AI telah membuat pencapaian penting dalam pengurusan rantaian bekalan

Rantaian bekalan melaksanakan satu siri tindakan, daripada reka bentuk produk kepada penyumberan, pembuatan, pengedaran, penghantaran dan perkhidmatan pelanggan. Devavrat Bapat, pengarah produk data AI/ML di Cisco, berkata: "Pada setiap masa, terdapat peluang besar untuk AI dan ML ini kerana AI kontemporari sudah sangat baik dalam perkara yang diperlukan untuk pengurusan rantaian bekalan . Yang pertama ialah ramalan, di mana AI digunakan untuk meramalkan permintaan hiliran atau kekurangan huluan. Selain itu, algoritma boleh mengesan satu atau lebih peristiwa yang mereka percaya sebagai pelopor kepada kegagalan dan kemudian memberi amaran kepada pengendali talian pemasangan sebelum kualiti pengeluaran merosot

Yang kedua ialah pemeriksaan, di mana AI digunakan untuk mencari masalah dalam pembuatan. Ia juga boleh digunakan untuk memperakui bahan dan komponen serta menjejakinya sepanjang rantaian bekalan

Akhirnya, AI akan mengoptimumkan rantaian bekalan untuk memenuhi keperluan pelanggan tertentu dalam sebarang situasi tertentu. Walaupun teknologi pembolehan sudah wujud, cabaran masih wujud dalam memerlukan tahap perkongsian data yang sukar dicapai dalam rantaian bekalan semasa. Dalam pada itu, banyak syarikat masih mendapat manfaat daripada ramalan dan pemeriksaan yang lebih baik

Ramalan

Ambil contoh Amcor, salah satu syarikat pembungkusan terbesar di dunia dengan hasil tahunan $15 bilion dan lebih daripada 41,000 pekerja, dengan lebih daripada 200 kilang di seluruh dunia. Syarikat itu memberi tumpuan terutamanya kepada pembungkusan makanan dan penjagaan kesihatan, di mana ia memegang majoriti bahagian pasaran

"Kami membuat pembungkusan untuk satu pertiga daripada produk dalam peti sejuk anda," kata Joel Lanchin, ketua pegawai maklumat global syarikat itu Cabaran pembuatan adalah berkaitan dengan meramalkan dengan tepat dan menyesuaikan diri dengan permintaan yang berubah-ubah. Dalam dunia rantaian bekalan makanan, pesanan sering diubah suai berdasarkan perubahan dalam permintaan. Sebagai contoh, dalam cuaca panas, orang ramai minum lebih banyak Gatorade, yang boleh menyebabkan lonjakan permintaan mendadak, jadi permintaan untuk botol boleh meningkat sebanyak 10 hingga 15 peratus. Begitu juga dengan jenis produk lain. Mungkin tiba-tiba terdapat lebih banyak ikan di lautan, meningkatkan keperluan untuk pembungkusan untuk menampung lebih banyak ikan. "Walaupun kami cuba meramalkan, ia sangat sukar kerana kami tidak sentiasa tahu apa yang pelanggan kami mahukan lebih awal," kata Lanchin di hujung rantaian bekalan yang lain menghadapi cabaran yang sama. Jika Amcor tidak dapat meramalkan kekurangan dengan tepat, ia tidak boleh menyimpan bahan mentah terlebih dahulu. Lebih penting lagi, syarikat perlu meramalkan perubahan harga supaya ia boleh membeli lebih banyak pada harga yang lebih rendah sebelum harga naik, atau membeli lebih sedikit jika penurunan kelihatan seperti ia akan turun

Kira-kira setahun yang lalu, Amcor Mula bereksperimen dengan EazyML, sebuah platform yang membantu mengoptimumkan permintaan pelanggan dan ramalan sisi penawaran. Mereka melatih alat menggunakan tiga tahun data daripada ERP untuk mencari corak turun naik. Sistem cuba mencari kategori perubahan dan peristiwa yang dikaitkan dengan pelbagai jenis perubahan. Sebagai contoh, ia mengkaji turun naik bermusim, dan sama ada dua atau lebih jenis perubahan berlaku pada masa yang sama, atau sama ada ia saling eksklusif

Lanchin berkata: "Keputusan awal yang kami perolehi sangat menggalakkan dan melampaui Jangkaan kami ". Jika anda boleh meramalkan perubahan, anda boleh meramalkan keperluan bahan mentah anda dengan lebih baik dan menambahnya terlebih dahulu jika perlu

Ini tidak mengejutkan Bapat, yang berkata peramalan dipertingkatkan dengan ketara oleh kecerdasan buatan. "Pada masa lalu, banyak perniagaan bergantung pada ramalan konsensus, menimbang pendapat pakar yang berbeza untuk mencapai ramalan purata," katanya. Beliau juga menyatakan: "Penyelidikan menunjukkan bahawa kaedah ramalan statistik, yang menggunakan teknik statistik untuk mengekstrapolasi daripada data sejarah , secara konsisten mengatasi kaedah konsensus Walaupun kecerdasan mesin melakukan kerja yang lebih baik dalam ramalan Tetapi kuncinya ialah memastikan anda menggunakan data yang betul.”

Satu lagi contoh bagaimana AI digunakan boleh didapati di Intel menggunakan litografi Teknologi dicetak pada wafer. Mereka yang paling hampir dengan bahagian tengah wafer cenderung mempunyai keluk prestasi kuasa terbaik. Mereka yang lebih dekat dengan cincin luar cenderung mengalami penurunan prestasi, walaupun mereka masih boleh dipercayai. Intel mempunyai ambang kualiti terhadap cip yang harus disimpan atau dibuang. Meminta manusia memeriksa wafer akan memakan masa dan proses yang penuh kesilapan.

"Kami menggunakan kecerdasan buatan untuk memilih cip berkualiti tinggi untuk dihasilkan dan membawanya ke pasaran dengan lebih pantas, memberikan kualiti yang lebih baik," kata Greg Lavender, naib presiden kanan dan ketua pegawai teknologi Intel, ini hanyalah salah satu perkara yang kami lakukan dengan kecerdasan buatan. Saya mempunyai beratus-ratus jurutera perisian AI yang melaporkan kepada saya. Sesetengah kerja yang mereka lakukan digunakan untuk pemeriksaan dan ujian di kilang kami, tetapi kadangkala AI yang mereka bangunkan juga digunakan secara dalaman untuk penghantaran produk kami tanpa perlu diketahui orang

Salah satu contoh ialah cara Intel membantu pelanggan OEM mereka menguji perisian hasad dengan menyediakan alatan perisian. Salah satu alat ini ialah Intel Threat Detection Technology, yang dijalankan pada komputer riba Intel. Apabila melaksanakan kod dalam Windows, kod Intel memeriksa aliran arahan dalam CPU. Menggunakan algoritma tandatangan pembelajaran adaptif, ia mencari anomali dalam kod yang sepadan dengan tandatangan perisian hasad. Setelah perlawanan ditemui, alat memintas atau menyekat perisian hasad dan memaklumkan Windows Defender tentang jangkitan peranti

"Teknologi pengesanan ancaman terbina dalam semua CPU pelanggan kami," kata Lavender Jangkitan ini menyelinap masuk melalui rantaian bekalan - -Apabila produk akhir disatukan, satu-satunya cara untuk mencarinya adalah dengan menggunakan alat ini. Kami telah menawarkan alat AI ini dan lain-lain sejak beberapa tahun yang lalu, tetapi kini dengan semua perbincangan tentang model bahasa yang besar, lebih ramai orang bercakap mengenainya.

Menurut Bapat Cisco, pemeriksaan adalah bahagian penting dalam pengurusan rantaian bekalan. Pemeriksaan menjadi lebih mudah jika langkah yang betul diambil semasa fasa reka bentuk produk. "Jika anda membenamkan dalam instrumentasi proses reka bentuk produk yang boleh menjana data untuk membantu memantau aliran, anda boleh menjimatkan banyak kos," katanya "Jika anda mempertimbangkan kos bahan dan kos beban buruh mana-mana produk, anda akan dapati bahawa mereka sangat tinggi. Beban terutamanya termasuk kualiti produk dan kos penyeliaan dan pengurusan. Hari ini, AI sudah membantu untuk meminimumkan kos ini

Pengoptimuman

Ramalan dan pemeriksaan kedua-duanya penting, tetapi kesan terbesar akan datang apabila rantaian bekalan boleh disesuaikan dengan keperluan pelanggan tertentu. Bapat belajar satu pelajaran penting dari masa dia mereka bentuk salah satu algoritma AI terbaiknya. Ia mengambil masa sembilan bulan untuk membangun dan menggunakan—dan akhirnya, ia masih mengambil masa yang sangat lama untuk membolehkannya berfungsi. Mengimbas kembali apa yang salah, dia menyedari bahawa tidak kira betapa bagusnya teknologi itu, ia tidak akan menghasilkan hasil yang diinginkan jika dia tidak meluangkan masa untuk memahami siapa pelanggan akhir dan cara mereka merancang untuk menggunakan aplikasi itu. . Beliau juga menyatakan bahawa walaupun mereka sering mempunyai suara yang paling lantang, pengurusan kanan bukanlah pelanggan akhir.

"Sejak itu, saya sentiasa menekankan bahawa sama ada ia melibatkan jualan atau pengurusan rantaian bekalan, saya sentiasa bermula dengan pemahaman yang baik tentang perniagaan asas "Apabila saya mempunyai pemahaman yang kukuh tentang keperluan ini, saya akan kembali ke data dan AI."

Bapat percaya konsep ini harus digunakan untuk pengurusan rantaian bekalan: "Jika anda benar-benar memberi tumpuan kepada pengguna akhir, AI boleh membantu dengan membahagikan dan menyasarkan pengguna dan persekitaran mereka untuk membantu melalui rantaian bekalan, pertimbangkan kos yang berbeza: buruh, pengeluaran, cukai, inventori dan optimumkannya bersama-sama

Setelah rantaian bekalan dioptimumkan untuk proses tersebut, Anda kemudian boleh mula memasang dan melaksanakan kualiti dan penyelenggaraan ramalan Kemudian, anda boleh kembali ke bahagian perolehan pengurusan bekalan "Ini menyokong idea bahawa pembekal adalah rakan kongsi, bukan musuh," katanya. ”

Oleh itu, sifat rantaian bekalan, yang terdiri daripada sekurang-kurangnya tiga syarikat bebas yang tidak berkongsi data, merupakan cabaran yang telah lama wujud Pertama, syarikat ini mungkin bersaing dengan satu atau lebih rakan kongsi dalam barisan perniagaan . Kedua, Mereka mungkin sebahagian daripada rantaian bekalan yang bersaing, dan ketiga, mereka mengekalkan maklumat untuk meningkatkan kuasa mereka di meja rundingan

Generasi AI semasa boleh mengoptimumkan rantaian bekalan dan juga menyesuaikannya dengan apa yang sesuai pada harga yang betul. Menyampaikan produk kepada pelanggan yang betul Walau bagaimanapun, untuk mencapai ini memerlukan tahap perkongsian data yang hanya sedikit syarikat sedia untuk

Bapat berkata: “Apa yang hilang ialah beberapa teknologi yang membolehkan perniagaan berkongsi sebahagian daripada data mereka dengan yakin sepenuhnya tanpa mereka mendedahkan terlalu banyak. “Kami akan mengambil masa lima hingga 10 tahun lagi untuk mencapai matlamat ini. ”

Atas ialah kandungan terperinci AI telah membuat pencapaian penting dalam pengurusan rantaian bekalan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!