Роль генеративного искусственного интеллекта в снабженческих цепях
Роль ГИИ в снабженческих цепях
Точно так же, как нарушения в поставочной цепи стали частой темой обсуждений в 2020 году, Генеративный ИИ быстро стал горячей темой 2023 года. В конце концов, ChatGPT от OpenAI достиг отметки в 100 миллионов пользователей за первые два месяца, что сделало его самым быстрорастущим приложением для потребителей в истории.
Поставочные цепи в определенной степени подходят для применения генеративного ИИ, поскольку они функционируют на основе и генерируют огромные объемы данных. Разнообразие и объем данных, а также различные типы данных, добавляют дополнительную сложность к чрезвычайно сложной проблеме реального мира: как оптимизировать производительность поставочной цепи. И хотя возможности применения генеративного ИИ в поставочных цепях обширны – включая повышенную автоматизацию, прогнозирование спроса, обработку и отслеживание заказов, предиктивное обслуживание оборудования, управление рисками, управление поставщиками и многое другое – многие из них также применимы к предиктивному ИИ и уже были приняты и масштабированы.
В этой статье рассматриваются несколько случаев использования, которые особенно подходят для генеративного ИИ в поставочных цепях, и предлагаются некоторые предостережения, которые должны учитывать руководители поставочных цепей перед совершением инвестиций.
Помощь в принятии решений
Основная цель ИИ и машинного обучения в поставочных цепях – упростить процесс принятия решений, обещая повышенную скорость и качество. Предиктивный ИИ делает это, предоставляя более точные прогнозы, обнаруживая новые еще не идентифицированные паттерны и используя очень большие объемы релевантных данных. Генеративный ИИ может пойти еще дальше, поддерживая различные функциональные области управления поставочной цепью. Например, менеджеры поставочной цепи могут использовать модели генеративного ИИ для задавания уточняющих вопросов, запроса дополнительных данных, лучшего понимания влияющих факторов и просмотра исторической эффективности принятых решений в аналогичных сценариях. Вкратце, генеративный ИИ значительно ускоряет и упрощает процесс предварительного анализа, предшествующего принятию решений.
- Устаревание аутентификации Git с использованием пароля
- 7 проектов, созданных с помощью генеративного искусственного интеллекта
- Отчет о прибыли NVIDIA раскрывает доминирование в революции искусственного интеллекта
Более того, на основе исходных данных и моделей генеративный ИИ может анализировать большие объемы структурированных и неструктурированных данных, автоматически генерировать различные сценарии и предоставлять рекомендации на основе представленных вариантов. Это значительно сокращает неэффективную работу, которую в настоящее время выполняют менеджеры поставочной цепи, и дает им возможность проводить больше времени на принятие решений на основе данных и быструю реакцию на изменения на рынке.
(Возможное) решение проблемы нехватки талантов в управлении поставочной цепью
В последние годы предприятия страдают от нехватки талантов в управлении поставочной цепью из-за перегрузки планировщиков, текучести кадров и крутого кривого обучения новых сотрудников из-за сложной природы работы. Модели генеративного ИИ могут быть настроены на стандартные операционные процедуры, бизнес-процессы, рабочие потоки и программную документацию предприятий, а затем могут отвечать на запросы пользователя контекстуализированной и актуальной информацией. Разговорный интерфейс пользователя, обычно ассоциируемый с генеративным ИИ, значительно облегчает взаимодействие с системой поддержки и позволяет уточнять запрос, дополнительно сокращая время поиска нужной информации.
Сочетание системы обучения и развития на основе генеративного ИИ с поддержкой принятия решений на основе генеративного ИИ может помочь ускорить решение различных проблем управления изменениями. Оно также может ускорить вхождение новых сотрудников в работу, сократив время обучения и требования к опыту работы. Более того, генеративный ИИ может помочь людям с ограниченными возможностями, улучшая коммуникацию, когнитивные способности, помогая в чтении и написании, предоставляя персональную организацию и поддержку непрерывного обучения и развития.
Хотя некоторые опасаются, что генеративный ИИ приведет к потере рабочих мест в ближайшие годы, другие считают, что он повысит эффективность работы, устраняя рутинные задачи и освобождая место для более стратегических. В то время как он также предсказывается, что решит хроническую проблему нехватки талантов в поставочной цепи и цифровых технологий. Поэтому важно научиться работать с этой технологией.
Построение цифровой модели поставочной цепи
Поставочные цепи должны быть устойчивыми и гибкими, что требует видимости на всем предприятии. Поставочная цепь должна “знать” всю сеть для обеспечения видимости. Однако построение цифровой модели всей многорядной сети поставочной цепи часто является непозволительно дорогостоящим. Большие предприятия имеют данные, разбросанные по десяткам или сотням систем, причем большинство из них управляют более чем 500 приложениями параллельно, включая ERP-системы, CRM-системы, PLM-системы, системы закупок и снабжения, планирование, системы складского учета, системы транспортировки и многое другое. Со всей этой сложностью и фрагментацией, очень сложно логически объединить эти разрозненные данные. Это усложняется, когда организации смотрят за первичными или вторичными поставщиками, где сбор данных в структурированном формате маловероятен.
Модели генеративного ИИ могут обрабатывать огромные объемы данных, включая структурированные данные (мастер-данные, транзакционные данные, EDI) и неструктурированные данные (договоры, счета-фактуры, сканированные изображения), чтобы идентифицировать паттерны и контекст с ограниченной предварительной обработкой данных. Поскольку модели генеративного ИИ учатся на основе паттернов и используют вероятностные расчеты (с человеческим вмешательством) для предсказания следующего логического вывода, они могут создавать более точную цифровую модель многорядной сети поставок – быстрее и в масштабе – и оптимизировать взаимодействие и видимость между компаниями и внутри компании. Эта модель многорядной сети может быть дополнительно обогащена для поддержки инициатив ESG, включая, но не ограничиваясь, идентификацией конфликтных минералов, использованием экологически чувствительных ресурсов или территорий, расчетом выбросов углерода от продуктов и процессов и т. д.
Несмотря на то, что генеративное искусственное интеллект предоставляет значительные возможности для лидеров поставочной цепи быть инновационными и создавать стратегическое преимущество, есть определенные проблемы и риски, которые следует учитывать.
Ваша поставочная цепь уникальна
Общие применения генеративного искусственного интеллекта, такие как ChatGPT или Dall-E, в настоящее время успешно решают задачи более общего характера, поскольку модели обучаются на огромных объемах общедоступных данных. Чтобы по-настоящему использовать возможности генеративного искусственного интеллекта для поставочной цепи предприятия, эти модели должны быть настроены на соответствующие данные предприятия и контекст, специфичный для вашей организации. Другими словами, вы не можете использовать общеобученную модель. Проблемы управления данными, такие как качество данных, интеграция и производительность, которые затрудняют текущие проекты по трансформации, также могут сказаться на инвестициях в генеративный искусственный интеллект, приводя к затратному и длительному процессу, если не установлено правильное решение по управлению данными.
Генеративный искусственный интеллект зависит от понимания закономерностей в обучающих данных, и если поставщики поставочной цепи что-то поняли за последние три года, то это то, что поставочные цепи будут продолжать сталкиваться с новыми рисками и безпрецедентными возможностями.
Безопасность и регулирование
Основным требованием моделей генеративного искусственного интеллекта является доступ к огромным объемам обучающих данных для понимания закономерностей и контекста. Однако, поскольку генеративные приложения искусственного интеллекта имеют интерфейс, похожий на человеческий, это может привести к подделке пользователей, рассылке фишинговых писем и другим проблемам безопасности. Ограниченный доступ к обучению модели может привести к плохой производительности искусственного интеллекта, а предоставление неограниченного доступа к данным поставочной цепи может привести к нарушениям информационной безопасности, когда критическая и конфиденциальная информация становится доступной для неавторизованных пользователей.
Также неясно, какие меры по регулированию генеративного искусственного интеллекта выберут различные правительства в будущем, поскольку его применение продолжает расти, и находятся новые применения генеративного искусственного интеллекта. Несколько экспертов по искусственному интеллекту выразили опасения относительно риска, создаваемого искусственным интеллектом, и призывают правительства приостановить гигантские эксперименты с искусственным интеллектом, пока технологические лидеры и политики не установят правила и регламенты для обеспечения безопасности.
Генеративный искусственный интеллект предлагает множество возможностей для улучшения для тех организаций, которые могут использовать эту технологию и создать множитель силы для человеческого изобретательства, творчества и принятия решений. Однако, пока не будут созданы модели, обученные и явно разработанные для использования в поставочной цепи, лучший подход к инвестициям в генеративный искусственный интеллект – это сбалансированный подход.
Установка соответствующих ограничений будет разумной мерой, чтобы гарантировать, что искусственный интеллект предоставит оптимизированные планы для каждого пользователя для обзора и выбора, которые соответствуют бизнес-процессам и целям. Организации также должны учитывать весомость делового случая, безопасность данных и пользователей, а также измеримые бизнес-цели перед инвестициями в новую технологию генеративного искусственного интеллекта.
