공급망을 위한 생성적 AI: 효율성과 지속 가능성의 새로운 시대 개척

최근에는 폭스바겐, BMW, 메르세데스 벤츠가 공급망에서 비윤리적인 관행을 발견하지 못했다는 이유로 독일 연방 경제수출통제청에 불만 사항이 접수되었습니다. 분명히 자동차 제조 대기업들은 중국의 억압받는 위구르 소수민족이 강제 노동을 통해 채굴한 원자재에 의존했던 것 같습니다.

요즘에는 전체 공급망을 모니터링하는 것은 물론이고 자체 재고를 지속적으로 관리하는 것도 어렵습니다. 다행스럽게도 생성 AI에는 대처하는 데 필요한 도구가 있는 것 같습니다. 생성적 AI 컨설팅 회사를 고용하여 고객 수요를 예측하고, 공급망 내 의심스러운 관행을 찾아내고, 환경 및 윤리적 목표에 맞는 새로운 공급업체를 찾는 데 도움을 받을 수 있습니다.

관심 있는? 그런 다음 생성 AI가 공급망에 어떤 역할을 할 수 있는지, 그리고 구현 중에 어떤 과제가 예상되는지 살펴보겠습니다.

공급망에서 생성적 AI란 무엇입니까?

제너레이티브 AI(Generative AI)는 학습한 예시와 유사하게 텍스트, 이미지, 심지어 문서까지 새로운 콘텐츠를 생성할 수 있는 기술입니다. 각 콘텐츠 유형에 맞게 특별히 프로그래밍하지 않고도 필요에 따라 새로운 콘텐츠를 제작할 수 있는 스마트 비서와 같습니다.

공급망 맥락에서 생성적 AI는 물류 정보, 판매 내역, 재고 기록 등 방대한 양의 공급망 관련 데이터를 학습하고 최적화된 경로 지도, 수요 예측, 공급업체 평가 등 다양한 유형의 통찰력을 생성합니다. 보고서 및 재입고 전략.

생성 AI는 기존 AI 기술과 어떻게 다릅니까?

기존 인공지능은 과거 데이터를 분석하고 패턴을 식별하는 데 탁월합니다. 자연어 처리, 컴퓨터 비전, 머신러닝 등 다양한 기능을 갖춘 반면, 생성 AI는 인간이 생성한 것처럼 보이는 콘텐츠 제작에만 중점을 둡니다.

일상 생활에서 사용되는 전통적인 AI의 예로는 자율주행차, 즐겨찾는 쇼핑 웹사이트의 추천 엔진, Siri나 Alexa와 같은 음성 비서 등이 있습니다. 생성 AI의 예는 콘텐츠 제작을 중심으로 이루어집니다. 여기에는 인간과 유사한 텍스트를 생성하는 ChatGPT와 이미지를 생성하는 DeepDream이 포함됩니다.

당사 블로그에서 공급망 탄력성을 달성하는 데 있어 기존 AI의 역할에 대해 자세히 알아볼 수 있습니다.

비즈니스 공급망을 위한 생성적 AI의 이점

생성 AI를 배포한 후 한두 가지 사용 사례에 적용하더라도 회사는 다음과 같은 이점 중 일부 또는 전부를 경험할 수 있습니다.

• 생성적 AI가 재입고 및 조달과 같은 프로세스를 최적화하고 더 빠르고 저렴한 배송 대안을 찾을 수 있어 효율성이 향상됩니다.
• 예측 및 보고서 생성과 같은 지루한 작업을 자동화하여 인건비 절감
• 더 많은 사람을 고용하지 않고도 AI가 추가 부하를 처리할 수 있어 확장성이 향상됩니다.
• 알고리즘을 통해 수요를 예측하고 고객이 선호하는 제품이 재고에 절대 떨어지지 않도록 함으로써 고객 만족도 향상
• AI가 공급망 문제를 예측하고 해결할 수 있으므로 운영 간소화
• AI 모델이 대규모 보고서 생성 및 기타 지루한 작업을 처리하는 동안 직원은 이제 자신의 자격에 더 잘 맞는 작업에 집중할 수 있어 더욱 생산적입니다.

맞춤형 생성 AI 모델을 구축하거나 기존 모델을 미세 조정하는 것이 합리적입니까?

공급망 가시성을 개선하는 데 사용할 수 있는 C3 Generative AI와 같은 기성 생성 AI 솔루션이 있습니다. 이러한 솔루션은 매우 강력할 수 있지만 공급망 최적화를 위해 이를 사용하는 회사는 다음과 같은 과제에 직면할 수 있습니다.

• 이러한 솔루션은 범용 모델로 설계되는 경우가 많기 때문에 해당 분야에 대한 전문 지식이 부족합니다.
• 결과는 훈련 데이터세트에 따라 달라집니다. 품질이 낮거나 편견이 있거나 단순히 회사 데이터와 일치하지 않는 경우 생성된 콘텐츠에 이러한 문제가 반영됩니다.
• 알고리즘은 데이터의 세부 사항을 이해하지 못하기 때문에 비즈니스와 관련 없는 결과를 생성할 수 있습니다.

최적의 성능을 위해 모든 조직은 공급망 컨설턴트가 새로운 AI 모델을 개발하거나 기존 AI 모델을 미세 조정하여 도메인별 지식을 추가할 수 있도록 IT를 고용할 수 있습니다. 이 접근 방식에는 다음과 같은 이점이 있습니다.

• 정확도 향상
• 조직의 요구에 맞게 조정
• 귀하의 프로세스에 쉽게 통합 가능
• 맞춤형 개발의 경우 기술의 완전한 소유권
• 산업별 규정 준수 요구 사항 준수

그러나 맞춤형 알고리즘은 처음부터 구축되고 교육 및 검증이 필요하므로 비용이 더 많이 들고 배포하는 데 시간이 더 오래 걸린다는 점을 명심하세요. 따라서 최종 선택은 비즈니스 요구 사항과 사용 가능한 예산 간의 균형을 맞추는 것입니다.

공급망의 5가지 주요 생성 AI 사용 사례

사용 사례 1: 효율적으로 재고에 접근

생성적 AI는 대량의 데이터를 분석하고 현재 추세를 고려하여 재고를 더 잘 처리하는 방법에 대한 정책과 제안을 제시할 수 있습니다. 이 기술이 재고 관리에 어떻게 기여할 수 있는지는 다음과 같습니다.

• 동적 재고 정책 추천: 알고리즘이 지속적으로 판매 정보 및 수요 동향을 분석하여 시장 요구에 대응하기 위해 다양한 품목의 재고 수준 조정을 실시간으로 제안합니다.
• 재고의 인기 품목이 떨어지지 않도록 안전 재고 수준 계산: AI 모델은 변동하는 수요, 계절 및 기타 요인을 기반으로 최적의 안전 수준을 계산할 수 있습니다.
• 급격한 수요 증가, 공급 교란 등 재고에 영향을 미칠 수 있는 다양한 시나리오를 시뮬레이션합니다. 이를 통해 기업은 필요할 때 재입고를 위한 비상 계획을 세울 수 있습니다.
• 재고 낭비 줄이기: Generative AI는 보유 비용이 많이 드는 느리게 움직이는 재고 항목을 찾아내고 할인, 마케팅 캠페인과 같은 제품 흐름을 개선하기 위한 전략을 추천할 수 있습니다.
• 다양한 제품에 대한 가장 효과적인 보관 및 유통 전략 마련

실제 사례

Stitch Fix는 캘리포니아에 본사를 둔 패션 회사입니다. 광범위한 고객 선호도 데이터 및 기타 정보를 기반으로 생성 AI 알고리즘을 교육했으며, 모델은 어떤 의류 제품의 수요가 높을지 예측하고 재고 재입고 권장 사항을 제시했습니다. 그 결과 회사는 보관 및 물품 취급과 관련된 비용이 25% 감소했다고 보고했습니다.

사용 사례 2: 배송물을 더 빠르고 저렴하게 배송

기업은 공급망 관리에 생성적 AI를 사용하여 기상 조건, 교통 패턴 및 배송에 대한 대량의 데이터를 분석하여 공급업체가 제품/자재를 더 빠르고 저렴하게 배송할 수 있도록 최적화된 경로 맵을 구축할 수 있습니다.

또한 이 모델은 계획된 경로에서 교통 정체, 사고 또는 기타 문제가 있는 경우 실시간으로 데이터를 모니터링하여 이미 운송 중인 배송을 리디렉션할 수 있습니다. 이러한 동적 경로 계획은 운전자가 즉각적으로 조정하고 교통 정체로 인해 시간을 낭비하는 것을 방지하는 데 도움이 됩니다.

기업들은 이러한 이점을 인식하고 물류 시장의 생성 AI가 빠르게 성장하고 있습니다. 2022년에 4억 1,200만 달러로 평가되었으며, 2032년 말까지 무려 43.5%의 CAGR로 성장하여 139억 4,800만 달러로 급등할 것으로 예상됩니다.

실제 사례

한 제조업체는 재고를 관리하고 공급망 프로세스를 최적화하기 위해 생성 AI를 자사 운영에 통합했습니다. 시스템은 실시간 데이터를 분석하고 경로 재지정 옵션을 권장했습니다. 회사는 AI 배포 후 첫 6개월 동안 물류 비용을 12% 절감했다고 보고했습니다.

사용 사례 3: 지속 가능하고 윤리적인 공급망 보장

연구에 따르면 비즈니스 리더는 지속 가능성 노력을 포함하는 윤리적인 공급망을 향해 나아가고 있으며 생성 AI가 이러한 이니셔티브에 도움이 될 수 있습니다. 알고리즘은 에너지 효율성, 폐기물 생산, 지속 가능한 제조 관행, 원자재 소싱 등 공개적으로 사용 가능한 공급업체 데이터를 분석하여 어느 공급업체가 환경 영향 목표에 더 적합한지 결정할 수 있습니다.

또한 AI 모델은 기존 계약자가 낭비를 줄일 수 있는 영역을 정확히 찾아낼 수 있습니다. 예를 들어 포장 디자인이나 물류 프로세스 변경을 제안할 수 있습니다. 공급업체가 친환경 관행을 수용하는 경우 이러한 통찰력을 공급업체와 공유할 수 있습니다. 이렇게 하면 공급업체 파트너십을 종료하지 않고도 지속 가능성 목표를 달성할 수 있습니다.

실제 사례

기업은 생성적 AI 알고리즘을 사용하여 공급망 내에서 지속 불가능하고 비윤리적인 관행을 찾아냅니다. 예를 들어, Siemens와 Unilever는 서문에서 언급한 중국 내 위구르 무슬림 탄압과 관련된 공급업체를 식별하기 위해 이 접근 방식을 사용합니다.

또 다른 예는 세관 신고서 및 선적 문서와 같은 데이터를 분석하여 제품을 다른 공급업체로 추적하고 자체 제품이 윤리적으로 사용되는지 확인하는 생성적 AI 모델을 구축한 캘리포니아 기반 Frenzy AI에서 나옵니다.

사용 사례 4: 고객의 요구 사항 예측

생성적 AI 모델은 과거 판매, 계절적 추세, 경제 데이터, 경쟁사 활동, 고객 감정 등과 같은 다양한 유형의 데이터를 처리하여 수요를 예측할 수 있습니다. 알고리즘은 이 모든 것을 실시간으로 모니터링하여 향후 동향이 나타나는 즉시 이를 알려줄 수 있습니다. 생성 AI는 다음 작업을 수행할 수 있습니다.

• 다양한 제품과 서비스에 대한 수요를 예측하여 기업이 공급업체에 알리고 재입고하며 고객에게 더 나은 서비스를 제공할 수 있습니다.
• 기업이 준비할 수 있도록 수요가 어떻게 변할 수 있는지에 대한 다양한 시나리오를 모델링하세요. 예를 들어 가격 및 마케팅 전략 변경이 수요에 어떤 영향을 미치는지 보여줄 수 있습니다.

실제 사례

Walmart는 생성적 AI 기반 수요 예측 시스템을 사용하여 고객이 각 개별 매장에서 무엇을 필요로 할지 예측합니다. 이 거대 소매업체는 또한 이 기술을 사용하여 블랙 프라이데이 행사 중 고객 행동을 분석하고 잠재적인 병목 현상을 예측합니다.

사용 사례 5: 적합한 공급업체 찾기 및 협상

대량의 공급망 데이터를 분석할 수 있으므로 생성 AI는 귀중한 권장 사항을 제공하고 공급업체 조사를 지원할 수 있습니다. 기술이 할 수 있는 일은 다음과 같습니다.

• 공급업체 순위 지정: 알고리즘은 원자재 가격 및 품질과 같은 사전 정의된 기준을 기반으로 공급업체 순위를 지정할 수 있습니다.
• 지속 가능성 관행 평가: 여기에는 잠재적 공급업체의 환경 발자국, 사회적 책임 및 폐기물 생산 평가가 포함됩니다.
• 지정학적 위험, 경제적 요인, 기타 취약성 등 각 공급업체와 관련된 위험 평가
• 공급업체별 맞춤형 계약 협상 전략 생성

또한 AI 알고리즘은 파트너 공급업체를 지속적으로 모니터링하여 계약 의무를 준수하고 예상되는 품질 수준을 유지하는지 확인할 수 있습니다.

실제 사례

Walmart는 공급업체와 거래를 협상할 수 있는 Pactum AI의 생성 AI 봇을 실험했습니다. 이러한 접근 방식을 통해 소매업체는 계약 비용을 약 3% 절감할 수 있었습니다. 놀랍게도 (또는 아니더라도) 공급업체 4곳 중 3곳은 실제로 봇과 협상하는 것을 선호했습니다.

공급망 관리에서 생성적 AI로 직면할 수 있는 과제

생성 AI 구현에 관심이 있다면 다음과 같은 과제에 직면할 준비를 하십시오.

데이터 관련 문제

생성적 AI 모델이 작업을 수행하려면 대량의 고품질 데이터가 필요합니다. 데이터가 단편화되어 있고 불완전하며 오래된 경우 결과가 정확하지 않습니다. 그리고 어떤 종류의 공급업체 데이터가 공개되는지 제어할 수 없으므로 다른 사람이 제공한 데이터에 의존할 때는 합리적인 기대치를 설정하도록 노력하십시오.

모델은 판매 내역, 재무 통계와 같은 조직 데이터에서도 작동합니다. 이는 귀하가 제어할 수 있는 데이터이므로 깨끗하고 편견이 없으며 접근 가능해야 합니다.

기존 시스템과의 통합

새로운 AI 솔루션은 기존 시스템에 원활하게 통합되어야 하며 다른 애플리케이션에 연결하여 해당 데이터에 액세스해야 합니다. 여기에는 레거시 시스템을 조정하는 작업이 포함될 수 있으며 이는 엄청난 과제입니다. 그리고 일부 프로세스를 다시 엔지니어링해야 할 수도 있습니다. 생성적 AI는 또한 매우 강력하며 상당한 컴퓨팅 리소스와 데이터 저장 용량이 필요합니다. 인프라를 조정하거나 클라우드 호스팅을 준비하는 것을 고려해보세요.

또한 공급업체의 소프트웨어와 통합하고 해당 워크플로에 맞춰 조정해야 할 수도 있습니다. 데이터 수집에 사용할 수 있는 전용 API가 있는지 확인하세요.

AI 사용과 관련된 과제

• 때로는 AI 설명 가능성이 부족한 것이 문제가 될 수 있습니다. 생성 AI가 이러한 응답/제안/전략을 생성한 이유를 설명하는 것이 항상 가능한 것은 아닙니다. 규정 준수 보고서를 예로 들어 보겠습니다. 조직이 ISO 인증을 받으려면 프로세스를 문서화하여 준수 여부를 표시해야 합니다. 그러나 보고를 위해 생성 AI에 너무 많이 의존한다면 그렇게 하지 못할 수도 있습니다.
• AI 사용에 대한 업계 표준과 운영 영역의 일반 개인 정보 보호 규정을 준수해야 합니다.

배포 후 문제

• 모든 AI 시스템은 대량의 민감한 정보를 처리하므로 보안을 염두에 두고 설계해야 합니다. 데이터 보안을 보장하기 위해 기업이 따라야 할 일련의 관행이 있습니다. 여기에는 전송 중 및 저장 중인 데이터 암호화, 인증 메커니즘 구현, 무단 액세스 모니터링 등이 포함됩니다. 또한 공급업체 네트워크와 데이터를 공유해야 합니다. 이것도 안전한지 확인하세요.
• AI 모델의 효율성과 관련성을 유지하려면 정기적인 감사, 성능 평가, 업데이트가 필요합니다.

인적 요소

공급망 관리를 위해 생성적 AI를 배포한 후 직원이 이를 수용하고 사용하며 개선에 기여하기를 원합니다. 인간-AI ​​협업을 관리하는 규칙을 공식화하고 최종 결과에 대한 책임을 누가 지정하는지 명시하는 것이 가장 좋습니다. 그리고 이것은 도전입니다. 아무도 사고 싶어하지 않는 제품으로 재고가 넘쳐난다면 누구의 책임일까요? 그리고 AI가 선정한 공급업체가 두 번 연속 제 시간에 납품하지 못하면 누구의 책임일까요?

회사는 또한 직원들이 AI를 사용하고 보안 데이터 관행을 따르도록 교육할 책임이 있습니다.

생성적 AI가 필요하다고 확신하시나요? 다음에 수행할 작업은 다음과 같습니다.

다음은 AI 구현을 시작하는 데 도움이 되는 9가지 팁입니다.

• 공급망용 생성 AI를 통해 비즈니스 목표와 달성하려는 목표를 정의하세요. 이를 통해 모델이 액세스해야 하는 데이터가 결정됩니다.
• 알고리즘이 최신 정보에 액세스할 수 있도록 자동화된 데이터 수집을 고려하세요.
• AI 및 ML 알고리즘에서 사용할 데이터를 준비합니다.
• 필요한 경우 훈련 데이터 사용에 대한 동의를 얻고 데이터 개인 정보 보호 규정을 준수하십시오.
• 강력한 데이터 거버넌스 관행을 확립하거나 타사 데이터 관리 서비스를 활용하세요.
• 조직과 공급업체 간의 데이터 협업을 촉진하세요.
• 신뢰할 수 있는 AI 공급업체를 고용하여 고유한 요구 사항을 해결할 수 있는 생성적 AI 알고리즘을 구축하거나 맞춤화하세요.
• 소규모 파일럿 프로젝트로 시작하고 실패로부터 배우세요.
• 배포 후 모델을 모니터링합니다. 사용자가 우려 사항과 권장 사항을 보고할 수 있는 피드백 루프를 구현합니다.

AI 구현과 관련된 비용이 궁금하다면 인공지능 비용에 대한 자세한 기사를 확인하세요.

공급망 관리를 위한 생성 AI 사용과 관련하여 질문이 있거나 프로젝트에 대한 정확한 비용 견적을 원하는 경우 연락하세요. AI 모델을 구축/맞춤화하고, 데이터 수집 및 정리를 지원하고, 필요에 따라 모델을 감사할 수 있도록 도와드립니다.

이 기사는 원래 Itrex 웹사이트에 게시되었습니다.