Bu yazı şimdiden 655 kez okundu!

Yapay zeka, tedarik zinciri yönetiminin doğru alanlarında büyük bir etkiye sahip olabilir ancak önemli zorluklar ve engeller de var

Yapay Zeka, tedarik zincirlerinde (ve diğer alanlarda) tamamen devrim yaratma sürecindedir. Bu, çok nadiren ortaya çıkan ve her şeyi değiştiren dramatik adım değişikliklerinden biridir.

Ortaya çıkan aksama, yeni nesil kazananlar ve kaybedenler üretecek.

Ancak yapay zeka diyarında her şey mükemmel değil. Dikkatsizleri tuzağa düşürebilecek birçok tuzak vardır. Bu makalede, tedarik zinciri bağlamında başarılı olmak için atlatılması gereken kara mayınlarının yanı sıra yapay zekanın muazzam faydalarını da araştırıyoruz.

"Yapay zekanın masaya getirdiği şey, genel olarak insan düzeyinde örüntü tanıma ve analiz şemsiyesi altına giren yeteneklerde çarpıcı bir artış." – Ranjit Notani #AI #Makine Öğrenimi #TedarikZinciri Tweet için tıklayın

Yapay zekadan önce, tedarik zincirindeki en ileri teknoloji, planlama ve optimizasyona yönelik karmaşık algoritmalarla ve planlama ile yürütmenin kusursuz entegrasyonuyla birleştirilmiş karmaşık şirket içi ve şirketler arası süreç yürütmeyle ilgiliydi. Bu yaklaşımların kabaca basitleştirilmesi, bunların kesinliğe ve determinizme dayanmasıdır.

Yapay zekanın masaya getirdiği şey, genel olarak "insan düzeyinde örüntü tanıma ve analiz" şemsiyesi altına giren yeteneklerde çarpıcı bir artış. Önceki nesilde örüntü tanıma ve analiz mevcutken, günümüzün yapay zekası bu konuda büyük bir sıçrama gerçekleştiriyor. Dolayısıyla bu anlamda yapay zekanın güçlü yönleri, önceki nesil determinizm ve kesinliğin güçlü yönlerini tamamlayıcı niteliktedir.

Bizim için asıl ihtiyacımız olanın bu iki yaklaşımın birleşimi olduğu açıktır.

Yapay Zekanın Tedarik Zincirlerinde Etki Yaratabileceği Yer

Peki bu tür bir örüntü tanıma, sonuçları nerede önemli ölçüde iyileştirebilir?

Bunun bariz örneği şu bölgededir: talep ve diğer tahmin türleri. Bu süreçler zaten örüntü tanımaya dayalı yaklaşımlar olarak kavramsallaştırılmıştı, dolayısıyla yapay zekanın bu süreçlere uygulanması doğal bir adımdı. Aslına bakılırsa, yeni son teknolojiye sahip yapay zeka tahmincileri, önceki nesil tahminlerden (bazen çarpıcı biçimde) daha iyi performans gösteriyor. Bu üstün performansın bir nedeni, Makine Öğreniminin (şu anda en çok ilgi gören yapay zeka dalı) büyük miktarda veriden öğrenmesi ve bir insanın veya daha önceki algoritmaların tespit edemediği nedensel kalıpları tespit edebilmesidir. Tahmin doğruluğunun iyileştirilmesi, şirketlere doğrudan kârlılık sağlayan bilinen süreç iyileştirmelerinden biridir.

Bu kategoriye giren diğer süreç örnekleri (yani halihazırda kullanılan model bazlı yaklaşımlar) aşağıdaki gibi süreçlerdir: çok kademeli envanter optimizasyonu, ETA tahminleri, vb. Bu süreçlerde, doğrudan kârlılık sağlayan benzer çarpıcı gelişmeler görülüyor.

Bu "bariz" alanların yüzeyinin altında, temelde kalıplara dayalı olan ancak kalıplar işlenemeyecek kadar karmaşık olan ve çoğunlukla insan analistlerin, planlamacıların vb. alanı olan geniş bir süreçler kümesi gizlenmiştir.

Yapay Zekanın Tedarik Zincirinde Gerçekte Önemli Olduğu Yer: Yapay Zeka için beklenen meyvelere ve başlıca zorluklara ve engellere bir bakış… Tweet için tıklayın

Bu alanlara bazı örnekler şunlardır: politika ayarı. yani daha iyi sonuçlar elde etmek için hangi politikaların belirlenmesi gerekir? Modern tedarik zinciri sistemleri (en iyi uygulamalarla son derece şablonlaştırılmış olsa bile) belirlenebilecek çok sayıda politikayla birlikte gelir, ancak bunların nasıl belirleneceğini bulmak, deneyimli insan analistleri ve planlamacılarla bile zaman alır.

Bu kategoriye giren bir diğer alan ise sorun önceliklendirme veya “dikkatin odaklanması”. Modern tedarik zinciri sistemleri, çok kuruluşlu bir tedarik zincirinde gerçek zamanlı görünürlük ve uyarılar sağlar. Bu, dikkat gerektiren bir dizi soruna neden olabilir. Soru ne analist/planlayıcının odaklanması gereken konu.

Geleneksel yaklaşım bir çeşit yüksek/orta/düşük sınıflandırma olacaktır. Ancak yapay zeka artık analistin dikkatini gerçekten en kritik olan sorun/uyarı alt kümesine odaklama konusunda çok daha iyi bir iş yapabiliyor. Dikkat gerektiren konuların daha iyi önceliklendirilmesini sağlamak için temel tedarik zincirinin modellerine ve kullanıcının bağlamına bakabilir. Bu, kullanıcının en kıt kaynağının (zamanının) çok daha iyi kullanılmasına olanak tanır.

Yapay zeka, sorun önceliklendirme konusunda üstündür. Tedarik zinciri analistinin dikkatini iş için gerçekten en kritik olan sorunların/uyarıların alt kümesine odaklamak çok daha iyi bir iş çıkarabilir. Tweet için tıklayın

Görünürlüğün ötesinde bir sonraki adım, karar verme. Tedarik zinciri herkesin bildiği gibi “yüksek boyutlu” bir karar alanına sahiptir. Basit bir dille ifade edersek, birbiriyle etkileşim halinde olan o kadar çok faktör var ki ve her şey diğer her şeyi etkiliyor gibi görünüyor ki, sorunları etkili bir şekilde çözmek zorlaşıyor.

Geçmişte bunların bir kısmı, matematiksel olarak saf nesnel işlevler ve kısıtlamalarla planlama yapılarak "çözülüyordu". Her ne kadar hâlâ çok faydalı olsa da, bu yaklaşımların asıl sorunu, gerçek tedarik zincirlerinin hızla değişen gerçekleriyle (özellikle uygulamaya yaklaştıkça) iyi baş edememekti. Burada işler giderek kaotik hale gelecek ve kullanıcılar, bazen "hızlandırma" ve "yangınla mücadele" olarak adlandırılan, örtmeceli bir sürece başvuracaklardır. Ancak yapay zekanın gelişiyle birlikte artık karmaşık planlama ve yürütme resmine bakabiliyor ve kullanıcıyı en iyi sonuçlara doğru yönlendiren gerçek zamanlı, bağlama duyarlı Smart Prescriptions™ önerebiliyor.

Yukarıda bahsedilen yapay zeka uygulamalarının tümü, eylem ile sonuç arasında sıkı bir geri bildirim döngüsüne dayalı olarak sürekli olarak öğrenme avantajına sahiptir. Bu da tedarik zinciri özelliklerinde "faz kaymaları" olduğunda bile yapay zekanın bunu algıladığı anlamına geliyor.

İnsan düzeyinde modele dayalı analiz ve eylemde bir sonraki seviye, insan dillerini işlemek. ChatGPT gibi Büyük Dil Modellerinin (LLM'ler) önemli bir rol oynadığı yer burasıdır. Bir yandan bu modeller sohbeti mümkün kılıyor, ancak biraz uzaklaştırılırsa temelde yaptıkları şey, tedarik zinciri karar alma sürecine dahil edilecek metinsel veri dünyasını açmaktır. Ortalıkta devasa miktarda yararlı metinsel bilgi olduğu ortaya çıktı, ancak bunlar asla gerçek anlamda bu ölçekte işlenemez. LLM bunu değiştiriyor.

“Tedarik zinciri riski, kritik derecede az kullanılan bir yetenektir ve şimdi her zamankinden daha fazla ihtiyaç duyulmaktadır. Yapay zeka ile artık tedarik zinciri risk yönetimini geniş ölçekte yürütebiliyoruz." – Ranjit Notani #AI #TedarikZinciri Tweet için tıklayın

Örneğin, tedarik zinciri risk verileri öncelikli olarak metinsel kaynaklarda bulunuyor ve ilk kez bunlar işlenebiliyor, anlamsal olarak analiz edilebiliyor, sınıflandırılabiliyor ve uygulanabiliyor. Bu, tedarik zinciri risk yönetiminin nihayet geniş ölçekte sistematik bir şekilde yapılmasına olanak tanıyor. Son birkaç yıl bize bir şey öğrettiyse, tedarik zinciri riskinin kritik derecede az kullanılan bir yetenek olduğu ve şimdi her zamankinden daha fazla ihtiyaç duyulduğudur. Büyük ölçekte risk bilgilerinin aniden ortaya çıkmasının yanı sıra, bunun "deterministik" tarafının (çok kademeli kısıtlı planlama ve yürütme) riskleri etkinleştirmesine de ihtiyaç duyulmaktadır ve yapılmaktadır.

Çığır açan metinsel bilgilerin diğer örnekleri şu alandadır: kalite yönetimi. Son olarak, işlemsel tedarik zincirinin büyük bir kısmı hala dokümantasyon odaklıdır ve tüm bu süreçler artık tamamen entegre edilebilir.

Şu ana kadar çoğunlukla tedarik zinciri fonksiyonel dönüşümünün bazı örneklerini tartıştık. Ancak bilgi teknolojisi (BT) tarafında da aynı derecede çarpıcı bir dönüşüm yaşanıyor.

Örneğin, modern tedarik zincirlerinin kurulumunda zaman ve maliyeti belirleyen en önemli etkenlerden biri entegrasyonun zaman ve maliyetidir. Ancak yapay zeka artık bunu mümkün kılıyor “anlamsal entegrasyon” (çeşitli bilgi ve veri kaynaklarının birbiriyle ilişkilendirilmesi), bu entegrasyonların gerçekleştirilme süresini önemli ölçüde azaltır. Bir diğer önemli yapı taşı, temiz çapraz referanslama ve adlandırma ile temiz, çok kademeli ana verilerdir. Yine yapay zeka ve onun anlamsal eşleme Yetenekler bu sürece dramatik gelişmeler getiriyor.

Yapay Zekayı Tedarik Zincirinde Kullanmanın Zorlukları

Tüm bu devrim niteliğindeki değişiklikler gerçekleşirken bazı önemli uyarıları gözden kaçırmamak önemlidir.

Kara Kutu Sorunu

En önemli sorunlardan biri yapay zekanın bir tür kara kutu olması ve çoğu zaman harika sonuçlar üretmesidir. Bununla birlikte, sonuçların gerçekte üretilme şekli yeterince anlaşılmadığından (kombinatoryal optimizasyon algoritmalarıyla karşılaştırıldığında), bazı hata modlarını tahmin etmek ve bunlarla başa çıkmak zordur.

En azından yakın vadede, tedarik zinciri uygulamalarının tüm kullanıcı deneyiminin, insanların, özellikle de yüksek riskli kararları doğal olarak incelemesine olanak tanıyacak şekilde değiştirilmesi gerekiyor. Daha sonra, kullanıcılar kararlara alıştıkça, bu uygulamalar kullanıcıların yapay zekayı tamamen özerk bir moda "yükseltmesine" kolayca izin vermelidir.

Veri Kalitesi ve Hacmi

Yapay zekanın, özellikle de aktif ilerlemelerin çoğunun yer aldığı Makine Öğrenimi alt türünün bir diğer önemli uyarısı, büyük miktarda yüksek kaliteli verilere büyük ölçüde bağımlı olmalarıdır. Veri yok, yapay zeka yok. Bu, tüm bağlamlarda çalışacak geleneksel algoritmaların aksine, bir yapay zekanın çok fazla verinin olduğu bir problemde çok iyi iş çıkarabileceği ve daha az veya zayıf verinin olduğu bir problemde başarısız olabileceği anlamına gelir.

Bu sorunun iki çözümü var. Birincisi, herhangi bir modern yapay zeka destekli tedarik zinciri sisteminin, kendi sistemlerinde bile bulunmayan veriler üzerinde eğitilmiş yapay zeka modellerini alabilmesi gerektiğidir. Bu, yapay zeka modelleriyle ilgilenmek için standartlara dayalı bir yaklaşım gerektirir. Hem fiili hem de hukuki standartlar bunun kritik bir unsurudur.

Bu sorunun ikinci çözümü, temel yapay zeka kavramına ve sözde transfer öğrenimine dayanmaktadır. Bu yaklaşımla yapay zekalar, genel olarak sorunları çözmek için büyük veri kümeleri üzerinde eğitilebilir ve daha sonra, verilerin çok daha seyrek olabileceği belirli bir sorunu çözmek için nispeten küçük ek verilerle transfer öğrenimi yoluyla "ince ayar yapılabilir".

Yapay Zekanın Tedarik Zincirinde Gerçekte Önemli Olduğu Yer: Yapay Zeka için beklenen meyvelere ve başlıca zorluklara ve engellere bir bakış… Tweet için tıklayın

Tedarik Zincirinde Yapay Zekanın Etkinliğini Ortaya Çıkarmak Önemli Değişim Gerektirir

Özetle yapay zeka, tedarik zincirlerinin her yönünü önemli ölçüde değiştiriyor ve bu sayede yapay zekayı en etkili şekilde benimseyen şirketler için sonuçların önemli ölçüde iyileşmesini sağlıyor. Ancak modern sistemlerin nasıl oluşturulduğu konusunda kapsamlı bir değişiklik yapılması gerekiyor.

• Her ikisinin de güçlü yönlerini ortaya çıkarmak için geleneksel kombinatoryal optimizasyonun yapay zeka ile etkili bir birleşimi.
• Daha doğal bir sohbet tabanlı arayüze geçmek ve yapay zekanın bir nevi kara kutu haline gelmesi sorunlarıyla ilgilenmek için tüm kullanıcı deneyiminin yeniden düşünülmesi.
• Değer elde etme süresini önemli ölçüde artırmak için yapay zekayı tedarik zinciri sistemlerinin BT temellerine dahil etmek.
• Yapay zekanın uyarılarını dikkate alan tedarik zincirleri oluşturmak.

Günün sonunda, insan kullanıcılarını çok daha üretken hale getirerek en zor sorunlara odaklanmalarını sağlayacak gerçek, yaratıcı tedarik zinciri yapay zeka asistanları yaratma yolundayız. Bu tedarik zinciri yapay zeka asistanları, genel olarak tedarik zinciri ve özel olarak da kullanıcının tedarik zinciri hakkında bilgi sahibi olacak.

Bu konuyu daha derinlemesine incelemek istiyorsanız okumanızı tavsiye ederim. Tedarik Zinciri Yönetiminde Yapay Zeka ile Başarının 8 Anahtarı. Tedarik zincirinde yapay zekayı doğru bir şekilde dağıtmak için gereken bazı kritik faktörler konusunda size rehberlik edecektir.

Önerilen Mesajlar

Ranjit Notani, One Network Enterprises'ın kurucu ortağı ve CTO'sudur. Daha önce Notani, Transcend Systems'in kurucu ortağı ve CTO'suydu ve i2 Technologies'de birkaç yıl geçirdi; burada çeşitli önemli mimari pozisyonlarında görev aldı, Üye olarak ürün stratejisinde ayrılmaz bir rol oynadı ve Tedarik Zinciri İşbirliği paketini yönetti. Notani, Purdue Üniversitesi'nden Yüksek Lisans derecesine ve Bombay Hindistan Teknoloji Enstitüsü'nden Teknoloji Lisans derecesine sahiptir.

Ranjit Notani'nin son gönderileri (Tümü)

• 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. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://supplychainbeyond.com/where-ai-actually-matters-in-the-supply-chain/