Il ruolo dell’IA generativa nelle catene di approvvigionamento

Il ruolo dell'IA generativa nelle catene di approvvigionamento' --> 'Il ruolo dell'IA generativa nelle catene di approvvigionamento

Come le interruzioni della catena di approvvigionamento sono diventate argomento frequente nelle discussioni del consiglio di amministrazione nel 2020, l’IA generativa è diventata rapidamente l’argomento caldo del 2023. Dopotutto, ChatGPT di OpenAI ha raggiunto 100 milioni di utenti nei primi due mesi, diventando l’applicazione consumer con la crescita più rapida nella storia.

Le catene di approvvigionamento sono, fino a un certo punto, ben adatte alle applicazioni dell’IA generativa, dato che funzionano e generano grandi quantità di dati. La varietà e il volume dei dati e i diversi tipi di dati aggiungono ulteriore complessità a un problema del mondo reale estremamente complesso: come ottimizzare le prestazioni della catena di approvvigionamento. E sebbene i casi d’uso per l’IA generativa nelle catene di approvvigionamento siano ampi, compresi l’aumento dell’automazione, la previsione della domanda, l’elaborazione e il monitoraggio degli ordini, la manutenzione predittiva delle macchine, la gestione dei rischi, la gestione dei fornitori e altro ancora, molti si applicano anche all’IA predittiva e sono già stati adottati e implementati su larga scala.

Questo articolo illustra alcuni casi d’uso particolarmente adatti per l’IA generativa nelle catene di approvvigionamento e offre alcune precauzioni che i leader della catena di approvvigionamento dovrebbero considerare prima di effettuare un investimento.

Decisioni Assistite

Lo scopo principale dell’IA e del ML nelle catene di approvvigionamento è semplificare il processo decisionale, offrendo la promessa di maggiore velocità e qualità. L’IA predittiva lo fa fornendo previsioni e previsioni più accurate, scoprendo nuovi modelli non ancora identificati e utilizzando volumi molto elevati di dati rilevanti. L’IA generativa può portare questo un passo avanti supportando diverse aree funzionali della gestione della catena di approvvigionamento. Ad esempio, i responsabili delle catene di approvvigionamento possono utilizzare modelli di IA generativa per fare domande di chiarimento, richiedere dati aggiuntivi, capire meglio i fattori influenti e vedere le prestazioni storiche delle decisioni in scenari simili. In breve, l’IA generativa rende significativamente più rapido e più facile per l’utente il processo di dovuta diligenza che precede la presa di decisioni.

• L’Enigma per ChatGPT PUMA è un Approccio AI che Propone un Modo Veloce e Sicuro per l’Inferenza di LLM
• LEGGI Avatar Avatar Audio Realistici Controllabili in Emozioni
• Come superare l’esame per il certificato professionale di Data Scientist

Inoltre, basandosi sui dati e sui modelli sottostanti, l’IA generativa può analizzare grandi quantità di dati strutturati e non strutturati, generare automaticamente vari scenari e fornire raccomandazioni in base alle opzioni presentate. Ciò riduce significativamente il lavoro non aggiunto che i responsabili delle catene di approvvigionamento fanno attualmente e li abilita a dedicare più tempo a prendere decisioni basate sui dati e a rispondere più velocemente alle variazioni di mercato.

Una (Possibile) Soluzione alla Carenza di Personale nella Gestione delle Catene di Approvvigionamento

Negli ultimi anni, le aziende hanno sofferto di una carenza di personale nella gestione delle catene di approvvigionamento a causa del burnout dei pianificatori, dell’attrito e di una ripida curva di apprendimento per i nuovi assunti a causa della complessità del lavoro. I modelli di IA generativa possono essere adattati alle procedure operative standard delle aziende, ai processi aziendali, ai flussi di lavoro e alla documentazione del software e quindi possono rispondere alle richieste degli utenti con informazioni contestualizzate e pertinenti. L’interfaccia utente conversazionale comunemente associata all’IA generativa rende significativamente più facile interagire con un sistema di supporto e consente di perfezionare la query, accelerando ulteriormente il tempo necessario per trovare le informazioni corrette.

Combinare un sistema di apprendimento e sviluppo basato sull’IA generativa con un supporto decisionale assistito basato su IA generativa può contribuire ad accelerare la risoluzione di vari problemi di gestione del cambiamento. Può anche accelerare l’integrazione dei nuovi dipendenti riducendo il tempo di formazione e i requisiti di esperienza lavorativa. Inoltre, l’IA generativa può dotare le persone con disabilità migliorando la comunicazione, migliorando la cognizione, l’assistenza alla lettura e alla scrittura, fornendo organizzazione personale e supportando l’apprendimento e lo sviluppo in corso.

Mentre alcuni temono che l’IA generativa porterà alla perdita di posti di lavoro nei prossimi anni, altri pensano che alzerà il livello del lavoro rimuovendo le attività ripetitive e facendo spazio a compiti più strategici. Nel frattempo, si prevede che risolverà la cronica carenza di talento nell’approvvigionamento e nella gestione digitale delle catene. Ecco perché è importante imparare a lavorare con questa tecnologia.

Costruire il Modello di Catena di Approvvigionamento Digitale

Le catene di approvvigionamento devono essere resilienti e agili, il che richiede la visibilità tra le imprese. La catena di approvvigionamento deve “conoscere” l’intera rete per essere visibile. Tuttavia, costruire il modello digitale dell’intera rete di catene di approvvigionamento di tipo n è spesso proibitivo in termini di costi. Le grandi aziende hanno dati dispersi in decine o centinaia di sistemi, con la maggior parte delle grandi aziende che gestiscono più di 500 applicazioni contemporaneamente tra ERP, CRM, PLM, approvvigionamento e sourcing, pianificazione, WMS, TMS e altro ancora. Con tutta questa complessità e frammentazione, è estremamente difficile unire logicamente questi dati disomogenei. Ciò si complica ulteriormente quando le organizzazioni guardano oltre ai fornitori di primo o secondo livello, dove la raccolta di dati in un formato strutturato è improbabile.

I modelli di IA generativa possono elaborare grandi quantità di dati, inclusi dati strutturati (dati di base, dati di transazione, EDI) e dati non strutturati (contratti, fatture, scansioni di immagini), per identificare modelli e contesti con limitata preelaborazione dei dati. Poiché i modelli di IA generativa imparano dai modelli e utilizzano calcoli di probabilità (con qualche intervento umano) per prevedere l’output logico successivo, possono creare un modello digitale più veritiero della rete di approvvigionamento di tipo n, più velocemente e su larga scala, e ottimizzare la collaborazione e la visibilità tra aziende e all’interno delle aziende. Questo modello di tipo n può essere ulteriormente arricchito per sostenere le iniziative ESG, comprese ma non limitate all’identificazione di minerali di conflitto, all’uso di risorse o aree sensibili dal punto di vista ambientale, al calcolo delle emissioni di carbonio dei prodotti e dei processi e altro ancora.

Anche se l’IA generativa offre un’importante opportunità ai leader della supply chain di essere innovativi e creare un vantaggio strategico, ci sono determinate preoccupazioni e rischi da considerare.

La tua Supply Chain è unica

Le applicazioni generiche dell’IA generativa, come ChatGPT o Dall-E, attualmente hanno successo nell’affrontare compiti più ampi perché i modelli sono addestrati su grandi quantità di dati pubblicamente disponibili. Per sfruttare appieno le capacità dell’IA generativa per la supply chain aziendale, questi modelli dovranno essere adattati ai dati specifici dell’azienda e al contesto specifico dell’organizzazione. In altre parole, non è possibile utilizzare un modello addestrato in modo generico. Le sfide nella gestione dei dati, come la qualità dei dati, l’integrazione e le prestazioni, che ostacolano i progetti di trasformazione attuali, possono anche influire sugli investimenti in IA generativa, portando a un esercizio costoso e che richiede molto tempo senza la soluzione adeguata per la gestione dei dati già in atto.

L’IA generativa dipende dalla comprensione dei modelli all’interno dei dati di addestramento e se i professionisti della supply chain hanno imparato qualcosa negli ultimi tre anni è che le supply chain continueranno ad affrontare nuovi rischi e opportunità senza precedenti.

Sicurezza e Regolamentazioni

Il requisito fondamentale dei modelli di IA generativa è l’accesso a grandi quantità di dati di addestramento per comprendere modelli e contesto. Detto questo, l’interfaccia simile a quella umana delle applicazioni di IA generativa può portare all’usurpazione dell’identità dell’utente, al phishing e ad altre preoccupazioni per la sicurezza. Sebbene un accesso limitato all’addestramento del modello possa portare a un’IA di bassa performance, concedere un accesso illimitato ai dati della supply chain può portare a incidenti di sicurezza delle informazioni in cui informazioni critiche e sensibili vengono rese disponibili a utenti non autorizzati.

Non è nemmeno chiaro come i vari governi sceglieranno di regolamentare l’IA generativa in futuro, dato che l’adozione continua a crescere e vengono scoperte nuove applicazioni dell’IA generativa. Diversi esperti di IA hanno espresso preoccupazione per il rischio rappresentato dall’IA, chiedendo ai governi di sospendere gli esperimenti su larga scala di IA fino a quando i leader tecnologici e i responsabili delle politiche non potranno stabilire regole e regolamentazioni per garantire la sicurezza.

L’IA generativa offre numerose opportunità di miglioramento per le organizzazioni che possono sfruttare questa tecnologia e creare un moltiplicatore di forza per l’ingegno umano, la creatività e la presa di decisioni. Detto questo, finché non ci saranno modelli addestrati e progettati specificamente per casi d’uso nella supply chain, il modo migliore per procedere è un approccio equilibrato agli investimenti in IA generativa.

Sarà prudente stabilire delle linee guida adeguate per garantire che l’IA fornisca un insieme di piani ottimizzati per ogni utente da revisionare e selezionare, che siano allineati con i processi aziendali e gli obiettivi. Le aziende che combinano “playbook aziendali” con l’IA generativa saranno in grado di aumentare al meglio la capacità dei team di pianificare, decidere ed eseguire, ottimizzando nel contempo gli obiettivi aziendali desiderati. Le organizzazioni dovrebbero anche prendere in considerazione un solido caso aziendale, la sicurezza dei dati e degli utenti e obiettivi aziendali misurabili prima di investire in una nuova tecnologia di IA generativa.