供應鏈生成式人工智慧：開創效率與永續發展的新時代

就在最近，德國聯邦經濟事務和出口管制辦公室對大眾、寶馬和梅賽德斯-奔馳提出了投訴，因為這些公司未能發現其供應鏈中的不道德行為。 顯然，這些汽車製造巨頭依賴的是中國受壓迫的維吾爾少數民族在強迫勞動下開採的原料。

如今，很難控制自己的庫存，更不用說監控整個供應鏈了。 幸運的是，生成式人工智慧似乎擁有應對這些問題所需的工具。 您可以聘請生成式人工智慧顧問公司來幫助您預測客戶需求，發現供應鏈中任何有問題的做法，並找到符合您的環境和道德目標的新供應商。

感興趣的？ 然後讓我們看看生成式人工智慧還能為供應鏈做些什麼，以及在實施過程中會遇到哪些挑戰。

什麼是供應鏈中的生成式人工智慧？

生成式人工智慧是一種可以創建新內容的技術，例如文字、圖像，甚至文檔，類似於它所訓練的範例。 它就像一個智慧助手，可以按需產生新內容，而無需針對每種內容類型進行專門編程。

在供應鏈背景下，生成式人工智慧對大量供應鏈相關資料進行訓練，例如物流資訊、銷售歷史、庫存記錄等，並產生不同類型的洞察，包括優化路線圖、需求預測、供應商評估報告和補貨策略。

生成式人工智慧與傳統人工智慧技術有何不同？

傳統人工智慧擅長分析歷史數據和識別模式。 它具有廣泛的功能，包括自然語言處理、電腦視覺和機器學習，而生成式人工智慧僅專注於生成看起來像是由人類生成的內容。

我們日常生活中傳統人工智慧的例子包括自動駕駛汽車、您最喜歡的購物網站上的推薦引擎或 Siri 或 Alexa 等語音助理。 生成式人工智慧的例子圍繞著內容創作。 它們包括生成類似人類文本的 ChatGPT 和生成圖像的 DeepDream。

您可以在我們的部落格上詳細了解傳統人工智慧在實現供應鏈彈性方面的作用。

供應鏈生成式人工智慧為您的企業帶來的好處

部署生成式人工智慧後，即使您將其應用於一兩個用例，您的公司也將體驗到以下部分或全部好處：

• 生成式人工智慧可以優化補貨和採購等流程，並找到更快、更便宜的運輸替代方案，從而提高效率
• 降低勞動成本，因為它將自動執行預測和報告生成等繁瑣的任務
• 提高可擴展性，因為人工智慧可以接管額外的負載，而無需僱用更多人員
• 演算法可以預測需求並確保庫存永遠不會耗盡客戶最喜愛的產品，從而提高客戶滿意度
• 人工智慧可以預測並解決供應鏈問題，從而簡化營運
• 員工的工作效率更高，因為他們現在可以專注於更適合自己資格的任務，而人工智慧模型則可以處理大型報告生成和其他繁瑣的任務

建立自訂生成人工智慧模型或微調現有模型是否有意義？

有現成的生成式人工智慧解決方案，例如 C3 生成式人工智慧，可用於提高供應鏈視覺性。 雖然這些解決方案非常強大，但使用它們進行供應鏈優化的公司可能會遇到以下挑戰：

• 缺乏您所在領域的專業知識，因為這些解決方案通常被設計為通用模型
• 結果將取決於訓練資料集。 如果品質不佳、包含偏見或根本不符合您公司的數據，產生的內容將反映這些問題。
• 這些演算法可能會產生與您的業務無關的內容，因為它們不了解您資料的具體情況

為了獲得最佳效能，每個組織都可以聘請供應鏈 IT 顧問來開發新的或微調現有的人工智慧模型，以添加特定領域的知識。 這種方法將有以下好處：

• 提高準確性
• 根據您的組織需求量身定制
• 易於整合到您的流程中
• 客製化開發時擁有完全的技術所有權
• 遵守行業特定的合規要求

但請記住，客製化演算法成本更高，部署時間也更長，因為它們是從頭開始建立的，需要進行訓練和驗證。 因此，最終的選擇是在您的業務需求和可用預算之間進行權衡。

供應鏈中的五個關鍵生成式人工智慧用例

用例 1：高效處理庫存

生成式人工智慧可以分析大量數據，並根據當前趨勢提出如何更好地處理庫存的政策和建議。 以下是該技術如何為庫存管理做出貢獻：

• 建議動態庫存政策：演算法不斷分析銷售資訊和需求趨勢，即時建議調整各種商品的庫存水平，以回應市場需求。
• 計算安全庫存水準以確保庫存不會耗盡熱門商品：人工智慧模型可以根據波動的需求、季節和其他因素計算最佳安全水準。
• 模擬可能影響庫存的不同場景，例如需求急劇增加和供應幹擾：這使公司能夠在需要時制定補充庫存的應急計劃。
• 減少庫存浪費：生成式人工智慧可以發現導致高持有成本的滯銷庫存商品，並建議改善產品流程的策略，例如折扣和行銷活動。
• 針對不同產品提出最有效的儲存與分配策略

現實生活中的例子

Stitch Fix 是一家總部位於加州的時裝公司。 該公司根據廣泛的客戶偏好資料和其他資訊訓練生成式人工智慧演算法，該模型預測哪些服裝產品需求量很大，並提出庫存補貨建議。 結果，該公司報告與儲存和物品處理相關的成本降低了 25%。

用例 2：更快、更便宜地運送貨物

公司可以使用生成式人工智慧進行供應鏈管理，分析大量有關天氣狀況、交通模式和貨運的數據，以建立最佳化的路線圖，以便供應商能夠更快、更便宜地交付產品/材料。

如果計劃路線沿線出現交通擁堵、事故或任何其他問題，這些模型還可以即時監控數據，以重定向已經在運輸途中的貨物。 這種動態路線規劃將有助於駕駛即時調整，避免在交通堵塞中浪費時間。

企業意識到這一優勢，物流市場中的生成式人工智慧正在快速成長。 2022 年估值為 4.12 億美元，預計到 2032 年底將飆升至 139.48 億美元，複合年增長率高達 43.5%。

現實生活中的例子

一家製造商將生成式人工智慧整合到其營運中，以管理庫存並優化供應鏈流程。 該系統分析即時數據並推薦重新路由選項。 該公司報告稱，在人工智慧部署的前六個月內，物流費用削減了 12%。

用例 3：確保可持續且道德的供應鏈

研究表明，企業領導者正在走向道德供應鏈，其中包括永續發展努力，而生成式人工智慧可以為此舉措提供幫助。 演算法可以分析公開的供應商數據，例如能源效率、廢棄物產生、永續製造實踐和原材料採購，以確定哪個供應商更適合您的環境影響目標。

此外，人工智慧模型可以找出現有承包商可以減少浪費的領域。 例如，它可以建議改變包裝設計或物流流程。 如果您的供應商願意採取環保做法，您可以與他們分享這些見解。 這樣，您仍然可以實現永續發展目標，而無需終止與供應商的合作關係。

現實生活中的例子

公司依靠生成式人工智慧演算法來發現供應鏈中不可持續和不道德的做法。 例如，引言中提到，西門子和聯合利華使用這種方法來識別與鎮壓中國維吾爾穆斯林有關的供應商。

另一個例子來自加州的 Frenzy AI，該公司建立了一個生成人工智慧模型，可以分析報關單和運輸文件等數據，以追蹤產品到不同的供應商，並檢查他們自己的產品是否符合道德使用。

使用案例 4：預測客戶需求

生成式人工智慧模型可以處理不同類型的數據，如歷史銷售、季節性趨勢、經濟數據、競爭對手活動、客戶情緒等，以預測需求。 這些演算法可以即時監控所有這一切，一旦出現趨勢就通知您。 生成式人工智慧可以完成以下任務：

• 預測對不同產品和服務的需求，使公司能夠通知供應商、補貨並更好地為客戶服務
• 對需求如何變化的不同場景進行建模，以便公司做好準備。 例如，它可以顯示改變定價和行銷策略如何影響需求。

現實生活中的例子

沃爾瑪依靠基於人工智慧的生成式需求預測系統來預測顧客在每家商店的需求。 這家零售巨頭還使用該技術來分析黑色星期五活動期間的客戶行為，並預測任何潛在的瓶頸。

用例 5：尋找合適的供應商並與他們談判

由於生成式人工智慧可以分析大量供應鏈數據，因此可以提供有價值的建議並協助供應商審查。 該技術可以做到以下幾點：

• 對供應商進行排名：演算法可以根據預先定義的標準對供應商進行排名，例如原材料的定價和品質
• 評估永續發展實踐：這包括評估潛在供應商的環境足跡、社會責任和廢棄物產生
• 評估與每個供應商相關的風險，例如地緣政治風險、經濟因素和其他脆弱性
• 制定適合每個供應商的合約談判策略

人工智慧演算法還可以繼續監控合作夥伴供應商，以確保他們履行合約義務並保持預期的品質水準。

現實生活中的例子

沃爾瑪試驗了 Pactum AI 的生成式人工智慧機器人，它可以與供應商進行交易談判。 這種方法幫助零售商節省了約 3% 的合約費用。 令人驚訝（或不令人驚訝）的是，四分之三的供應商實際上更願意與機器人進行談判。

在供應鏈管理中使用生成式人工智慧可能會遇到的挑戰

如果您有興趣實施生成式人工智慧，請準備好面對以下挑戰：

數據相關問題

生成式人工智慧模型需要大量高品質數據才能完成工作。 如果資料碎片化、不完整、過時，結果將不準確。 而且您無法控制哪種供應商資料是公開的，因此當您依賴其他人提供的資料時，請嘗試設定合理的期望。

這些模型還將對您的組織資料進行操作，例如銷售歷史記錄和財務統計資料。 這是您可以控制的數據，因此請確保其乾淨、無偏見且易於存取。

與現有系統集成

您的新人工智慧解決方案需要無縫地融入現有系統並連接到其他應用程式以存取其資料。 這可能涉及調整遺留系統，這是一個巨大的挑戰。 您可能需要重新設計一些流程。 生成式人工智慧也非常強大，需要大量的運算資源和資料儲存容量。 考慮調整您的基礎架構或安排雲端託管。

此外，您可能需要與供應商的軟體整合並與他們的工作流程保持一致。 檢查他們是否有可用於資料收集的專用 API。

與人工智慧使用相關的挑戰

• 有時，人工智慧缺乏可解釋性可能是一個問題。 並不總是能夠解釋為什麼生成式人工智慧會產生這種回應/建議/策略。 以合規報告為例。 如果組織想要獲得 ISO 認證，它需要記錄其流程以顯示合規性。 但如果它過於依賴生成式人工智慧進行報告，它可能無法做到這一點。
• 您需要遵守使用人工智慧的行業標準以及您所在營運區域的一般隱私法規。

部署後問題

• 任何人工智慧系統的設計都必須考慮到安全性，因為它需要處理大量敏感資訊。 公司需要遵循一系列實踐來確保資料安全。 這包括在傳輸期間和靜態時加密資料、實施身份驗證機制以及監控未經授權的存取等等。 您還需要與供應商網路共用資料。 確保這也是安全的。
• 人工智慧模型需要定期審核、效能評估和更新，以保持高效和相關性。

人為因素

在為供應鏈管理部署生成式人工智慧後，您希望員工接受它、使用它並為其改進做出貢獻。 最好制定正式的規則來管理人類與人工智慧的協作，並指定誰對最終結果負責。 這是一個挑戰。 如果庫存充斥著沒人願意購買的產品，誰該負責？ 若AI選定的供應商連續兩次未能準時交貨，誰該負責？

該公司還負責培訓員工使用人工智慧並遵循安全數據實踐。

確信您需要產生式人工智慧嗎？ 這是下一步該做什麼

以下九個技巧將幫助您開始實施人工智慧：

• 定義您的業務目標以及您希望透過供應鏈產生式 AI 實現的目標。 這將確定您的模型需要存取哪些數據。
• 考慮自動資料收集，以便您的演算法存取最新資訊。
• 準備供 AI 和 ML 演算法使用的資料。
• 確保您在需要時獲得使用訓練資料的同意並遵守資料隱私法規。
• 建立強大的資料治理實踐或利用第三方資料管理服務。
• 促進您的組織和供應商之間的資料協作。
• 聘請可靠的人工智慧供應商來建立或客製化能夠滿足您獨特需求的生成式人工智慧演算法。
• 從小規模試點計畫開始，從失敗中學習。
• 部署後監視模型。 實施回饋循環，允許使用者報告他們的擔憂和建議。

如果您想了解與人工智慧實施相關的成本，請查看我們關於人工智慧成本多少的詳細文章。

如果您對使用生成式人工智慧進行供應鏈管理有任何疑問，或者想要為您的專案獲得準確的成本估算，請與我們聯絡。 我們將幫助您建立/自訂人工智慧模型，支援您的資料收集和清理，並按需審核您的模型。

本文最初發佈於 Itrex 網站。