Generatywna sztuczna inteligencja dla łańcuchów dostaw: pionierstwo w nowej erze wydajności i zrównoważonego rozwoju

Niedawno do niemieckiego Federalnego Urzędu ds. Gospodarki i Kontroli Eksportu złożono skargę na Volkswagen, BMW i Mercedes Benz, ponieważ firmy nie dostrzegły nieetycznych praktyk w swoich łańcuchach dostaw. Najwyraźniej giganci produkujący samochody polegali na surowcach wydobywanych w ramach pracy przymusowej przez uciskane mniejszości ujgurskie w Chinach.

W dzisiejszych czasach trudno jest kontrolować własne zapasy, nie mówiąc już o monitorowaniu całych łańcuchów dostaw. Na szczęście wydaje się, że generatywna sztuczna inteligencja ma narzędzia, których potrzebujesz, aby sobie z tym poradzić. Możesz zatrudnić firmę konsultingową zajmującą się generatywną sztuczną inteligencją, która pomoże Ci przewidzieć zapotrzebowanie klientów, odkryć wszelkie wątpliwe praktyki w łańcuchu dostaw i znaleźć nowych dostawców, którzy odpowiadają Twoim celom środowiskowym i etycznym.

Zainteresowany? Zobaczmy zatem, co jeszcze generatywna sztuczna inteligencja może zrobić dla łańcucha dostaw i jakich wyzwań można się spodziewać podczas wdrożenia.

Czym jest generatywna sztuczna inteligencja w łańcuchu dostaw?

Generatywna sztuczna inteligencja to technologia, która może tworzyć nowe treści, takie jak tekst, obrazy, a nawet dokumenty, podobne do przykładów, na których została przeszkolona. To jak inteligentny asystent, który może tworzyć nowe treści na żądanie, bez specjalnego programowania dla każdego typu treści.

W kontekście łańcucha dostaw generatywna sztuczna inteligencja trenuje na ogromnych ilościach danych związanych z łańcuchem dostaw, takich jak informacje logistyczne, historia sprzedaży, zapisy dotyczące zapasów itd., i generuje różnego rodzaju spostrzeżenia, w tym zoptymalizowane mapy tras, prognozy popytu, ocenę dostawców raporty i strategie uzupełniania zapasów.

Czym generatywna sztuczna inteligencja różni się od tradycyjnej technologii sztucznej inteligencji?

Konwencjonalna sztuczna inteligencja specjalizuje się w analizowaniu danych historycznych i identyfikowaniu wzorców. Ma szeroki zakres możliwości, w tym przetwarzanie języka naturalnego, widzenie komputerowe i uczenie maszynowe, podczas gdy generatywna sztuczna inteligencja koncentruje się wyłącznie na tworzeniu treści, które wyglądają tak, jakby były generowane przez ludzi.

Przykładami tradycyjnej sztucznej inteligencji w naszym codziennym życiu są samochody autonomiczne, silniki rekomendacji w Twojej ulubionej witrynie zakupowej lub asystenci głosowi, tacy jak Siri czy Alexa. Przykłady generatywnej sztucznej inteligencji dotyczą tworzenia treści. Należą do nich ChatGPT, który generuje tekst przypominający ludzki, oraz DeepDream, który generuje obrazy.

Więcej informacji na temat roli konwencjonalnej sztucznej inteligencji w zapewnianiu odporności łańcucha dostaw można znaleźć na naszym blogu.

Korzyści z generatywnej sztucznej inteligencji dla łańcucha dostaw dla Twojej firmy

Po wdrożeniu generatywnej sztucznej inteligencji, nawet jeśli zastosujesz ją w jednym lub dwóch przypadkach, Twoja firma odczuje niektóre lub wszystkie z następujących korzyści:

• Większa wydajność, ponieważ generatywna sztuczna inteligencja może optymalizować procesy, takie jak uzupełnianie zapasów i zaopatrzenie, a także znajdować szybsze i tańsze alternatywy wysyłki
• Obniżone koszty pracy, ponieważ zautomatyzuje żmudne zadania, takie jak prognozowanie i generowanie raportów
• Poprawiona skalowalność, ponieważ sztuczna inteligencja może przejąć dodatkowe obciążenie bez konieczności zatrudniania większej liczby osób
• Większe zadowolenie klientów, ponieważ algorytmy mogą prognozować popyt i zapewniać, że w magazynie nigdy nie zabraknie ulubionych produktów Twoich klientów
• Usprawnione operacje, ponieważ sztuczna inteligencja może przewidywać i rozwiązywać problemy w łańcuchu dostaw
• Bardziej produktywni pracownicy, ponieważ mogą teraz skupić się na zadaniach, które lepiej odpowiadają ich kwalifikacjom, podczas gdy modele AI radzą sobie z generowaniem dużych raportów i innymi żmudnymi zadaniami

Czy ma sens budowanie niestandardowych modeli generatywnej sztucznej inteligencji lub dostrajanie istniejących?

Istnieją gotowe rozwiązania generatywnej AI, takie jak C3 Generative AI, które można wykorzystać do poprawy widoczności łańcucha dostaw. Chociaż rozwiązania te mogą być bardzo wydajne, firma wykorzystująca je do optymalizacji łańcucha dostaw może napotkać następujące wyzwania:

• Brak wiedzy specjalistycznej w Twojej dziedzinie, ponieważ rozwiązania te są często projektowane jako modele ogólnego przeznaczenia
• Wynik będzie zależał od zbioru danych szkoleniowych. Jeśli był niskiej jakości, zawierał stronniczość lub po prostu nie pasował do danych Twojej firmy, wygenerowana treść będzie odzwierciedlać te problemy.
• Algorytmy mogą wygenerować coś nieistotnego dla Twojej firmy, ponieważ nie rozumieją specyfiki Twoich danych

Aby uzyskać optymalną wydajność, każda organizacja może zatrudnić konsultanta ds. IT ds. łańcucha dostaw w celu opracowania nowych lub udoskonalenia istniejących modeli sztucznej inteligencji w celu dodania wiedzy specyficznej dla danej dziedziny. Takie podejście będzie miało następujące korzyści:

• Zwiększona dokładność
• Dostosowane do Twoich potrzeb organizacyjnych
• Łatwa integracja z procesami
• Pełna własność technologii w przypadku opracowania niestandardowego
• Przestrzeganie wymagań zgodności specyficznych dla branży

Należy jednak pamiętać, że algorytmy tworzone na zamówienie są droższe, a ich wdrożenie zajmuje więcej czasu, ponieważ są budowane od podstaw i wymagają szkolenia i walidacji. Zatem ostateczny wybór to kompromis między potrzebami biznesowymi a dostępnym budżetem.

Pięć kluczowych przypadków użycia generatywnej sztucznej inteligencji w łańcuchu dostaw

Przypadek użycia 1: Efektywne podejście do zapasów

Generatywna sztuczna inteligencja może analizować duże ilości danych i opracowywać zasady i sugestie dotyczące lepszego zarządzania zapasami, biorąc pod uwagę obecne trendy. Oto, w jaki sposób ta technologia może przyczynić się do zarządzania zapasami:

• Rekomendowanie dynamicznych zasad dotyczących zapasów: Algorytmy stale analizują informacje o sprzedaży i trendy popytu, aby w czasie rzeczywistym sugerować korekty poziomów zapasów różnych artykułów w celu reagowania na potrzeby rynku.
• Obliczanie poziomów zapasów bezpieczeństwa, aby mieć pewność, że w magazynie nie zabraknie popularnych artykułów: modele AI mogą obliczyć optymalne poziomy bezpieczeństwa na podstawie zmieniającego się popytu, pór roku i innych czynników.
• Symulowanie różnych scenariuszy, które mogą mieć wpływ na zapasy, takich jak gwałtowny wzrost popytu i zakłócenia podaży: umożliwia to firmom opracowanie planu awaryjnego dotyczącego uzupełnienia zapasów w razie potrzeby.
• Ograniczanie marnowania zapasów: Generatywna sztuczna inteligencja może wykryć wolno rotujące pozycje w magazynie, które powodują wysokie koszty przechowywania, i zaleca strategie mające na celu poprawę przepływu produktów, takie jak rabaty i kampanie marketingowe.
• Wymyślanie najskuteczniejszych taktyk przechowywania i dystrybucji różnych produktów

Przykład z życia wzięty

Stitch Fix to firma modowa z siedzibą w Kalifornii. Przeszkolił algorytmy generatywnej sztucznej inteligencji na podstawie obszernych danych o preferencjach klientów i innych informacji, a model przewidział, na które produkty odzieżowe będzie duży popyt, i wydał zalecenia dotyczące uzupełniania zapasów. W rezultacie firma odnotowała 25% spadek kosztów związanych z magazynowaniem i obsługą towarów.

Przypadek użycia 2: Dostarczanie przesyłek szybciej i taniej

Firmy mogą wykorzystywać generatywną sztuczną inteligencję do zarządzania łańcuchem dostaw w celu analizowania dużych ilości danych na temat warunków pogodowych, wzorców ruchu i przesyłek w celu tworzenia zoptymalizowanych map tras, dzięki czemu dostawcy mogą dostarczać produkty/materiały szybciej i taniej.

Modele te mogą również monitorować dane w czasie rzeczywistym, aby przekierować przesyłki, które są już w tranzycie, jeśli na zaplanowanej trasie wystąpią korki, wypadki lub inne problemy. Takie dynamiczne plany tras pomogą kierowcom dostosowywać się na bieżąco i unikać marnowania godzin w korkach.

Firmy dostrzegają tę korzyść, a generatywna sztuczna inteligencja na rynku logistycznym szybko rośnie. W 2022 r. wyceniono go na 412 mln dolarów i oczekuje się, że do końca 2032 r. gwałtownie wzrośnie do 13,948 mld dolarów, przy wzroście CAGR wynoszącym aż 43,5%.

Przykład z życia wzięty

Jeden z producentów włączył generatywną sztuczną inteligencję do swoich operacji, aby zarządzać zapasami i optymalizować procesy w łańcuchu dostaw. System analizował dane w czasie rzeczywistym i rekomendował opcje zmiany trasy. Firma poinformowała o obniżeniu wydatków logistycznych o 12% w ciągu pierwszych sześciu miesięcy wdrożenia sztucznej inteligencji.

Przypadek użycia 3: Zapewnienie zrównoważonego i etycznego łańcucha dostaw

Badania pokazują, że liderzy biznesu zmierzają w stronę etycznego łańcucha dostaw, który obejmuje wysiłki na rzecz zrównoważonego rozwoju, a generatywna sztuczna inteligencja może pomóc w tej inicjatywie. Algorytmy mogą analizować publicznie dostępne dane dostawców, takie jak efektywność energetyczna, produkcja odpadów, zrównoważone praktyki produkcyjne i pozyskiwanie surowców, aby zdecydować, który dostawca lepiej pasuje do Twoich celów dotyczących wpływu na środowisko.

Ponadto modele AI mogą wskazać obszary, w których Twój obecny wykonawca może zmniejszyć ilość odpadów. Może na przykład sugerować zmianę projektu opakowania lub procesu logistycznego. Możesz podzielić się tymi spostrzeżeniami ze swoim dostawcą, jeśli jest on otwarty na praktyki przyjazne dla środowiska. W ten sposób nadal możesz osiągnąć cele w zakresie zrównoważonego rozwoju bez przerywania partnerstwa z dostawcami.

Przykład z życia wzięty

Firmy polegają na generatywnych algorytmach sztucznej inteligencji, aby wykrywać niezrównoważone i nieetyczne praktyki w swoim łańcuchu dostaw. Na przykład Siemens i Unilever stosują to podejście do identyfikacji dostawców powiązanych z represjami wobec muzułmanów ujgurskich w Chinach, o których mowa we wstępie.

Inny przykład pochodzi z kalifornijskiej firmy Frenzy AI, która zbudowała generatywny model sztucznej inteligencji analizujący dane, takie jak zgłoszenia celne i dokumenty przewozowe, w celu śledzenia produktów od różnych dostawców i sprawdzania, czy ich własne produkty są wykorzystywane etycznie.

Przypadek użycia 4: Przewidywanie potrzeb klientów

Modele generatywne AI mogą przetwarzać różne typy danych, takie jak sprzedaż historyczna, trendy sezonowe, dane ekonomiczne, działania konkurencji, nastroje klientów itp., aby prognozować popyt. Algorytmy mogą to wszystko monitorować w czasie rzeczywistym, informując Cię o nadchodzących trendach, gdy tylko się pojawią. Generatywna sztuczna inteligencja może realizować następujące zadania:

• Przewiduj popyt na różne produkty i usługi, umożliwiając firmom powiadamianie dostawców, uzupełnianie zapasów i lepszą obsługę klientów
• Modeluj różne scenariusze zmian popytu, aby firmy mogły się przygotować. Może na przykład pokazać, jak zmiana cen i strategii marketingowych wpływa na popyt.

Przykład z życia wzięty

Walmart opiera się na generatywnym systemie prognozowania popytu opartym na sztucznej inteligencji, aby przewidzieć, czego będą potrzebować klienci w każdym sklepie. Gigant handlu detalicznego wykorzystuje tę technologię również do analizy zachowań klientów podczas wydarzeń z okazji Czarnego Piątku i przewidywania potencjalnych wąskich gardeł.

Przypadek użycia 5: Znalezienie odpowiedniego dostawcy i negocjacje z nim

Ponieważ może analizować duże ilości danych dotyczących łańcucha dostaw, generatywna sztuczna inteligencja może dawać cenne rekomendacje i pomagać w weryfikacji dostawców. Oto, co może zrobić ta technologia:

• Ranking dostawców: Algorytmy mogą klasyfikować dostawców na podstawie wcześniej zdefiniowanych kryteriów, takich jak ceny i jakość surowców
• Ocena praktyk w zakresie zrównoważonego rozwoju: Obejmuje to ocenę śladu środowiskowego potencjalnego dostawcy, odpowiedzialności społecznej i produkcji odpadów
• Ocena ryzyka związanego z każdym dostawcą, takiego jak ryzyko geopolityczne, czynniki ekonomiczne i inne słabe punkty
• Generowanie strategii negocjacji umów dostosowanych do każdego dostawcy

Algorytmy sztucznej inteligencji mogą również w dalszym ciągu monitorować dostawców partnerskich, aby upewnić się, że wywiązują się ze swoich zobowiązań umownych i utrzymują oczekiwany poziom jakości.

Przykład z życia wzięty

Walmart eksperymentował z generatywnym botem AI firmy Pactum AI, który może negocjować umowy z dostawcami. Takie podejście pomogło sprzedawcy zaoszczędzić około 3% na wydatkach wynikających z umowy. Co zaskakujące (lub nie), trzech na czterech dostawców faktycznie wolało negocjować z botem.

Wyzwania, jakie możesz napotkać w przypadku generatywnej sztucznej inteligencji w zarządzaniu łańcuchem dostaw

Jeśli jesteś zainteresowany wdrożeniem generatywnej sztucznej inteligencji, przygotuj się na stawienie czoła następującemu zestawowi wyzwań:

Problemy związane z danymi

Modele generatywnej sztucznej inteligencji do prawidłowego działania potrzebują dużych ilości danych wysokiej jakości. Jeśli dane są fragmentaryczne, niekompletne i nieaktualne, wyniki nie będą dokładne. Nie masz też wpływu na to, jaki rodzaj danych dostawców jest publicznie dostępny, dlatego staraj się mieć rozsądne oczekiwania, jeśli polegasz na danych oferowanych przez innych.

Modele będą również działać na danych organizacyjnych, takich jak historia sprzedaży i statystyki finansowe. To dane, nad którymi masz kontrolę, więc upewnij się, że są czyste, wolne od stronniczości i dostępne.

Integracja z istniejącymi systemami

Twoje nowe rozwiązanie AI musi bezproblemowo pasować do istniejącego systemu i łączyć się z innymi aplikacjami, aby uzyskać dostęp do ich danych. Może to wymagać dostosowania starszych systemów, co stanowi ogromne wyzwanie. Być może będziesz musiał przeprojektować niektóre procesy. Generatywna sztuczna inteligencja jest również bardzo wydajna i wymaga znacznych zasobów obliczeniowych i pojemności przechowywania danych. Rozważ dostosowanie swojej infrastruktury lub zorganizowanie hostingu w chmurze.

Ponadto prawdopodobnie będziesz musiał zintegrować oprogramowanie swoich dostawców i dostosować je do ich przepływów pracy. Sprawdź, czy mają dedykowane API, którego możesz użyć do gromadzenia danych.

Wyzwania związane z wykorzystaniem AI

• Czasami problemem może być brak możliwości wyjaśnienia sztucznej inteligencji. Nie zawsze można wyjaśnić, dlaczego generatywna sztuczna inteligencja stworzyła taką odpowiedź/sugestię/strategię. Weźmy za przykład raporty dotyczące zgodności. Jeśli organizacja chce uzyskać certyfikat ISO, musi udokumentować swoje procesy, aby wykazać zgodność. Jeśli jednak w nadmiernym stopniu będzie polegać na generatywnej sztucznej inteligencji w zakresie raportowania, może nie być w stanie tego zrobić.
• Musisz przestrzegać standardów branżowych dotyczących korzystania ze sztucznej inteligencji i ogólnych przepisów dotyczących prywatności obowiązujących w Twoim obszarze działalności.

Problemy po wdrożeniu

• Każdy system sztucznej inteligencji musi być zaprojektowany z myślą o bezpieczeństwie, ponieważ działa z dużą ilością wrażliwych informacji. Istnieje zestaw praktyk, które firmy muszą przestrzegać, aby zapewnić bezpieczeństwo danych. Obejmuje to między innymi szyfrowanie danych podczas przesyłania i przechowywania, wdrażanie mechanizmów uwierzytelniania i monitorowanie nieautoryzowanego dostępu. Będziesz także musiał udostępnić dane swojej sieci dostawców. Upewnij się, że jest to również bezpieczne.
• Aby modele AI pozostały skuteczne i istotne, wymagają regularnych audytów, ocen wyników i aktualizacji.

Czynnik ludzki

Po wdrożeniu generatywnej sztucznej inteligencji do zarządzania łańcuchem dostaw chcesz, aby pracownicy ją zaakceptowali, wykorzystali i przyczynili się do jej ulepszenia. Najlepiej sformalizować zasady, które będą rządzić współpracą człowieka z sztuczną inteligencją i określić, kto jest odpowiedzialny za ostateczne wyniki. I to jest wyzwanie. Kto jest winien, jeśli zapasy zostały zalane produktami, których nikt nie chce kupić? A kto ponosi odpowiedzialność, jeśli dostawca wybrany przez sztuczną inteligencję dwa razy z rzędu nie dostarczy na czas?

Firma jest również odpowiedzialna za szkolenie swoich pracowników w zakresie pracy ze sztuczną inteligencją i stosowania praktyk związanych z bezpiecznymi danymi.

Jesteś przekonany, że potrzebujesz generatywnej sztucznej inteligencji? Oto, co należy dalej zrobić

Oto dziewięć wskazówek, które pomogą Ci rozpocząć wdrażanie AI:

• Zdefiniuj swoje cele biznesowe i to, co chcesz osiągnąć dzięki generatywnej sztucznej inteligencji dla łańcucha dostaw. To określi, do jakich danych muszą mieć dostęp Twoje modele.
• Rozważ automatyczne gromadzenie danych, aby Twoje algorytmy miały dostęp do aktualnych informacji.
• Przygotuj swoje dane do wykorzystania przez algorytmy AI i ML.
• Upewnij się, że w razie potrzeby uzyskałeś zgodę na wykorzystanie danych szkoleniowych i przestrzegasz przepisów o ochronie danych.
• Ustanów solidne praktyki zarządzania danymi lub skorzystaj z usług zarządzania danymi stron trzecich.
• Wspieraj współpracę w zakresie danych między organizacją a dostawcami.
• Zatrudnij niezawodnego dostawcę sztucznej inteligencji, aby zbudować lub dostosować generatywne algorytmy sztucznej inteligencji, które zaspokoją Twoje unikalne potrzeby.
• Zacznij od projektu pilotażowego na małą skalę i ucz się na błędach.
• Monitoruj modele po wdrożeniu. Wdrożyj pętlę informacji zwrotnej, która umożliwi użytkownikom zgłaszanie swoich obaw i rekomendacji.

Jeśli zastanawiasz się nad kosztami związanymi z wdrożeniem AI, zapoznaj się z naszym szczegółowym artykułem na temat kosztów sztucznej inteligencji.

Skontaktuj się, jeśli masz pytania dotyczące wykorzystania generatywnej sztucznej inteligencji w zarządzaniu łańcuchem dostaw lub chcesz uzyskać dokładny kosztorys swojego projektu. Pomożemy Ci zbudować/dostosować modele AI, wesprzemy Cię w zbieraniu i czyszczeniu danych oraz przeprowadzimy audyt Twoich modeli na żądanie.

Artykuł ten został pierwotnie opublikowany na stronie internetowej Itrex.