ve eğilimlere dayanarak ne olacağını belirlemek için olasılık teorilerini kullanın
• Normatif Analitik İstenilen sonuca ulaşmak için en iyi eylem planlarını belirlemek amacıyla tahmine dayalı analitik tarafından sağlanan sonuçları kullanın

Taktik planlama düzeyi (Satış ve Operasyon Planlama), nispeten az sayıda katılımcıyla kontrollü ve güvenli bir ortamda olabileceğinden yapay zeka yeteneklerinin başlangıçta tedarik zincirleri için en iyi şekilde kullanılabileceği yerdir:

• Farklı zaman dilimlerine yönelik planlar önerin. Yapay zekanın mükemmel planı sunması beklenmemelidir; bunun yerine seçenekler önerir ve kanıt sağlar
• senaryoların değerlendirilmesine ve risklerin belirlenmesine yardımcı olmak için belirsizliği (ya olursa) simülasyonlara dahil eder
• Marjlar ve risklerle birlikte operasyonel kararlar tavsiye edin. Maliyetleri azaltmak mutlaka marjları iyileştirmez
• Tedarik zincirindeki aksaklıkları öngören görünürlük sağlar. Bir yapay zeka aracının her tedarik zincirindeki talep, dağıtım ve tedarik durumlarını ve ilgili kısıtlamaları ve kapasiteleri bilmesi gerekir

Başlangıçta insanların görevi olan kararları yapay zeka araçlarının vermemesi tercih edilir. Ancak sistemin söylediklerini otomatik olarak kabul etmemeleri konusunda eğitilmeleri gerekir; bu 'otonomasyon' önyargısıdır.

Daha sonra yapay zeka sistemleri, talep tahmini, nakliye ve nakliye yönetimi, satın alma siparişleri ve fatura kontrolü gibi Operasyonel düzeydeki faaliyetlerin iyileştirilmesine de yardımcı olabilir. Ayrıca uyumluluk ve kayıtların işlenmesi konusunda da. Yürütme düzeyinde, makine bakım planlaması ve zamanlaması yapay zeka sistemleri kullanılarak iyileştirilebilir.

Yapay zeka özellikli bir uygulama mevcut olduğunda

Her zaman olduğu gibi, yazılım uygulamalarını seçmenin asıl zorluğu teknik değildir. Bunun yerine, kuruluşunuzun iş zorlukları ve yeteneklerinin ve uygulamanın bunları nasıl çözeceğinin anlaşılmasıdır. Yapay zekanın kuruluşunuzun tedarik zincirlerindeki karmaşıklıkları çözeceğini varsaymayın. Tedarik zinciri ilkelerini kullanarak sorunu analiz edemezseniz yapay zekanın çözüm sağlaması pek olası değildir.

Bir uygulama yazılımı tedarikçisi bir yapay zeka uygulamasını duyurduğunda kuruluşunuzun verilerinin durumunu kontrol edin. Makine öğrenimi yapay zeka sisteminde bir algoritmayı eğitmek, öğrenme verilerinin yapılandırılmış bir adım dizisi halinde tanımlanmasını, erişilmesini, toplanmasını, işlenmesini ve değerlendirilmesini gerektirir. Ancak bu adımdan önce aşağıdaki soruları yanıtlayın:

• Şirketiniz tedarik zinciri verilerinin sürekli (örneğin aylık) denetimini gerçekleştiriyor mu? Denetim varsa rapor 'mükemmel' (yüzde 98) veya 'iyi' (yüzde 95) olarak derecelendiriliyor mu? Aksi takdirde veriler yapay zeka destekli bir sistemi eğitmek için kullanılamaz; 'çöp içeri, çöp dışarı' ifadesini unutmayın.
• Gereksiz, tekrarlanan, eski ve önemsiz verilerin RROT'unu kaldıracak bir süreç var mı?
• Temiz, doğru ve zamanında girilen veriler nasıl sağlanacak? Bu, Operasyon Planlama tarafından kontrol edilmeyen çeşitli kaynaklardan gelen eksik, dikkate alınmamış, hatalı ve uyumsuz verileri ele alıyor mu?
• Algoritmadaki hatalar ve önyargılar nasıl belirlenecek? Bunun nedeni, yapay zekanın verileri güncelleyip öğrendikçe, başlangıçtaki algoritmanın kurtarılmasının zorlaşması ve bu nedenle insanların, algoritmalardaki hataların ve önyargıların temel nedenini daha az tespit edebilmesidir.
• Yeni verileri kullanan bir algoritmanın performansı zaman içinde nasıl ölçülecek?
• Yapay zeka çözümlerinin savunucuları kararları gerçek zamanlı olarak vurguluyor, ancak bu gerekli mi? Yürütme planlarının gerçek zamanlı olarak yeniden planlanması ve değiştirilmesi, fiziksel operasyonlarda gerginlik yaratır. Satış ve Operasyon Planlaması şu anda aylık veya dört haftalık aralıklarla yapılıyor ve dondurma döneminin ötesine bakıyor. Gerçek zamanlı S&OP bir fayda sağlar mı?
• Sistemin kısa sürede büyük miktarda veriyi işlemesi gerekebilir. Tedarik Zincirleri grubu büyük bulut bilişim tesislerini finanse edebiliyor mu?

Bu soruların cevapları olmadan devam etmek akıllıca olmayan bir karardır. Ancak her şey kaybolmadı; Yapay zeka tabanlı uygulamaları değerlendirme faaliyetleriyle eş zamanlı olarak kuruluşunuzun tedarik zincirlerinin planlanmasını basitleştirmek için çalışabilirsiniz. Sürekli vurgunuz olarak iş ilişkilerini, çalışanlarınızı, iş akışlarınızı ve süreçlerinizi ve ardından yapay zekayı vurgulayın.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: 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