AI ห่วงโซ่อุปทาน: เริ่มต้นใน 5 ขั้นตอน

Supply Chain AI ก่อให้เกิดความตื่นเต้น ความตกใจ และความกลัวอย่างมากในปีที่ผ่านมา จากนวัตกรรม Generative AI เช่น พูดคุยGPT ไปจนถึงเหตุการณ์ในอุตสาหกรรม นักวิเคราะห์ และเรื่องราวของสื่อมวลชน ผู้นำธุรกิจทุกคนกำลังถูกทดสอบ ตั้งแต่วิสัยทัศน์และความไว้วางใจในเทคโนโลยีไปจนถึงการเตรียมการภายในและการบูรณาการปัญญาประดิษฐ์เข้ากับการดำเนินงานของห่วงโซ่อุปทาน

สาเหตุหลักสำหรับอารมณ์ต่างๆ ดังกล่าวเกิดจากการไม่รู้ว่าจะนำความก้าวหน้าของ AI มาใช้อย่างไร ในการสัมมนาผ่านเว็บครั้งล่าสุดของเรา a โพลแสดงd 76% ของผู้เข้าร่วม 100 คนอยู่ในขั้นให้ความรู้เกี่ยวกับการนำ Generative AI มาใช้ในบริษัทของตน นอกจากนี้ การสำรวจอีกครั้งหนึ่งเดือนต่อมาพบว่า 31% ของผู้เข้าร่วมถูกอ้างถึงว่าพวกเขากำลังพัฒนาข้อเสนอเพื่อเริ่มต้นหรือกำลังทดสอบนักบินที่รวม AI เข้ากับบริษัทของตน

เมื่อพิจารณาว่าบริษัทส่วนใหญ่อยู่ในจุดใดในการเดินทางของ Supply Chain AI ความตื่นเต้นและความเข้าใจที่ปะปนกันจึงไม่น่าแปลกใจ ระยะนี้มักมีลักษณะเฉพาะด้วยช่วงคำถามที่ท้าทายในการตอบ ได้แก่:

• เราจะเชื่อถือและตรวจสอบข้อมูลที่ Generative AI สร้างขึ้นได้อย่างไร
• องค์กรของเราจะเตรียมความพร้อมให้ดีที่สุดสำหรับความสามารถด้าน AI ในปัจจุบันและอนาคตได้อย่างไร
• เราจะก้าวไปข้างหน้าได้อย่างไรเมื่อทรัพยากรภายในมีจำกัด ตั้งแต่นักวางแผนไปจนถึงนักวิทยาศาสตร์ข้อมูล

เพื่อเอาชนะอุปสรรคทั่วไปในการนำไปใช้อย่างแท้จริง ผู้นำธุรกิจจะต้องเข้าใจความแตกต่างระหว่าง Generative AI และการเรียนรู้ของเครื่องจักร และรู้ว่ากรณีการใช้งานใดให้ผลกระทบที่เป็นไปได้มากที่สุด

ความแตกต่างระหว่าง Generative AI และการเรียนรู้ของเครื่อง

AI เจเนอเรชั่นและการเรียนรู้ของเครื่องมีความสัมพันธ์กันอย่างใกล้ชิดภายในขอบเขตที่กว้างกว่าของปัญญาประดิษฐ์ อย่างไรก็ตาม มีความแตกต่างที่สำคัญระหว่างทั้งสอง: วัตถุประสงค์หลักและผลลัพธ์ ซึ่งแตกต่างจากการเรียนรู้ของเครื่องซึ่งเน้นงานเป็นหลัก Generative AI เป็นเรื่องเกี่ยวกับการสร้างเนื้อหาต้นฉบับที่ไม่จำเป็นต้องเกี่ยวข้องโดยตรงกับข้อมูลอินพุตเฉพาะ แต่เรียนรู้โครงสร้างพื้นฐานเพื่อสร้างผลลัพธ์ใหม่ที่คล้ายคลึงกันแทน

การเรียนรู้ของเครื่องเป็นสาขาที่เกี่ยวข้องกับอัลกอริธึมและแบบจำลองทางสถิติที่ทำให้คอมพิวเตอร์สามารถปรับปรุงประสิทธิภาพในการทำงานผ่านประสบการณ์หรือข้อมูล เทคโนโลยีนี้ครอบคลุมเทคนิคต่างๆ เพื่อเรียนรู้จากข้อมูลที่มีป้ายกำกับหรือไม่มีโครงสร้างเพื่อคาดการณ์หรือจัดประเภทตามข้อมูลที่ให้มา ทำการตัดสินใจหรือการอนุมาน และฝึกโมเดลเพื่อปฏิบัติงาน จากนั้นระบบจะเรียนรู้รูปแบบและคาดการณ์หรือตัดสินใจตามข้อมูลที่ให้มา โดยเน้นไปที่งานเฉพาะ เช่น การจำแนกประเภท การถดถอย หรือการจัดกลุ่ม

กำเนิด AIในทางกลับกัน เป็นส่วนย่อยของการเรียนรู้เชิงลึกที่เกี่ยวข้องกับการสร้างเนื้อหาหรือข้อมูลใหม่โดยอิงจากข้อมูลทั้งที่มีป้ายกำกับและไม่มีป้ายกำกับ ฟิลด์นี้มุ่งเน้นไปที่การสร้างเนื้อหาใหม่เป็นหลัก รวมถึงรูปภาพ ข้อความ เสียง หรือวิดีโอ ที่อาจไม่ได้เป็นส่วนหนึ่งของชุดข้อมูลดั้งเดิมตามรูปแบบและข้อมูลที่เรียนรู้และสร้างใหม่จากข้อมูลอินพุต

การทราบถึงความแตกต่างระหว่างเทคโนโลยีทั้งสองนี้ถือเป็นหัวใจสำคัญสำหรับธุรกิจที่มุ่งหวังที่จะใช้ประโยชน์จากปัญญาประดิษฐ์อย่างมีประสิทธิภาพ แต่ความสัมพันธ์ที่เกื้อกูลกันระหว่างทั้งสองก็ต้องได้รับการยอมรับเช่นกัน โดยเฉพาะอย่างยิ่งเมื่อความก้าวหน้าในอันหนึ่งส่งผลดีต่ออีกอันในท้ายที่สุด และมีส่วนช่วยในการพัฒนาแอพพลิเคชั่นที่ซับซ้อนในวงกว้างมากขึ้น

ห้าวิธีในการเริ่มต้นการเดินทางของคุณ

แนวทางที่มีโครงสร้างเพื่อเริ่มต้นการเดินทางของ Supply Chain AI ถือเป็นสิ่งสำคัญต่อการเปลี่ยนแปลงที่ราบรื่น บริษัทจำเป็นต้องกำหนดวัตถุประสงค์ ได้รับเครื่องมือและเทคโนโลยีที่เหมาะสม เตรียมโครงสร้างพื้นฐานข้อมูล ใช้โมเดล AI และปรับปรุงระบบอย่างต่อเนื่อง

ต่อไปนี้คือกรณีการใช้งานที่สำคัญ 5 ประการสำหรับการนำ AI มาใช้ซึ่งสามารถทำได้ ดีมานด์เอไอ+ และ สินค้าคงคลังAI+ โซลูชั่น สถานการณ์เหล่านี้ไม่เพียงแต่แสดงให้เห็นถึงผลกระทบที่อาจเกิดขึ้นจาก การวางแผนห่วงโซ่อุปทานครั้งแรกของ AI แต่ยังแสดงให้เห็นถึงการใช้งานที่หลากหลายและกว้างขวางในแง่มุมทางธุรกิจต่างๆ

1. การตรวจจับความต้องการ

การมองเห็นแบบเรียลไทม์และข้อมูลเชิงลึกเกี่ยวกับความต้องการในระยะสั้นช่วยให้ระดับการบริการดีขึ้นและความแม่นยำในการคาดการณ์สูงขึ้น ความสามารถนี้จะแปลข้อมูลอุปสงค์ตามตลาดเพื่อให้องค์กรในห่วงโซ่อุปทานสามารถตรวจจับรูปแบบการซื้อในระยะสั้นได้ เทคนิคทางคณิตศาสตร์ใหม่ๆ และสัญญาณอุปสงค์ที่ใกล้เคียงเรียลไทม์สามารถนำไปใช้ปรับปรุงการตอบสนองของห่วงโซ่อุปทานได้ การเปลี่ยนแปลงอุปสงค์โดยไม่ได้วางแผน – โอกาสในการเปลี่ยนแปลงสำหรับบริษัทใดๆ

2. การพยากรณ์เชิงสาเหตุ

การคาดการณ์เชิงสาเหตุในตัวจะแยกสัญญาณความต้องการที่แท้จริงออกจาก "สัญญาณรบกวน" ของตลาด ด้วยการรวมแมชชีนเลิร์นนิงเข้ากับเทคนิค Generative AI จึงสามารถค้นพบรูปแบบที่ซับซ้อนที่มักจะพลาด ช่วยให้ผู้เชี่ยวชาญด้านห่วงโซ่อุปทานมุ่งเน้นไปที่ข้อมูลที่สำคัญที่สุดต่อธุรกิจ ลูกค้า และการเติบโตโดยรวม

3. การแนะนำผลิตภัณฑ์ใหม่

การคาดการณ์การแนะนำผลิตภัณฑ์ใหม่โดยไม่มีประวัติการขายอาจเป็นเรื่องที่ท้าทาย แต่ปัญญาประดิษฐ์อาจเป็นเครื่องมืออันทรงคุณค่าที่จะช่วยให้การคาดการณ์เหล่านี้แม่นยำยิ่งขึ้น ระบบห่วงโซ่อุปทานสามารถเรียนรู้จากความต้องการที่เปลี่ยนแปลงไปแบบเรียลไทม์ เพื่อสร้างการคาดการณ์ที่แม่นยำยิ่งขึ้นโดยใช้ความพยายามน้อยลงอย่างมาก จากนั้นเมื่อเวลาผ่านไป แผนห่วงโซ่อุปทานขั้นปลายมีความเฉพาะเจาะจงมากขึ้น ซึ่งนำไปสู่ความสามารถในการทำกำไรที่สูงขึ้น ลูกค้าที่พึงพอใจมากขึ้น และการประสานข้อมูลระหว่างพันธมิตรในห่วงโซ่อุปทานได้ดีขึ้น

4. การเพิ่มประสิทธิภาพสินค้าคงคลัง

การใช้ปัญญาประดิษฐ์ในการจัดการสินค้าคงคลังจะให้ข้อมูลเชิงลึกทันทีเกี่ยวกับประสิทธิภาพสินค้าคงคลังเทียบกับแผน การวิเคราะห์อัจฉริยะรูปแบบนี้เปิดประตูสู่ตำแหน่งสินค้าคงคลังที่ทำกำไรได้มากขึ้น ในขณะเดียวกันก็แจ้งเตือนนักวางแผนห่วงโซ่อุปทานแบบเรียลไทม์และมองเห็นข้อยกเว้นและการแก้ไขปัญหาที่นำเสนอได้ทันที

ยังดีกว่า ด้วยการให้คะแนนอัจฉริยะ สถานการณ์อัจฉริยะใช้การจัดลำดับความสำคัญทางเศรษฐกิจเพื่อมุ่งเน้นไปที่โอกาสที่สำคัญที่สุดมากขึ้น ซึ่งท้ายที่สุดจะช่วยลดสินค้าคงคลังที่ล้นเหลือ ขณะเดียวกันก็เพิ่มระดับการบริการและหลีกเลี่ยงการขาดดุล นอกจากนี้ ความสามารถในการวางแผนสินค้าคงคลังยังทำให้การระบุนโยบายสินค้าคงคลังที่ดีที่สุดสำหรับ SKU แต่ละรายการได้โดยอัตโนมัติ ณ สถานที่จัดเก็บสินค้าทุกแห่งโดยอิงตามข้อมูลล่าสุด ข้อมูลดังกล่าวรวมถึงอุปสงค์ ความแปรปรวนของความต้องการ ความแปรปรวนของอุปทาน ระยะเวลารอคอยสินค้าระหว่างสิ่งอำนวยความสะดวก สินค้าคงคลังที่เก็บไว้ที่สถานที่จัดเก็บสำรอง และชนิดของสินค้าคงคลังในแต่ละสถานที่

นักวางแผนห่วงโซ่อุปทานยังสามารถใช้ประโยชน์จากฟีเจอร์นโยบายสินค้าคงคลังอัตโนมัติของ AI เพื่อพิจารณาว่าผลิตภัณฑ์ใดกำลังประสบกับความต้องการประปรายหรือ "เป็นก้อน" เช่น ช่วงขนาดที่กว้าง อะไหล่ หรืออุปกรณ์ทางอุตสาหกรรม วิธีการนี้ช่วยให้ห่วงโซ่อุปทานใช้กลยุทธ์การวางแผนการเติมสินค้าแบบสุ่มที่อาจส่งผลได้ การปรับปรุงระดับการบริการระหว่าง 9% ถึง 27% ในขณะที่ลดระดับสินค้าคงคลังและต้นทุนโลจิสติกส์

5. การเพิ่มประสิทธิภาพเครือข่าย

ความซับซ้อนในกระแสเครือข่ายห่วงโซ่อุปทานในปัจจุบันไม่เพียงแต่ขัดขวางการตรวจสอบและการจัดการการเคลื่อนย้ายสินค้าที่มีประสิทธิภาพเท่านั้น แต่ยังเพิ่มความเสี่ยงของห่วงโซ่อุปทานต่อภัยพิบัติทางธรรมชาติและความตึงเครียดทางภูมิรัฐศาสตร์ที่อาจทำให้การหยุดชะงักในการจัดส่งเพิ่มมากขึ้น

แนวทางใหม่ในการเพิ่มประสิทธิภาพเครือข่ายสามารถแก้ไขปัญหาทั่วไปนี้ได้โดยการสร้างแฝดดิจิทัลของห่วงโซ่อุปทานอย่างรวดเร็ว ด้วยการใช้ Generative AI เพื่อสำรวจสถานการณ์ที่อาจเกิดขึ้นในอนาคต กลยุทธ์นี้ช่วยให้นักวางแผนห่วงโซ่อุปทานสามารถวิเคราะห์และประเมินการกำหนดค่าต่างๆ ที่สามารถจัดการต้นทุน ปรับปรุงบริการ และสอดคล้องกับวัตถุประสงค์การลดการปล่อยก๊าซได้อย่างมีประสิทธิภาพ นอกจากนี้ ผู้วางแผนยังสามารถจำลองและประเมินสถานการณ์ที่หลากหลาย ช่วยให้สามารถตัดสินใจเชิงรุกและวางแผนเชิงกลยุทธ์เพื่อนำทางความซับซ้อนของภูมิทัศน์ห่วงโซ่อุปทานสมัยใหม่

เส้นทางที่ราบรื่นสู่การเปลี่ยนแปลงธุรกิจที่เน้น AI เป็นหลัก

ด้วยการตระหนักถึงความสัมพันธ์ที่เป็นเอกลักษณ์และเสริมกันระหว่างแมชชีนเลิร์นนิงและ Generative AI องค์กรในห่วงโซ่อุปทานจึงมีโอกาสที่ไม่ซ้ำใครในการนำบริษัทของตนเข้าสู่ยุคใหม่ของข้อมูลอัจฉริยะ พวกเขาไม่เพียงแต่สามารถนำทางความซับซ้อนของห่วงโซ่อุปทานที่ทันสมัย ​​แต่ยังปรับปรุงประสิทธิภาพ จัดการต้นทุน ปรับปรุงระดับการบริการ และสร้างอนาคตที่ยั่งยืนมากขึ้นสำหรับห่วงโซ่อุปทานและธุรกิจโดยรวมของพวกเขา