ИИ в цепочке поставок:шесть препятствий на пути к результатам

Искусственный интеллект может радикально изменить практически все к лучшему. Его воздействие, вероятно, сопоставимо с воздействием электричества и других технологий общего назначения, которые обогатили нашу жизнь. Первые признаки его воздействия уже проявляются в тестовых примерах с автономными транспортными средствами, включая корабли и самолеты, и преимущества выходят далеко за рамки сокращения рабочей силы.

Например, с учетом того, что до 90 процентов несчастных случаев в мореплавании связано с ошибкой человека, ИИ может значительно сократить такие случаи. Благодаря обмену данными между транспортными средствами транспортные средства могут обмениваться важными данными, такими как местоположение, скорость и направление движения. Эта информация может использоваться для предупреждения водителей и автономных систем о возможных угрозах и столкновениях, даже если они находятся вне поля зрения. Он также может предупреждать водителей о менее заметных транспортных средствах на дороге, например о мотоциклах и велосипедах. V2V в сочетании с искусственным интеллектом может сократить количество столкновений и заторов, заранее предупреждая водителей, пилотов и капитанов о предполагаемых проблемах и столкновениях с другими транспортными средствами, а также о других опасностях дорожного движения.

Не менее значительны преимущества ИИ с точки зрения производительности, инноваций и глобального экономического роста. По оценкам McKinsey &Company, внедрение ИИ «может обеспечить дополнительную глобальную экономическую активность на сумму около 13 трлн долларов к 2030 году, или примерно на 16 процентов больше совокупного ВВП по сравнению с сегодняшним днем». Это составляет 1,2 процента дополнительного роста ВВП в год ». Оценка PwC еще выше - более 15 трлн долларов.

Учитывая этот потенциал, легко увлечься искусственным интеллектом и игнорировать основные проблемы, с которыми компании сталкиваются при его эффективном внедрении и использовании. Вот некоторые из проблем и возможных решений.

Отсутствие больших чистых данных. Все вычислительные процессы нуждаются в хороших данных, и искусственный интеллект не исключение. В частности, машинное обучение (ML) требует огромных объемов точных данных для обучения алгоритмов и разработки прогнозных моделей. Однако у большинства компаний нет ни качества, ни количества данных для этого.

Компаниям необходимо улучшить качество своих данных за счет эффективного управления основными данными и за счет максимально возможного включения данных в реальном времени в процессы и системы. Многосторонние цифровые бизнес-сети, работающие в режиме реального времени, поддерживают «единую версию истины», непрерывно синхронизируя внешние системы, гарантируя, что компании работают с максимально полной и актуальной информацией.

Организациям также следует рассмотреть возможность использования решений с предварительно обученными алгоритмами на основе машинного обучения, которые используют большие объемы данных из аналогичных сценариев и компаний. Из-за огромных объемов транзакций цифровые бизнес-сети могут быстро отточить хорошо обученные алгоритмы и интеллектуальных агентов, которые могут использовать новые участники сети.

Разделенный ИИ - это неразумный ИИ. Цепочки поставок по своей сути являются кросс-функциональными и кросс-корпоративными, и данные, необходимые для их работы, разбросаны между внутренними и внешними партнерами. Компании, пытающиеся внедрить ИИ фрагментарно, игнорируя общую картину, получат плохие результаты. Без доступа ко всем релевантным данным у алгоритмов по-прежнему будут слепые зоны и упущенные возможности для оптимизации и выполнения.

Компании должны стремиться включать как можно больше соответствующих систем, операций и торговых партнеров, чтобы повысить точность, контекст и полноту данных. Целью должно быть подключение всей цепочки поставок к сети в реальном времени от источника до конечного потребителя. Только решение для всей цепочки поставок может полностью оптимизировать критически важные операции, такие как уровни запасов и управление логистикой, путем мониторинга полной картины спроса и предложения.

Черный ящик против объяснимого ИИ. Определенные методы машинного обучения, такие как системы показателей и деревья решений, легко понять. Но нейронные сети более сложны и загадочны. Должны ли мы действовать на основе этих данных или позволить системе действовать автономно, если мы не знаем, как она пришла к таким решениям?

Эксперимент Amazon по использованию искусственного интеллекта для набора талантов провалился, когда исследователи заметили, что система имеет сильную предвзятость в отношении найма мужчин. Это произошло из-за того, что алгоритмы были обучены преимущественно на мужских данных. В результате МА снизила рейтинг кандидатов из двух женских колледжей и приняла другие несоответствующие решения исключительно по признаку пола.

ИИ должен быть прозрачным в своих входах, процессах и решениях. Компаниям необходимо знать, по крайней мере, в общих чертах, как работают алгоритмы, как они принимают решения и как создают и распределяют ценность. В идеале система должна четко указывать причины принятия решений, позволяя пользователям просматривать, утверждать и отменять решения автономных агентов. Компании также должны иметь возможность адаптировать алгоритмы для удовлетворения своих конкретных потребностей.

Недальновидная оптимизация . За каждый процесс и изменение приходится платить. Когда это не учитывается при принятии решений, результат иногда может быть хуже, чем если бы вообще ничего не было сделано. В цепочках поставок, состоящих из множества партнеров и систем, легко упустить из виду долгосрочные последствия действия. Многие решения попадают в эту ловушку из-за перепланирования всей цепочки поставок, создания «нервозности» в системе и внесения значительных и ненужных изменений и затрат, когда будет достаточно небольших или более локальных изменений.

Чтобы избежать этой проблемы, оптимизации должны быть постоянными, а не случайными, и должны быть ограничены воздействием на минимально возможное количество объектов, чтобы минимизировать нарушение работы сети. Как и в случае с самолетом на автопилоте, постоянные незначительные корректировки направления могут компенсировать изменения условий, сохраняя при этом самолет точно на курсе. Альтернатива - сделать одно серьезное изменение маршрута, когда самолет сильно сбился с пути ближе к концу своего полета. Эти непрерывные корректировки приводят к большим улучшениям, не вызывая резких скачков по всей цепочке поставок.

Продавцы ИИ с большим энтузиазмом. Многие поставщики программного обеспечения поддержали ИИ. В некотором смысле это понятно, учитывая расплывчатость его определения и его нечеткую и обширную область. «Машинное обучение» - это более четко определенный термин, и часто люди имеют в виду, когда они используют термин «искусственный интеллект».

Тем не менее, поставщики должны четко объяснять, что они имеют в виду, когда используют такие термины, как «искусственный интеллект», «машинное обучение», «нейронные сети», «глубокое обучение» и тому подобное. Самое главное, они должны показать, что их ИИ приносит больше пользы для бизнеса, чем традиционные эвристические алгоритмы. Как это работает? Охватывает ли он системы и предприятия, чтобы охватить всю сеть со всеми ее условиями и ограничениями? Или это ограничено несколькими функциями или доменами? Кто им пользуется и каких результатов они достигли?

Пробел в навыках искусственного интеллекта. Многие компании не справляются с быстрым развитием и растущей жизнеспособностью ИИ. Это связано с тем, что ИИ требует современных навыков, которые могут включать новые языки, структуры и способы мышления. Немногие компании способны справиться с переходом и полностью освоить это быстро развивающееся месторождение. Опрос, проведенный O’Reilly в 2018 году, показывает, что разрыв в навыках искусственного интеллекта является самым большим препятствием для внедрения искусственного интеллекта.

В конечном итоге рынок позаботится о дефиците навыков, но до тех пор компании должны начать определять свои потребности и потенциальных новых сотрудников. Им также следует обратить внимание на обучение существующих сотрудников и предложение стимулов и новых карьерных возможностей для поддержки перехода к технологиям машинного обучения и искусственного интеллекта.

Другой вариант - партнерство с технологической фирмой, у которой есть сеть, ресурсы и опыт, чтобы консультировать, внедрять и поддерживать решение на основе искусственного интеллекта или платформу на базе искусственного интеллекта. Последнее позволяет компаниям начать работу и начать получать прибыль намного быстрее.

Найджел Дакворт - старший стратег в One Network Enterprises, провайдере бизнес-сети на базе искусственного интеллекта.