这篇文章已经被阅读了 655 次！
人工智能可以对供应链管理的适当领域产生重大影响，但也存在重大挑战和障碍
人工智能正在彻底改变供应链（以及其他领域）。 这是那些很少发生但会改变一切的巨大变化之一。
随之而来的混乱将产生新一代的赢家和输家。
然而，人工智能领域并不完美。 有很多陷阱可能会让粗心的人陷入困境。 在本文中，我们探讨了人工智能的巨大好处以及为了在供应链中取得成功而需要避开的地雷。
“人工智能带来的是能力的显着增强，这些能力基本上属于人类水平的模式识别和分析范围。” – Ranjit Notani #AI #MachineLearning #SupplyChain 点击鸣叫
在人工智能出现之前，供应链的最先进技术是复杂的内部和跨公司流程执行，以及复杂的规划和优化算法以及规划和执行的无缝集成。 这些方法的粗略简化是，它们基于精度和确定性。
人工智能带来的是能力的显着增强，这些能力大致属于“人类水平的模式识别和分析”的范畴。 虽然上一代已经具备了模式识别和分析功能，但今天的人工智能在这方面实现了质的飞跃。 因此，从这个意义上说，人工智能的优势与上一代确定性和精确性的优势是非常互补的。
对我们来说很明显，我们真正需要的是这两种方法的结合。
人工智能可以在哪些方面对供应链产生影响
那么，这种模式识别可以在哪些方面显着改善结果呢？
明显的例子是在以下领域 需求和其他类型的预测。 这些过程已经被概念化为基于模式识别的方法，因此将人工智能应用到这些过程中是一个自然的飞跃。 事实上，新的尖端人工智能预测器的表现已经优于（有时是显着的）上一代预测器。 这种卓越性能的原因之一是机器学习（目前最受关注的人工智能分支）可以从大量数据中学习，并且可以检测人类或早期算法无法检测到的因果模式。 提高预测准确性是已知的流程改进之一，可直接为公司带来利润。
属于这一类别的流程的其他示例（即已经使用的基于模式的方法）是类似的流程 多层次库存优化, 预计到达时间预测等等。这些流程也得到了类似的显着改进，带来了直接的底线效益。
潜伏在这些“明显”区域表面之下的是一组庞大的过程，这些过程本质上是基于模式的，但这些模式太复杂而无法处理，并且主要是人类分析师、规划者等的领域。
人工智能在供应链中真正重要的地方：看看人工智能唾手可得的成果以及主要挑战和障碍…… 点击鸣叫
这些领域的一些例子是 政策制定。 即，应该制定哪些政策来推动改善结果。 现代供应链系统（甚至是高度模板化的最佳实践）附带了大量可以设置的策略，但弄清楚如何设置这些策略也需要时间，即使是经验丰富的分析师和规划人员也是如此。
属于这一类别的另一个领域是 问题优先顺序 或“注意力集中”。 现代供应链系统可实现跨多企业供应链的实时可见性和警报。 这可能会产生大量需要关注的问题。 问题是 什么 分析师/规划师应该关注什么？
传统的方法是某种高/中/低分类。 但人工智能现在可以更好地将分析师的注意力集中在真正最关键的问题/警报子集上。 它可以查看底层供应链的模式以及用户的背景，以更好地确定需要注意的问题的优先级。 这可以更好地利用用户最稀缺的资源（时间）。
人工智能擅长确定问题的优先级。 它可以更好地将供应链分析师的注意力集中在对业务真正最关键的问题/警报子集上。 点击鸣叫
除了可见性之外，下一步是在 决策。 供应链具有众所周知的“高维”决策空间。 用简单的语言来说，相互作用的因素太多了，一切似乎都影响着其他一切，以至于很难有效地解决问题。
在过去，其中一些问题是通过使用数学上原始的目标函数和约束进行规划来“解决”的。 虽然这些方法仍然非常有用，但其主要问题是不能很好地应对真实供应链快速变化的现实（尤其是接近执行的供应链）。 在这里，事情会变得越来越混乱，用户会诉诸有时被委婉地称为“加速”和“救火”的过程。 然而，随着人工智能的出现，它现在可以查看复杂的规划和执行情况，并提出实时、上下文敏感的智能处方™，从而引导用户获得最佳结果。
所有上述人工智能应用都有一个优点，即它们还基于行动和结果之间的紧密反馈循环不断学习。 这反过来意味着，即使供应链特征存在“相移”，人工智能也会识别出来。
基于人类模式的分析和行动的下一个层次来自 处理人类语言。 这就是像 ChatGPT 这样的大型语言模型 (LLM) 发挥重要作用的地方。 一方面，这些模型支持聊天，但如果稍微缩小一点，它们从根本上做的就是打开文本数据的世界，将其纳入供应链决策中。 事实证明，那里有大量有用的文本信息，但这些信息永远无法真正大规模处理。 LLM 改变了这一点。
“供应链风险是一种严重未充分利用的能力，现在比以往任何时候都更需要。 借助人工智能，我们现在可以大规模地进行供应链风险管理。” – Ranjit Notani #AI #SupplyChain 点击鸣叫
例如，供应链风险数据主要存在于文本来源中，并且首次可以对这些数据进行处理、语义分析、分类和应用。 这使得供应链风险管理最终能够以系统的方式大规模完成。 如果说过去几年教会了我们什么的话，那就是供应链风险是一种严重未充分利用的能力，现在比以往任何时候都更需要。 随着大规模风险信息的突然出现，还需要并正在完成风险的“确定性”方面（多级约束规划和执行）。
文本信息创造突破的其他例子是在以下领域： 质量管理。 最后，交易供应链的很大一部分仍然是以文档为导向的，所有这些流程现在都可以完全集成。
到目前为止，我们已经讨论了一些主要是供应链功能转型的例子。 然而，信息技术 (IT) 方面也正在发生同样巨大的转变。
例如，部署现代供应链的时间和成本的主要驱动因素之一是集成的时间和费用。 然而，人工智能现在正在使 “语义整合” （将不同来源的信息和数据相互关联），大大减少了进行这些集成的时间。 另一个主要构建块是干净的多级主数据以及干净的交叉引用和命名。 再说一次，人工智能及其 语义映射 能力正在给这个过程带来巨大的改进。
在供应链中部署人工智能的挑战
随着所有这些革命性变化的发生，重要的是不要忽视一些重要的警告。
黑匣子问题
主要问题之一是人工智能就像一个黑匣子，大多数时候都会产生很好的结果。 然而，由于对实际产生结果的方式知之甚少（与组合优化算法相比），因此很难预测和处理某些故障模式。
至少在短期内，供应链应用程序的整个用户体验需要进行修改，以允许人类自然地审查决策，尤其是高风险决策。 然后，随着用户对决策感到满意，这些应用程序应该可以轻松地允许用户将人工智能“提升”到完全自主模式。
数据质量和数量
人工智能的另一个主要警告是，它们高度依赖于大量高质量数据，尤其是大多数活跃进步所在的机器学习子类型。 没有数据，就没有人工智能。 这意味着，与在所有情况下都能发挥作用的传统算法不同，人工智能可能在数据较多的问题上表现出色，但在数据较少或较差的问题上却表现不佳。
这个问题有两种解决方案。 首先，任何支持人工智能的现代供应链系统都应该能够摄取基于数据训练的人工智能模型，而这些数据甚至可能不存在于其系统中。 这需要采用基于标准的方法来处理人工智能模型。 事实上和法律上的标准都是其中的关键要素。
该问题的第二个解决方案基于基础人工智能和所谓的迁移学习的概念。 通过这种方法，人工智能可以在大型数据集上进行训练，以普遍解决问题，然后通过转移学习，使用相对较小的附加数据进行“微调”，以解决数据可能稀疏得多的特定问题。
人工智能在供应链中真正重要的地方：看看人工智能唾手可得的成果以及主要挑战和障碍…… 点击鸣叫
释放人工智能在供应链中的有效性需要重大变革
总之，人工智能正在极大地改变供应链的各个方面，从而为最有效地采用人工智能的公司带来显着改善的结果。 然而，它需要对现代系统的构建方式进行全面的改变。
- 传统组合优化与人工智能的有效结合，发挥两者的优势。
- 重新思考整个用户体验，转向更自然的基于聊天的界面，并处理人工智能有点像黑匣子的问题。
- 将人工智能引入供应链系统的 IT 基础，以显着缩短价值实现时间。
- 建立考虑人工智能注意事项的供应链。
归根结底，我们正在打造真正的、富有创意的供应链人工智能助手，这将使人类用户的工作效率大大提高，让他们能够专注于最困难的问题。 这些供应链人工智能助手将具备一般供应链、特别是用户供应链的知识。
如果您想更深入地了解这个主题，我强烈建议您阅读 人工智能在供应链管理中取得成功的 8 个关键。 它将指导您了解在供应链中正确部署人工智能所需的一些关键因素。
推荐文章
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 汽车/电动汽车， 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- 图表Prime。 使用 ChartPrime 提升您的交易游戏。 访问这里。
- 块偏移量。 现代化环境抵消所有权。 访问这里。
- Sumber: https://supplychainbeyond.com/where-ai-actually-matters-in-the-supply-chain/
