AI在供應鏈管理方面已經取得了顯著成就

供應鏈執行一系列行動，從產品設計到採購、製造、分銷、交付和客戶服務。思科AI/ML資料產品主管德瓦夫拉特·巴帕特表示：「在每一個點上，都蘊藏著AI和ML的巨大機會。」這是因為當代AI已經非常擅長供應鏈管理所需的兩件事。第一種是預測，AI被用來預測下游需求或上游短缺。此外，演算法可以檢測到他們認為是失敗前兆的一個或多個事件，然後在生產品質下降之前向裝配線操作員發出警告

第二種是檢查，AI被用於發現製造業中的問題。它還可以用於認證材料和零件，並在整個供應鏈中對它們進行追蹤

最終，人工智慧將優化供應鏈，以滿足特定客戶在任何給定情況下的需求。儘管使能技術已經存在，但仍面臨著一個挑戰，即需要一定程度的數據共享，而這在當前的供應鏈中難以實現。與此同時，許多公司仍在從改進的預測和檢查中獲得好處

預測

拿Amcor作為例子，它是全球最大的包裝公司之一，年收入達到150億美元，員工人數超過4.1萬人，全球擁有200多家工廠。該公司主要專注於食品和保健包裝領域，佔據了大部分市場份額

該公司的全球首席資訊長喬爾·蘭欽表示：「我們為你冰箱裡三分之一的產品製造包裝。」Amcor面臨的製造業挑戰與準確預測和適應不斷變化的需求有關。在食品供應鏈領域，訂單通常會根據需求的變化進行修改。例如，在炎熱的天氣下，人們會喝更多的佳得樂，這可能會導致需求突然激增，因此對瓶子的需求可能會增加10%到15%。其他類型的產品也是如此。海洋中可能會突然有更多的魚，這增加了包裝的需求，以容納更多的魚。 「即使我們試圖預測，這也是非常困難的，因為我們並不總是提前知道客戶的需求，」蘭欽說

#供應鏈的另一端也面臨著類似的挑戰。如果Amcor不能準確預測短缺，它就不能提前囤積原料。更重要的是，該公司需要預測價格變化，這樣它才能在漲價前以更低的價格購買更多商品，或者在看起來即將下跌的情況下購買更少商品

大約一年前，Amcor開始試驗EazyML，這是一個幫助優化客戶需求和供應商預測的平台。他們使用來自ERP的三年數據對該工具進行了培訓，以尋找波動模式。該系統試圖找到變化的類別，以及哪些事件與不同種類的變化有關。例如，它檢查季節性波動，以及兩種或兩種以上類型的變化是否同時發生，或者它們是否相互排斥

蘭欽表示：「我們初步獲得的結果非常令人鼓舞，遠遠超出了我們的預期。」如果你能預測變化，就能更好地預測你的原材料需求，並在必要時提前補充

這並不令人意外對於巴帕特來說，他表示預測是人工智慧顯著改進的一個領域。他說：「過去，許多企業依賴共識預測，透過加權不同專家的意見來得出平均預測。」他還指出：「研究表明，使用統計技術從歷史數據中進行推斷的統計預測方法，一直優於共識方法。甚至機器智能在預測方面做得更好。但關鍵是確保使用正確的數據。」

檢查

AI如何被使用的另一個例子可以在英特爾找到，在在那裡，幾個晶片使用光刻技術印刷在一個晶片上。離晶片中心最近的那些往往具有最好的功率性能曲線。靠近外環的那些雖然仍然可靠，但性能往往會降低。英特爾有一個品質門檻，根據這個門檻來衡量晶片是應該保留還是應該丟掉。讓人工檢查晶片將是一個耗時且充滿故障的過程。

英特爾高級副總裁兼首席技術長格雷格·拉文德表示：「我們利用人工智慧來選擇高品質晶片，以便更快速地生產並將其推向市場，從而提供更好的品質。」當然，這只是我們利用人工智慧所做的其中一項工作。我有數百名人工智慧軟體工程師向我報告工作。他們所做的一些工作用於我們工廠的檢查和測試，但有時他們開發的人工智慧也用於我們的產品內部交付，而不一定被人們所知曉

一個合適的例子是英特爾如何透過提供軟體工具來幫助他們的OEM客戶測試惡意軟體。其中一個工具是英特爾威脅偵測技術，在英特爾筆記型電腦上運作。當在Windows中執行程式碼時，英特爾程式碼會檢查CPU中的指令流。利用自適應學習簽章演算法，它能夠在程式碼中尋找與惡意軟體簽章相符的異常。一旦找到匹配項，工具會攔截或阻止惡意軟體，並向Windows Defender發出裝置感染的警報

Lavender說：「威脅偵測技術內建於我們所有的客戶CPU中。」這些感染透過供應鏈悄悄進入--當最終產品組裝在一起時，找到它們的唯一方法就是使用這個工具。在過去的幾年裡，我們一直在提供這個和其他AI工具，但現在隨著所有關於大型語言模型的討論，更多的人正在談論它。

根據思科的Bapat所說，檢查是供應鏈管理的一個重要組成部分。如果在產品設計階段採取正確的步驟，檢查就會變得更容易。他表示：「如果在產品設計過程中，嵌入可以產生數據以幫助監控流量的儀器設備，就能夠節省大量成本。」如果考慮任何產品的材料成本和勞動力負擔成本，你會發現它們非常高。負擔主要包括產品品質和監督管理費用。如今，人工智慧已經幫助將這些成本降至最低

優化

預測和檢查都很重要，但當供應鏈可以根據特定客戶需求量身定做時，最大的影響將到來。巴帕特從他設計他最好的AI演算法之一時學到的重要教訓中吸取了教訓。它花了9個月的時間來開發和部署——最終，它仍然花了令人驚訝的長時間才使其發揮作用。回想一下哪裡出了問題，他意識到，如果他不先花時間了解最終客戶是誰，以及他們計劃如何使用應用程序，無論技術有多好，都不會產生預期的結果。他還指出，雖然他們的聲音通常最大，但高階管理層並不是最終客戶。

他說：「從那時起，我一直強調，無論是涉及銷售還是供應鏈管理，我總是從很好地理解基礎業務開始。」「一旦我對這項要求有了紮實的​​理解，我會回到數據和AI領域。」

巴帕特認為這個觀念應該應用到供應鏈管理中：「如果你真的關注最終消費者，人工智慧可以透過細分和瞄準消費者及其環境來提供幫助。然後，當你透過供應鏈的方式重新工作時，要考慮不同的成本：勞動力、生產、稅收、庫存，並一起優化它們

他補充說，一旦供應鏈針對流程進行了最佳化，你就可以開始安裝和執行預測品質和維護。從那時起，你就可以回到供應管理的採購領域。

他表示：「這支持了供應商是合作夥伴、而不是對手的觀點。 ”

因此，供應鏈的本質是由至少三個不共享數據的獨立公司組成，這是一個長期存在的挑戰。首先，這些公司可能在業務線上與一個或多個合作夥伴競爭。其次，它們可能是相互競爭的供應鏈的一部分。第三，它們會保留資訊以增強在談判桌上的實力

當前世代的人工智慧可以優化供應鏈，甚至可以量身定制，以合適的價格將適合的產品提供給適合的客戶。然而，要實現這一目標需要一定程度的數據共享，但很少有公司做好了準備

巴帕特說： 「缺少的是一些技術，這些技術允許企業充分自信地分享他們的部分數據，而他們沒有透露太多。 」「我們還需要5到10年的時間才能實現這一目標。 ”

以上是AI在供應鏈管理方面已經取得了顯著成就的詳細內容。更多資訊請關注PHP中文網其他相關文章！