サプライ チェーン向けの生成 AI: 効率と持続可能性の新時代を開拓する

つい最近、フォルクスワーゲン、BMW、メルセデス・ベンツがサプライチェーンにおける非倫理的な慣行を発見できなかったとして、ドイツ連邦経済輸出管理局に告訴状が提出された。 どうやら、自動車製造大手は、中国で抑圧されている少数民族ウイグル族による強制労働のもとで採掘された原材料に依存していたようだ。

最近では、サプライチェーン全体を監視することは言うまでもなく、自社の在庫を管理し続けることも困難です。 幸いなことに、生成 AI には対処するために必要なツールがあるようです。 生成 AI コンサルティング会社に依頼すると、顧客の需要を予測し、サプライ チェーン内の疑わしい慣行を明らかにし、環境および倫理の目標に適合する新しいサプライヤーを見つけることができます。

興味がある？ 次に、生成 AI がサプライ チェーンに対して他に何ができるか、実装中にどのような課題が予想されるかを見てみましょう。

サプライチェーンにおける生成 AI とは何ですか?

生成 AI は、トレーニングされたサンプルと同様の、テキスト、画像、さらにはドキュメントなどの新しいコンテンツを作成できるテクノロジーです。 これは、コンテンツ タイプごとに特別にプログラムしなくても、オンデマンドで新しいコンテンツを作成できるスマート アシスタントのようなものです。

サプライ チェーンのコンテキストでは、生成 AI は物流情報、販売履歴、在庫記録などのサプライ チェーン関連の膨大なデータをトレーニングし、最適化されたルート マップ、需要予測、サプライヤーの評価などのさまざまな種類の洞察を生成します。レポートと補充戦略。

生成 AI は従来の AI テクノロジーとどう違うのですか?

従来の人工知能は、履歴データの分析とパターンの特定に優れています。 自然言語処理、コンピューター ビジョン、機械学習などの幅広い機能を備えていますが、生成 AI は人間によって生成されたかのように見えるコンテンツを作成することだけに焦点を当てています。

私たちの日常生活における従来の AI の例には、自動運転車、お気に入りのショッピング Web サイトのレコメンデーション エンジン、または Siri や Alexa などの音声アシスタントが含まれます。 生成 AI の例は、コンテンツ作成を中心に展開されます。 これらには、人間のようなテキストを生成する ChatGPT や画像を生成する DeepDream が含まれます。

サプライ チェーンの回復力を実現する際の従来の AI の役割について詳しくは、当社のブログをご覧ください。

ビジネスのサプライ チェーンにおける生成 AI の利点

生成 AI を導入した後、それを 1 つまたは 2 つのユースケースに適用したとしても、企業は次の利点の一部またはすべてを経験することになります。

• 生成 AI が補充や調達などのプロセスを最適化し、より速くて安価な配送方法を見つけることができるため、効率が向上します。
• 予測やレポート作成などの面倒な作業が自動化されるため、人件費が削減されます。
• AI が追加の人員を雇用することなく追加の負荷を引き継ぐことができるため、スケーラビリティが向上します。
• アルゴリズムが需要を予測し、顧客のお気に入りの製品が在庫からなくなることがないようにできるため、顧客満足度が向上します。
• AI がサプライ チェーンの問題を予測して解決できるため、業務が合理化されます。
• AI モデルが大規模なレポートの生成やその他の退屈なタスクを処理しながら、従業員は自分の資格に適したタスクに集中できるため、生産性が向上します。

カスタムの生成 AI モデルを構築すること、または既存の AI モデルを微調整することは意味がありますか?

C3 Generative AI などの既製の生成 AI ソリューションがあり、サプライ チェーンの可視性を向上させるために使用できます。 これらのソリューションは非常に強力ですが、サプライ チェーンの最適化にこれらのソリューションを使用している企業は、次のような課題に直面する可能性があります。

• これらのソリューションは汎用モデルとして設計されていることが多いため、その分野に関する専門知識が不足している
• 結果はトレーニング データセットによって異なります。 コンテンツの品質が低かったり、偏見が含まれていたり、単に会社のデータと一致しなかったりする場合、生成されたコンテンツにはこれらの問題が反映されます。
• アルゴリズムはデータの詳細を理解していないため、ビジネスに無関係なものを生成する可能性があります

最適なパフォーマンスを実現するために、すべての組織はサプライ チェーンの IT コンサルタントを雇用して、新しい AI モデルを開発したり、既存の AI モデルを微調整してドメイン固有の知識を追加したりできます。 このアプローチには次のような利点があります。

• 精度の向上
• 組織のニーズに合わせてカスタマイズ
• プロセスへの統合が簡単
• カスタム開発の場合、テクノロジーの完全な所有権
• 業界固有のコンプライアンス要件の遵守

ただし、カスタム構築されたアルゴリズムはゼロから構築され、トレーニングと検証が必要なため、より高価であり、導入に時間がかかることに注意してください。 したがって、最終的な選択は、ビジネス ニーズと利用可能な予算とのトレードオフになります。

サプライ チェーンにおける 5 つの主要な生成 AI ユースケース

使用例 1: 効率的に在庫に取り組む

生成 AI は大量のデータを分析し、現在の傾向を考慮して株式をより適切に処理する方法に関するポリシーや提案を考案できます。 このテクノロジーが在庫管理にどのように貢献できるかは次のとおりです。

• 動的な在庫ポリシーの推奨: アルゴリズムは常に販売情報と需要傾向を分析し、市場のニーズに対応するためにさまざまな品目の在庫レベルの調整をリアルタイムで提案します。
• 人気商品が在庫切れにならないように安全在庫レベルを計算: AI モデルは、変動する需要、季節、その他の要因に基づいて最適な安全レベルを計算できます。
• 需要の急増や供給の混乱など、在庫に影響を与える可能性のあるさまざまなシナリオをシミュレートする: これにより、企業は必要なときに補充するための緊急計画を立てることができます。
• 在庫の無駄の削減: 生成 AI は、高い保管コストをもたらす在庫の動きの遅い商品を特定し、割引やマーケティング キャンペーンなどの製品フローを改善する戦略を推奨します。
• さまざまな製品に対して最も効果的な保管および配布戦略を考案する

実際の例

Stitch Fix は、カリフォルニアに本社を置くファッション会社です。 広範な顧客の嗜好データやその他の情報に基づいて生成 AI アルゴリズムをトレーニングし、モデルはどの衣料品の需要が高いかを予測し、在庫の補充を推奨しました。 その結果、同社は保管と品物の取り扱いに関連するコストが 25% 削減されたと報告しました。

使用例 2: より速く、より安価に荷物を配送する

企業は、サプライチェーン管理に生成 AI を使用して、気象条件、交通パターン、出荷に関する大量のデータを分析し、最適化されたルート マップを構築することで、サプライヤーが製品/材料をより速く、より安く届けることができます。

これらのモデルは、計画されたルートに沿って交通渋滞、事故、またはその他の問題が発生した場合に、データをリアルタイムで監視して、すでに輸送中の貨物を転送することもできます。 このような動的なルート計画は、ドライバーがその場で調整し、渋滞に巻き込まれて何時間も無駄にすることを避けるのに役立ちます。

企業はこの利点を認識しており、物流市場における生成 AI は急速に成長しています。 2022 年の評価額は 4 億 1,200 万ドルで、2032 年末までに 139 億 4,800 万ドルに急増し、43.5% という驚異的な CAGR で成長すると予想されています。

実際の例

あるメーカーは、在庫を管理し、サプライ チェーン プロセスを最適化するために、自社の業務に生成 AI を統合しました。 システムはリアルタイム データを分析し、再ルーティング オプションを推奨しました。 同社は、AI 導入から最初の 6 か月以内に物流費を 12% 削減したと報告しました。

使用例 3: 持続可能で倫理的なサプライ チェーンの確保

調査によると、ビジネス リーダーは持続可能性への取り組みを含む倫理的なサプライ チェーンに移行しており、生成 AI はこの取り組みに役立つ可能性があります。 アルゴリズムを使用して、エネルギー効率、廃棄物発生量、持続可能な製造慣行、原材料調達などの公開されているサプライヤー データを分析し、どのサプライヤーが環境への影響の目標に最も適合するかを決定できます。

さらに、AI モデルは、既存の請負業者が無駄を削減できる領域を正確に特定できます。 たとえば、パッケージデザインや物流プロセスの変更を提案できます。 サプライヤーが環境に優しい取り組みに前向きであれば、これらの洞察をサプライヤーと共有できます。 これにより、サプライヤーとのパートナーシップを終了することなく、持続可能性の目標を達成することができます。

実際の例

企業は、サプライチェーン内の持続不可能で非倫理的な慣行を発見するために生成 AI アルゴリズムに依存しています。 たとえば、シーメンスとユニリーバは、冒頭で述べた中国のウイグル族イスラム教徒の弾圧に関係するサプライヤーを特定するためにこのアプローチを使用しています。

もう 1 つの例は、カリフォルニアを拠点とする Frenzy AI によるものです。同社は、税関申告書や出荷書類などのデータを分析して、製品をさまざまなサプライヤーまで追跡し、自社の製品が倫理的に使用されているかどうかを確認する生成 AI モデルを構築しました。

ユースケース 4: 顧客のニーズを予測する

生成 AI モデルは、過去の売上高、季節傾向、経済データ、競合他社の活動、顧客センチメントなどのさまざまな種類のデータを処理して、需要を予測できます。 アルゴリズムはこれらすべてをリアルタイムで監視し、今後のトレンドが出現するとすぐに通知します。 生成 AI は次のタスクを実行できます。

• さまざまな製品やサービスの需要を予測し、企業がサプライヤーに通知し、補充し、顧客により良いサービスを提供できるようにします。
• 企業が準備できるように、需要がどのように変化するかについてのさまざまなシナリオをモデル化します。 たとえば、価格設定やマーケティング戦略の変更が需要にどのような影響を与えるかを示すことができます。

実際の例

ウォルマートは、生成 AI ベースの需要予測システムを利用して、顧客が各店舗で何を必要とするかを予測しています。 この小売大手は、ブラック フライデー イベント中の顧客の行動を分析し、潜在的なボトルネックを予測するためにもこのテクノロジーを使用しています。

使用例 5: 適切なサプライヤーを見つけて交渉する

生成 AI は大量のサプライ チェーン データを分析できるため、貴重な推奨事項を提供し、サプライヤーの精査を支援できます。 このテクノロジーでできることは次のとおりです。

• サプライヤーのランク付け: アルゴリズムにより、価格や原材料の品質などの事前定義された基準に基づいてサプライヤーをランク付けできます。
• 持続可能性の実践の評価: これには、潜在的なサプライヤーの環境フットプリント、社会的責任、廃棄物生成の評価が含まれます。
• 地政学的リスク、経済的要因、その他の脆弱性など、各サプライヤーに関連するリスクを評価する
• 各サプライヤーに合わせた契約交渉戦略の作成

AI アルゴリズムは、パートナーのサプライヤーを継続的に監視して、契約上の義務を遵守し、期待される品質レベルを維持していることを確認することもできます。

実際の例

ウォルマートは、サプライヤーと取引を交渉できる Pactum AI の生成 AI ボットを実験しました。 このアプローチにより、小売業者は契約経費を約 3% 節約できました。 驚くべきことに（そうでないかもしれませんが）、サプライヤー 4 社中 3 社が実際にボットと交渉することを好みました。

サプライチェーン管理における生成 AI で遭遇する可能性のある課題

生成 AI の実装に興味がある場合は、次の一連の課題に直面する準備をしてください。

データ関連の問題

生成 AI モデルが機能するには、大量の高品質のデータが必要です。 データが断片的、不完全、古い場合、結果は正確ではありません。 また、どの種類のサプライヤー データが公開されるかを制御することはできないため、他者が提供するデータに依存する場合は、合理的な期待を設定するようにしてください。

モデルは、販売履歴や財務統計などの組織データにも適用されます。 これは自分でコントロールできるデータなので、クリーンでバイアスがなく、アクセスしやすいものであることを確認してください。

既存のシステムとの統合

新しい AI ソリューションは、既存のシステムにシームレスに適合し、他のアプリケーションに接続してデータにアクセスする必要があります。 これにはレガシー システムの適応が必要になる場合がありますが、これは大きな課題です。 また、プロセスの一部を再設計する必要がある場合もあります。 生成 AI も非常に強力であり、かなりの計算リソースとデータ ストレージ容量を必要とします。 インフラストラクチャを適応させるか、クラウド ホスティングを手配することを検討してください。

さらに、サプライヤーのソフトウェアと統合し、サプライヤーのワークフローに合わせる必要があるでしょう。 データ収集に使用できる専用の API があるかどうかを確認してください。

AIの利用に伴う課題

• 場合によっては、AI の説明可能性の欠如が問題になることがあります。 なぜ生成 AI がこの応答/提案/戦略を生み出したのかを説明できるとは限りません。 コンプライアンスレポートを例に挙げます。 組織が ISO 認証を取得したい場合は、コンプライアンスを示すプロセスを文書化する必要があります。 しかし、レポート作成を生成 AI に依存しすぎると、それができなくなる可能性があります。
• AI の使用に関する業界標準と、業務分野における一般的なプライバシー規制に準拠する必要があります。

導入後の問題

• AI システムは大量の機密情報を扱うため、セキュリティを念頭に置いて設計する必要があります。 データのセキュリティを確保するために企業が従う必要がある一連の慣行があります。 これには、転送中および保存中のデータの暗号化、認証メカニズムの実装、不正アクセスの監視などが含まれます。 サプライヤー ネットワークとデータを共有することも必要になります。 これも安全であることを確認してください。
• AI モデルの効率性と関連性を維持するには、定期的な監査、パフォーマンス評価、更新が必要です。

ヒューマンファクター

サプライ チェーン管理に生成 AI を導入した後は、従業員がそれを受け入れ、使用し、その改善に貢献してもらいたいと考えています。 人間と AI のコラボレーションを管理するルールを形式化し、最終結果の責任者を指定することが最善です。 そして、これは挑戦です。 誰も買いたくない商品が在庫に溢れてしまったら、誰が責任を負うのでしょうか? そして、AI によって選ばれたサプライヤーが 2 回連続で納期どおりに納品できなかった場合、誰が責任を負うのでしょうか?

同社は、AI を使用して安全なデータ慣行に従うように従業員をトレーニングする責任もあります。

生成 AI が必要だと確信していますか? 次にやるべきことは次のとおりです

AI の実装を始めるのに役立つ 9 つのヒントを次に示します。

• ビジネス目標と、サプライ チェーンの生成 AI を使用して達成したいことを定義します。 これにより、モデルがどのデータにアクセスする必要があるかが決まります。
• アルゴリズムが最新の情報にアクセスできるように、自動データ収集を検討してください。
• AI および ML アルゴリズムで使用できるようにデータを準備します。
• 必要に応じてトレーニング データの使用について同意を得て、データ プライバシー規制を遵守するようにしてください。
• 強力なデータ ガバナンスを確立するか、サードパーティのデータ管理サービスを利用します。
• 組織とサプライヤー間のデータコラボレーションを促進します。
• 信頼できる AI ベンダーを雇って、独自のニーズに対応できる生成 AI アルゴリズムを構築またはカスタマイズしてください。
• 小規模なパイロット プロジェクトから始めて、失敗から学びましょう。
• 導入後のモデルを監視します。 ユーザーが懸念事項や推奨事項を報告できるようにするフィードバック ループを実装します。

AI の実装に関連するコストについて疑問がある場合は、人工知能のコストに関する詳細な記事をご覧ください。

サプライ チェーン管理における生成 AI の使用に関するご質問がある場合、またはプロジェクトの正確なコスト見積もりが必要な場合は、お問い合わせください。 AI モデルの構築/カスタマイズを支援し、データの収集とクリーニングをサポートし、オンデマンドでモデルを監査します。

この記事はもともと Itrex Web サイトに掲載されたものです。