ИИ в цепи поставок: преодоление шести ключевых барьеров для реальных результатов

Потенциал ИИ и реальность внедрения

Искусственный интеллект имеет потенциал радикально изменить практически всё к лучшему. Его влияние, вероятно, сравнимо с электричеством и другими общецелевыми технологиями, обогатившими нашу жизнь. Ранние признаки влияния уже появляются в тест-кейсах с автономными транспортными средствами, включая корабли и самолеты, и выгоды выходят далеко за рамки сокращения рабочей силы.

Пример: безопасность мореплавания

Например, с до 90% мореплаваний, приписываемых человеческой ошибке, ИИ может значительно снизить такие случаи. Благодаря vehicle-to-vehicle (V2V) коммуникации транспортные средства могут делиться важными данными: позиция, скорость, курс. Информация может использоваться для оповещения водителей и автономных систем о возможных угрозах и столкновениях, даже тех, что вне поля зрения. Она также может предупреждать о менее заметных участниках движения, таких как мотоциклы и велосипеды. V2V в сочетании с ИИ может сократить столкновения и заторы, проактивно оповещая водителей, пилотов и капитанов о предвиденных проблемах и столкновениях с другими транспортными средствами, а также других дорожных опасностях.

Экономические преимущества

Преимущества ИИ в производительности, инновациях и глобальном экономическом росте равнозначны значительны. McKinsey & Company оценивает, что внедрение ИИ «имеет потенциал обеспечить дополнительную глобальную экономическую активность около $13 трлн к 2030 году, или около 16% выше кумулятивного ВВП по сравнению с сегодня. Это составляет 1.2% дополнительного роста ВВП в год.» Оценка PwC еще выше, превышает $15 трлн.

Шесть вызовов и возможные решения

1. Нехватка больших, чистых данных

Все вычислительные процессы нуждаются в хороших данных, и ИИ не исключение. Машинное обучение (ML) в частности требует огромных объемов точных данных для обучения алгоритмов и разработки предиктивных моделей. Однако у большинства компаний нет ни качества, ни количества данных для этого.

Решение: Компании должны улучшить качество данных через эффективное мастер-данные управление (MDM) и включение реального времени данные в процессы и системы максимально возможно. Реальные, многосторонние цифровые бизнес-сети поддерживают «единую версию правды», непрерывно синхронизируя внешние системы, гарантируя, что компании работают на самых полных и актуальных данных.

Организации также должны рассматривать решения с предобученными ML-алгоритмами, опирающимися на большие объемы данных из похожих сценариев и компаний. Благодаря их огромным объемам транзакций, цифровые бизнес-сети могут быстро точить хорошо обученные алгоритмы и интеллектуальные агенты, которые новые участники сети могут использовать.

2. Компартиментализированный ИИ — неинтеллектуальный ИИ

Цепи поставок по своей природе кросс-функциональны и кросс-энтерпрайз, а данные, необходимые для их работы, разбросаны среди внутренних и внешних партнеров. Компании, пытающиеся внедрить ИИ в фрагментированном виде, игнорируя общую картину, получат плохие результаты. Без доступа ко всем релевантным данным алгоритмы будут продолжать иметь слепые зоны и упускать возможности оптимизации и исполнения.

Решение: Компании должны стремиться включить как можно больше релевантных систем, операций и торговых партнеров для усиления точности, контекста и полноты данных. Цель — соединить всю цепь поставок к реальной сети, от источника до конечного клиента. Только решение на уровне всей цепи поставок может полностью оптимизировать критические операции вроде уровней запасов и управления логистикой, мониторя полную картину спроса и предложения.

3. «Черный ящик» против объяснимого ИИ

Некоторые ML-техники, такие как скорекарды и деревья решений, легко понимать. Но нейронные сети более сложны и таинственны. Должны ли мы действовать на основе этих данных или позволять системе действовать автономно, если мы не знаем, как она пришла к таким решениям?

Эксперимент Amazon в использовании ИИ для найма талантов пошел не так, когда исследователи заметили, что система имела сильный предвзятость в найме мужчин. Это было из-за того, что алгоритмы обучались на преимущественно мужских данных. ИИ понижал кандидатов из двух женских колледжей и принимал другие неудачные решения, основанные чисто на поле.

Решение: ИИ должен быть прозрачным в своих входах, процессах и решениях. Компании должны знать, по крайней мере в существенных терминах, как работают алгоритмы, как они приходят к решениям и как они создают и распределяют ценность. Идеально, система должна делать причины решений явными, позволяя пользователям просматривать, одобрять и отменять решения автономных агентов. Компании также должны иметь возможность адаптировать алгоритмы под свои конкретные нужды.

4. Кратковзглядная оптимизация

Каждый процесс и изменение несет затраты. Когда это не учитывается в принятии решений, результат иногда может быть хуже, чем если бы ничего не делали. В цепях поставок, состоящих из многих партнеров и систем, легко потерять из виду долгосрочные последствия действия. Многие решения попадают в эту ловушку, перепланируя всю цепь поставок, создавая «нервозность» в системе и неся крупные и ненужные изменения и затраты, когда незначительное или более локальное изменение достаточно.

Решение: Чтобы избежать этой проблемы, оптимизации должны быть непрерывными, а не разовыми, и должны быть ограничены воздействием на наименьшее количество сущностей для минимизации разрыва в сети. Как в случае самолета на автопилоте, непрерывные незначительные корректировки курса могут компенсировать сдвиги условий, сохраняя самолет точно на курсе. Альтернатива — одно большое перемаршрутизирование, когда самолет далеко от курса ближе к концу пути. Эти непрерывные корректировки в сумме дают большие улучшения без вызова шокирующих волн по всей вашей цепи поставок.

5. Чересчур энтузиастичные ИИ-вендоры

Многие софт-вендоры прыгнули в поезд ИИ. В каком-то смысле это понятно, учитывая неопределенность его определения и его неопределенный и разрастающийся домен. «Машинное обучение» — более четкий термин, и это часто то, что люди имеют в виду, когда используют термин «искусственный интеллект».

Тем не менее, вендоры должны четко объяснять, что они имеют в виду, когда используют термины вроде «искусственный интеллект», «машинное обучение», «нейронные сети», «глубокое обучение» и так далее. Самое главное, они должны показать, как их ИИ доставляет больше бизнес-ценности, чем традиционные эвристические алгоритмы. Как это работает? Оно охватывает системы и предприятия, чтобы обнять всю сеть и все её условия и ограничения? Или ограничено несколькими функциями или доменами? Кто использует это, и какие результаты они достигли?

6. Пробел в навыках ИИ

Многие компании попадают в недостаток из-за быстрой эволюции и растущей жизнеспособности ИИ. Это потому, что ИИ требует современных навыков, которые могут включать новые языки, фреймворки и способы мышления. Мало компаний оборудовано для управления переходом и полного использования этой быстро развивающей области. Опрос 2018 года O'Reilly предполагает, что пробел в навыках ИИ — крупнейший барьер для внедрения ИИ.

Решение: В долгосрочной перспективе рынок позаботится о дефиците навыков, но до тех пор компании должны начать идентифицировать свои нужды и потенциальные новые наймы. Они также должны смотреть на обучение существующих сотрудников, предлагая стимулы и новые карьерные пути для поддержки перехода к ML и ИИ технологиям.

Другой вариант — партнерство с технологической фирмой, имеющей сеть, ресурсы и экспертизу для консультирования, внедрения и поддержки ИИ-решения или ИИ-платформы. Последнее позволяет компаниям начать и начать реализовывать выгоды гораздо быстрее.

나이джел Дакворт — старший стратег в One Network Enterprises, провайдере ИИ-поддерживаемой бизнес-сети.