L’IA a déjà réalisé des progrès significatifs dans la gestion de la chaîne d’approvisionnement

La chaîne d'approvisionnement effectue une série d'actions, de la conception du produit à l'approvisionnement, la fabrication, la distribution, la livraison et le service client. Devavrat Bapat, directeur des produits de données IA/ML chez Cisco, a déclaré : « À chaque instant, il existe d'énormes opportunités pour l'IA et le ML. En effet, l'IA contemporaine est déjà très performante dans ce qui est nécessaire à la gestion de la chaîne d'approvisionnement. » . Le premier est la prévision, où l’IA est utilisée pour prédire la demande en aval ou les pénuries en amont. De plus, les algorithmes peuvent détecter un ou plusieurs événements qu'ils pensent être des précurseurs d'une défaillance, puis alerter les opérateurs de la chaîne d'assemblage avant que la qualité de la production ne se détériore.

La seconde est l'inspection, où l'IA est utilisée pour détecter des problèmes dans la fabrication. Elle peut également être utilisée pour certifier des matériaux et des composants et les suivre tout au long de la chaîne d'approvisionnement.

En fin de compte, l'IA optimisera la chaîne d'approvisionnement pour répondre aux besoins de clients spécifiques dans une situation donnée. Même si des technologies génériques existent déjà, il reste un défi à relever : exiger un niveau de partage de données difficile à atteindre dans les chaînes d’approvisionnement actuelles. Entre-temps, de nombreuses entreprises continuent de récolter les fruits de l'amélioration des prévisions et des inspections

Prévisions

Prenons l'exemple d'Amcor, l'une des plus grandes entreprises d'emballage au monde avec un chiffre d'affaires annuel de 15 milliards de dollars et plus de 41 000 employés, avec plus de 200 usines du monde entier. L'entreprise se concentre principalement sur les emballages alimentaires et de soins de santé, où elle détient la majorité des parts de marché

"Nous fabriquons des emballages pour un tiers des produits contenus dans votre réfrigérateur", a déclaré Joel Lanchin, directeur mondial de l'information de l'entreprise Amcor. Les défis de fabrication sont liés à la prévision précise et à l’adaptation à l’évolution de la demande. Dans le monde de la chaîne d’approvisionnement alimentaire, les commandes sont souvent modifiées en fonction de l’évolution de la demande. Par exemple, par temps chaud, les gens boivent davantage de Gatorade, ce qui pourrait provoquer une augmentation soudaine de la demande, de sorte que la demande de bouteilles pourrait augmenter de 10 à 15 pour cent. Il en va de même pour les autres types de produits. Il se peut qu'il y ait soudainement plus de poissons dans l'océan, augmentant ainsi le besoin d'emballages pour accueillir davantage de poissons. "Même si nous essayons de prévoir, c'est très difficile car nous ne savons pas toujours à l'avance ce que veulent nos clients", a déclaré Lanchin. L'autre extrémité de la chaîne d'approvisionnement est confrontée à des défis similaires. Si Amcor ne peut pas prévoir avec précision les pénuries, elle ne peut pas stocker les matières premières à l'avance. Plus important encore, l'entreprise doit prédire les changements de prix afin de pouvoir acheter davantage à un prix inférieur avant que les prix n'augmentent, ou acheter moins si une baisse semble sur le point de baisser.

Il y a environ un an, Amcor a commencé à expérimenter avec EazyML, un plate-forme qui permet d'optimiser la demande des clients et les prévisions du côté de l'offre. Ils ont formé l'outil en utilisant trois années de données de l'ERP pour rechercher des modèles de fluctuation. Le système tente de trouver des catégories de changements et les événements associés à différents types de changements. Par exemple, il examine les fluctuations saisonnières et si deux ou plusieurs types de changements se produisent en même temps, ou s'ils s'excluent mutuellement.

Lanchin a déclaré : « Les premiers résultats que nous avons obtenus sont très encourageants et vont bien au-delà de nos attentes. » Si vous pouvez prévoir les changements, vous pouvez mieux prévoir vos besoins en matières premières et les reconstituer à l'avance si nécessaire

Cela n'est pas une surprise pour Bapat, qui affirme que les prévisions sont considérablement améliorées par l'intelligence artificielle. « Dans le passé, de nombreuses entreprises s'appuyaient sur des prévisions consensuelles, pondérant les opinions de différents experts pour arriver à une prévision moyenne », a-t-il également noté : « La recherche montre que les méthodes de prévision statistiques, qui utilisent des techniques statistiques pour extrapoler à partir de données historiques. , surpassent systématiquement la méthode du consensus. Même l’intelligence artificielle fait un meilleur travail de prédiction, mais la clé est de s’assurer que vous utilisez les bonnes données.

Un autre exemple de la façon dont l’IA est utilisée peut être trouvé chez Intel, où plusieurs puces. utiliser la photolithographie. La technologie est imprimée sur une plaquette. Ceux qui sont les plus proches du centre de la tranche ont tendance à avoir les meilleures courbes de performances en puissance. Ceux qui sont plus proches de la bague extérieure ont tendance à souffrir de performances réduites, même s’ils restent fiables. Intel a un seuil de qualité par rapport auquel les puces doivent être conservées ou jetées. Demander aux humains d’inspecter les plaquettes serait un processus long et semé d’embûches.

Greg Lavender, vice-président senior et directeur de la technologie chez Intel, a déclaré : « Nous utilisons l'intelligence artificielle pour sélectionner des puces de haute qualité afin de les produire et de les commercialiser plus rapidement, offrant ainsi une meilleure qualité. l'une des choses que nous faisons avec l'intelligence artificielle. J'ai des centaines d'ingénieurs en logiciels d'IA qui relèvent de moi. Une partie du travail qu'ils effectuent est utilisée pour l'inspection et les tests dans nos usines, mais parfois l'IA qu'ils développent est également utilisée en interne pour la livraison de nos produits sans nécessairement être connue des gens

Un bon exemple est la manière dont Intel aide ses clients OEM à tester les logiciels malveillants en leur fournissant des outils logiciels. L'un de ces outils est la technologie Intel Threat Detection, qui fonctionne sur les ordinateurs portables Intel. Lors de l'exécution de code sous Windows, le code Intel examine le flux d'instructions dans le processeur. À l’aide d’un algorithme de signature d’apprentissage adaptatif, il recherche les anomalies dans le code qui correspondent aux signatures des logiciels malveillants. Une fois qu'une correspondance est trouvée, l'outil intercepte ou bloque le logiciel malveillant et alerte Windows Defender en cas d'infection de l'appareil.

"La technologie de détection des menaces est intégrée à tous les processeurs de nos clients", a déclaré Lavender. Ces infections se faufilent dans la chaîne d'approvisionnement - -Quand. le produit final est assemblé, la seule façon de les trouver est d’utiliser cet outil. Nous proposons cet outil ainsi que d'autres outils d'IA depuis quelques années, mais maintenant, avec toutes les discussions sur les grands modèles de langage, de plus en plus de gens en parlent.

Selon Bapat de Cisco, les inspections sont un élément important de la gestion de la chaîne d'approvisionnement. L’inspection devient plus facile si les bonnes mesures sont prises lors de la phase de conception du produit. « Si vous intégrez dans le processus de conception du produit des instruments capables de générer des données pour vous aider à surveiller le flux, vous pouvez économiser beaucoup de coûts », dit-il. « Si vous considérez les coûts des matériaux et les coûts de main-d'œuvre de tout produit, vous constaterez. qu'ils sont très élevés. La charge comprend principalement la qualité des produits et les coûts de supervision et de gestion. Aujourd'hui, l'IA contribue déjà à minimiser ces coûts

Optimisation

La prévision et l'inspection sont toutes deux importantes, mais l'impact le plus important viendra lorsque les chaînes d'approvisionnement pourront être adaptées aux besoins spécifiques des clients. Bapat a tiré une leçon importante de la conception de l’un de ses meilleurs algorithmes d’IA. Il a fallu neuf mois pour le développer et le déployer, et finalement, il a fallu encore beaucoup de temps pour le faire fonctionner. En repensant à ce qui n'allait pas, il s'est rendu compte que, quelle que soit la qualité de la technologie, elle ne produirait pas les résultats escomptés s'il ne prenait pas d'abord le temps de comprendre qui étaient les clients finaux et comment ils envisageaient d'utiliser l'application. . Il a également souligné que même si ce sont eux qui ont souvent la voix la plus forte, les cadres supérieurs ne sont pas les clients finaux.

"Depuis, j'ai toujours souligné que qu'il s'agisse de vente ou de gestion de la chaîne d'approvisionnement, je commence toujours par une bonne compréhension des bases du métier." "Une fois que j'aurai bien compris cette exigence, j'y retournerai." données et IA."

Bapat estime que ce concept devrait être appliqué à la gestion de la chaîne d'approvisionnement : "Si vous vous concentrez vraiment sur le consommateur final, l'IA peut vous aider en segmentant et en ciblant les consommateurs et leur environnement pour vous aider. Tout au long de la chaîne d'approvisionnement, considérez les différents coûts : main d'œuvre, production, taxes, stocks, et optimisez-les ensemble

Une fois la chaîne d'approvisionnement optimisée pour le processus, vous pouvez alors commencer à installer et à effectuer une qualité et une maintenance prédictives. À ce sujet, vous pouvez revenir à l’aspect achats de la gestion de l’offre. « Cela conforte l’idée selon laquelle les fournisseurs sont des partenaires et non des adversaires », a-t-il déclaré. « 

Par conséquent, la nature de la chaîne d'approvisionnement, qui comprend au moins trois entreprises indépendantes qui ne partagent pas de données, constitue un défi de longue date. Premièrement, ces entreprises peuvent rivaliser avec un ou plusieurs partenaires dans le secteur d'activité. Deuxièmement, ils peuvent faire partie de chaînes d'approvisionnement concurrentes et, troisièmement, ils conservent des informations pour accroître leur force à la table des négociations.

La génération actuelle d'IA peut optimiser les chaînes d'approvisionnement et même les adapter au bon prix en livrant des produits aux bons clients. Cependant, pour y parvenir, il faut un niveau de partage de données auquel peu d'entreprises sont prêtes

Bapat a déclaré : « Ce qui manque, c'est une technologie qui permet aux entreprises de partager certaines de leurs données en toute confiance sans qu'elles en révèlent trop. « Il nous faudra encore cinq à dix ans pour atteindre cet objectif. »

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!