供应链生成式人工智能：开创效率和可持续发展的新时代

就在最近，德国联邦经济事务和出口管制办公室对大众、宝马和梅赛德斯奔驰提出了投诉，因为这些公司未能发现其供应链中的不道德行为。 显然，这些汽车制造巨头依赖的是中国受压迫的维吾尔少数民族在强迫劳动下开采的原材料。

如今，很难控制自己的库存，更不用说监控整个供应链了。 幸运的是，生成式人工智能似乎拥有应对这些问题所需的工具。 您可以聘请生成式人工智能咨询公司来帮助您预测客户需求，发现供应链中任何有问题的做法，并找到符合您的环境和道德目标的新供应商。

感兴趣的？ 然后让我们看看生成式人工智能还能为供应链做些什么，以及在实施过程中会遇到哪些挑战。

什么是供应链中的生成式人工智能？

生成式人工智能是一种可以创建新内容的技术，例如文本、图像，甚至文档，类似于它所训练的示例。 它就像一个智能助手，可以按需生成新内容，而无需针对每种内容类型进行专门编程。

在供应链背景下，生成式人工智能对大量供应链相关数据进行训练，例如物流信息、销售历史、库存记录等，并产生不同类型的洞察，包括优化路线图、需求预测、供应商评估报告和补货策略。

生成式人工智能与传统人工智能技术有何不同？

传统人工智能擅长分析历史数据和识别模式。 它具有广泛的功能，包括自然语言处理、计算机视觉和机器学习，而生成式人工智能仅专注于生成看起来像是由人类生成的内容。

我们日常生活中传统人工智能的例子包括自动驾驶汽车、您最喜欢的购物网站上的推荐引擎或 Siri 或 Alexa 等语音助手。 生成式人工智能的例子围绕内容创作。 它们包括生成类似人类文本的 ChatGPT 和生成图像的 DeepDream。

您可以在我们的博客上详细了解传统人工智能在实现供应链弹性方面的作用。

供应链生成式人工智能为您的企业带来的好处

部署生成式人工智能后，即使您将其应用于一两个用例，您的公司也将体验到以下部分或全部好处：

• 生成式人工智能可以优化补货和采购等流程，并找到更快、更便宜的运输替代方案，从而提高效率
• 降低劳动力成本，因为它将自动执行预测和报告生成等繁琐的任务
• 提高可扩展性，因为人工智能可以接管额外的负载，而无需雇用更多人员
• 算法可以预测需求并确保库存永远不会耗尽客户最喜爱的产品，从而提高客户满意度
• 人工智能可以预测并解决供应链问题，从而简化运营
• 员工的工作效率更高，因为他们现在可以专注于更适合自己资格的任务，而人工智能模型则可以处理大型报告生成和其他繁琐的任务

构建自定义生成人工智能模型或微调现有模型是否有意义？

有现成的生成式人工智能解决方案，例如 C3 生成式人工智能，可用于提高供应链可视性。 虽然这些解决方案非常强大，但使用它们进行供应链优化的公司可能会遇到以下挑战：

• 缺乏您所在领域的专业知识，因为这些解决方案通常被设计为通用模型
• 结果将取决于训练数据集。 如果质量差、包含偏见或根本不符合您公司的数据，生成的内容将反映这些问题。
• 这些算法可能会产生与您的业务无关的内容，因为它们不了解您数据的具体情况

为了获得最佳性能，每个组织都可以聘请供应链 IT 顾问来开发新的或微调现有的人工智能模型，以添加特定领域的知识。 这种方法将有以下好处：

• 提高准确性
• 根据您的组织需求量身定制
• 易于集成到您的流程中
• 定制开发时拥有完全的技术所有权
• 遵守行业特定的合规要求

但请记住，定制算法成本更高，部署时间也更长，因为它们是从头开始构建的，需要进行训练和验证。 因此，最终的选择是在您的业务需求和可用预算之间进行权衡。

供应链中的五个关键生成式人工智能用例

用例 1：高效处理库存

生成式人工智能可以分析大量数据，并根据当前趋势提出如何更好地处理库存的政策和建议。 以下是该技术如何为库存管理做出贡献：

• 推荐动态库存政策：算法不断分析销售信息和需求趋势，实时建议调整各种商品的库存水平，以响应市场需求。
• 计算安全库存水平以确保库存不会耗尽热门商品：人工智能模型可以根据波动的需求、季节和其他因素计算最佳安全水平。
• 模拟可能影响库存的不同场景，例如需求急剧增加和供应干扰：这使公司能够在需要时制定补充库存的应急计划。
• 减少库存浪费：生成式人工智能可以发现导致高持有成本的滞销库存商品，并推荐改善产品流程的策略，例如折扣和营销活动。
• 针对不同产品提出最有效的存储和分配策略

现实生活中的例子

Stitch Fix 是一家总部位于加利福尼亚州的时装公司。 该公司根据广泛的客户偏好数据和其他信息训练生成式人工智能算法，该模型预测哪些服装产品需求量很大，并提出库存补货建议。 结果，该公司报告与存储和物品处理相关的成本降低了 25%。

用例 2：更快、更便宜地运送货物

公司可以使用生成式人工智能进行供应链管理，分析有关天气状况、交通模式和货运的大量数据，以构建优化的路线图，以便供应商能够更快、更便宜地交付产品/材料。

如果计划路线沿线出现交通拥堵、事故或任何其他问题，这些模型还可以实时监控数据，以重定向已经在运输途中的货物。 这种动态路线规划将帮助驾驶员即时调整，避免在交通堵塞中浪费时间。

企业认识到这一优势，物流市场中的生成式人工智能正在快速增长。 2022 年估值为 4.12 亿美元，预计到 2032 年底将飙升至 139.48 亿美元，复合年增长率高达 43.5%。

现实生活中的例子

一家制造商将生成式人工智能集成到其运营中，以管理库存并优化供应链流程。 该系统分析实时数据并推荐重新路由选项。 该公司报告称，在人工智能部署的前六个月内，物流费用削减了 12%。

用例 3：确保可持续且道德的供应链

研究表明，企业领导者正在走向道德供应链，其中包括可持续发展努力，而生成式人工智能可以为这一举措提供帮助。 算法可以分析公开的供应商数据，例如能源效率、废物产生、可持续制造实践和原材料采购，以确定哪个供应商更适合您的环境影响目标。

此外，人工智能模型可以查明现有承包商可以减少浪费的领域。 例如，它可以建议改变包装设计或物流流程。 如果您的供应商愿意采取环保做法，您可以与他们分享这些见解。 这样，您仍然可以实现可持续发展目标，而无需终止与供应商的合作伙伴关系。

现实生活中的例子

公司依靠生成式人工智能算法来发现供应链中不可持续和不道德的做法。 例如，引言中提到，西门子和联合利华使用这种方法来识别与镇压中国维吾尔穆斯林有关的供应商。

另一个例子来自加利福尼亚州的 Frenzy AI，该公司构建了一个生成人工智能模型，可以分析报关单和运输文件等数据，以追踪产品到不同的供应商，并检查他们自己的产品是否符合道德使用。

用例 4：预测客户需求

生成式人工智能模型可以处理不同类型的数据，如历史销售、季节性趋势、经济数据、竞争对手活动、客户情绪等，以预测需求。 这些算法可以实时监控所有这一切，一旦出现趋势就通知您。 生成式人工智能可以完成以下任务：

• 预测对不同产品和服务的需求，使公司能够通知供应商、补货并更好地为客户服务
• 对需求如何变化的不同场景进行建模，以便公司做好准备。 例如，它可以显示改变定价和营销策略如何影响需求。

现实生活中的例子

沃尔玛依靠基于人工智能的生成式需求预测系统来预测顾客在每个商店的需求。 这家零售巨头还使用该技术来分析黑色星期五活动期间的客户行为，并预测任何潜在的瓶颈。

用例 5：寻找合适的供应商并与他们谈判

由于生成式人工智能可以分析大量供应链数据，因此可以提供有价值的建议并协助供应商审查。 该技术可以做到以下几点：

• 对供应商进行排名：算法可以根据预定义的标准对供应商进行排名，例如原材料的定价和质量
• 评估可持续发展实践：这包括评估潜在供应商的环境足迹、社会责任和废物产生
• 评估与每个供应商相关的风险，例如地缘政治风险、经济因素和其他脆弱性
• 制定适合每个供应商的合同谈判策略

人工智能算法还可以继续监控合作供应商，以确保他们履行合同义务并保持预期的质量水平。

现实生活中的例子

沃尔玛试验了 Pactum AI 的生成式人工智能机器人，它可以与供应商进行交易谈判。 这种方法帮助零售商节省了约 3% 的合同费用。 令人惊讶（或不令人惊讶）的是，四分之三的供应商实际上更愿意与机器人进行谈判。

在供应链管理中使用生成式人工智能可能会遇到的挑战

如果您有兴趣实施生成式人工智能，请准备好面对以下挑战：

数据相关问题

生成式人工智能模型需要大量高质量数据才能完成工作。 如果数据碎片化、不完整、过时，结果将不准确。 而且您无法控制哪种供应商数据是公开的，因此当您依赖其他人提供的数据时，请尝试设定合理的期望。

这些模型还将对您的组织数据进行操作，例如销售历史记录和财务统计数据。 这是您可以控制的数据，因此请确保其干净、无偏见且易于访问。

与现有系统集成

您的新人工智能解决方案需要无缝地融入现有系统并连接到其他应用程序以访问其数据。 这可能涉及调整遗留系统，这是一个巨大的挑战。 您可能需要重新设计一些流程。 生成式人工智能也非常强大，需要大量的计算资源和数据存储容量。 考虑调整您的基础设施或安排云托管。

此外，您可能需要与供应商的软件集成并与他们的工作流程保持一致。 检查他们是否有可用于数据收集的专用 API。

与人工智能使用相关的挑战

• 有时，人工智能缺乏可解释性可能是一个问题。 并不总是能够解释为什么生成式人工智能会产生这种响应/建议/策略。 以合规报告为例。 如果一个组织想要获得 ISO 认证，它需要记录其流程以显示合规性。 但如果它过于依赖生成式人工智能进行报告，它可能无法做到这一点。
• 您需要遵守使用人工智能的行业标准以及您所在运营区域的一般隐私法规。

部署后问题

• 任何人工智能系统的设计都必须考虑到安全性，因为它需要处理大量敏感信息。 公司需要遵循一系列实践来确保数据安全。 这包括在传输期间和静态时加密数据、实施身份验证机制以及监控未经授权的访问等等。 您还需要与供应商网络共享数据。 确保这也是安全的。
• 人工智能模型需要定期审核、性能评估和更新，以保持高效和相关性。

人为因素

在为供应链管理部署生成式人工智能后，您希望员工接受它、使用它并为其改进做出贡献。 最好制定正式的规则来管理人类与人工智能的协作，并指定谁对最终结果负责。 这是一个挑战。 如果库存中充斥着没人愿意购买的产品，谁该负责？ 如果AI选定的供应商连续两次未能按时交货，谁该负责？

该公司还负责培训员工使用人工智能并遵循安全数据实践。

确信您需要生成式人工智能吗？ 这是下一步该做什么

以下九个技巧将帮助您开始实施人工智能：

• 定义您的业务目标以及您希望通过供应链生成式 AI 实现的目标。 这将确定您的模型需要访问哪些数据。
• 考虑自动数据收集，以便您的算法能够访问最新信息。
• 准备供 AI 和 ML 算法使用的数据。
• 确保您在需要时获得使用训练数据的同意并遵守数据隐私法规。
• 建立强大的数据治理实践或利用第三方数据管理服务。
• 促进您的组织和供应商之间的数据协作。
• 聘请可靠的人工智能供应商来构建或定制能够满足您独特需求的生成式人工智能算法。
• 从小规模试点项目开始，从失败中吸取教训。
• 部署后监视模型。 实施反馈循环，允许用户报告他们的担忧和建议。

如果您想了解与人工智能实施相关的成本，请查看我们关于人工智能成本的详细文章。

如果您对使用生成式人工智能进行供应链管理有任何疑问，或者想要为您的项目获得准确的成本估算，请联系我们。 我们将帮助您构建/定制人工智能模型，支持您的数据收集和清理，并按需审核您的模型。

本文最初发布于 Itrex 网站。