KI hat im Supply Chain Management bereits bedeutende Erfolge erzielt

Die Lieferkette führt eine Reihe von Aktionen durch, vom Produktdesign über Beschaffung, Herstellung, Vertrieb, Lieferung und Kundenservice. Devavrat Bapat, Direktor für KI/ML-Datenprodukte bei Cisco, sagte: „An jedem Punkt gibt es enorme Chancen für KI und ML, denn die heutige KI ist bereits sehr gut darin, was für das Lieferkettenmanagement erforderlich ist.“ . Die erste ist die Prognose, bei der KI eingesetzt wird, um die nachgelagerte Nachfrage oder vorgelagerte Engpässe vorherzusagen. Darüber hinaus können Algorithmen ein oder mehrere Ereignisse erkennen, von denen sie glauben, dass sie Vorboten für Ausfälle sind, und dann die Bediener am Fließband warnen, bevor sich die Produktionsqualität verschlechtert

Die zweite Möglichkeit ist die Inspektion, bei der KI eingesetzt wird, um Probleme in der Fertigung zu finden. Es kann auch verwendet werden, um Materialien und Komponenten zu zertifizieren und sie entlang der gesamten Lieferkette zu verfolgen

Letztendlich wird KI die Lieferkette optimieren, um den Bedürfnissen bestimmter Kunden in jeder gegebenen Situation gerecht zu werden. Obwohl es bereits grundlegende Technologien gibt, besteht die Herausforderung weiterhin darin, ein Maß an Datenaustausch zu fordern, das in aktuellen Lieferketten nur schwer zu erreichen ist. In der Zwischenzeit profitieren viele Unternehmen immer noch von den Vorteilen verbesserter Prognosen und Inspektionen

Prognose

Nehmen Sie das Beispiel von Amcor, einem der weltweit größten Verpackungsunternehmen mit einem Jahresumsatz von 15 Milliarden US-Dollar und mehr als 41.000 Mitarbeitern Fabriken auf der ganzen Welt. Das Unternehmen konzentriert sich hauptsächlich auf Lebensmittel- und Gesundheitsverpackungen, wo es den Großteil des Marktanteils hält

„Wir stellen Verpackungen für ein Drittel der Produkte in Ihrem Kühlschrank her“, sagte Joel Lanchin, der globale Chief Information Officer des Unternehmens Die Herausforderungen in der Fertigung hängen mit der genauen Vorhersage und Anpassung an sich ändernde Nachfrage zusammen. In der Welt der Lebensmittelversorgungskette werden Bestellungen häufig aufgrund von Nachfrageänderungen geändert. Bei heißem Wetter trinken die Menschen beispielsweise mehr Gatorade, was zu einem plötzlichen Anstieg der Nachfrage führen könnte, sodass die Nachfrage nach Flaschen um 10 bis 15 Prozent steigen könnte. Dasselbe gilt auch für andere Arten von Produkten. Möglicherweise gibt es plötzlich mehr Fische im Meer, was den Bedarf an Verpackungen für mehr Fische erhöht. „Selbst wenn wir versuchen, Vorhersagen zu treffen, ist es sehr schwierig, weil wir nicht immer im Voraus wissen, was unsere Kunden wollen“, sagte Lanchin. Das andere Ende der Lieferkette steht vor ähnlichen Herausforderungen. Wenn Amcor Engpässe nicht genau vorhersagen kann, kann es keine Rohstoffvorräte im Voraus anlegen. Noch wichtiger ist, dass das Unternehmen Preisänderungen vorhersagen muss, damit es mehr zu einem niedrigeren Preis kaufen kann, bevor die Preise steigen, oder weniger kaufen kann, wenn ein Rückgang bevorsteht

Vor etwa einem Jahr begann Amcor mit EazyML, einer Plattform, zu experimentieren Dies trägt dazu bei, die Kundennachfrage und angebotsseitige Prognosen zu optimieren. Sie trainierten das Tool anhand von dreijährigen Daten aus dem ERP, um nach Fluktuationsmustern zu suchen. Das System versucht, Kategorien von Änderungen zu finden und welche Ereignisse mit verschiedenen Arten von Änderungen verbunden sind. Es untersucht beispielsweise saisonale Schwankungen und ob zwei oder mehr Arten von Veränderungen gleichzeitig auftreten oder ob sie sich gegenseitig ausschließen

Lanchin sagte: „Die ersten Ergebnisse, die wir erzielt haben, sind sehr ermutigend und übertreffen unsere Erwartungen bei weitem.“ Wenn Sie Veränderungen vorhersagen können, können Sie Ihren Rohstoffbedarf besser vorhersagen und ihn bei Bedarf im Voraus auffüllen.

Für Bapat ist das keine Überraschung, denn er sagt, dass Prognosen durch künstliche Intelligenz erheblich verbessert werden. „In der Vergangenheit verließen sich viele Unternehmen auf Konsensprognosen und gewichteten die Meinungen verschiedener Experten, um zu einer durchschnittlichen Prognose zu gelangen“, sagte er außerdem: „Untersuchungen zeigen, dass statistische Prognosemethoden verwendet werden, um aus historischen Daten zu extrapolieren.“ , übertrifft durchweg die Konsensmethode. Aber der Schlüssel liegt darin, sicherzustellen, dass man die richtigen Daten verwendet Verwenden Sie Fotolithographie. Die Technologie wird auf einen Wafer gedruckt. Diejenigen, die sich am nächsten zur Mitte des Wafers befinden, weisen in der Regel die besten Leistungskurven auf. Diejenigen, die sich näher am Außenring befinden, leiden tendenziell unter einer Leistungseinbuße, obwohl sie immer noch zuverlässig sind. Intel hat einen Qualitätsgrenzwert, ab dem Chips aufbewahrt oder weggeworfen werden sollten. Die Inspektion der Wafer durch Menschen wäre ein zeitaufwändiger und fehlerbehafteter Prozess.

Greg Lavender, Senior Vice President und Chief Technology Officer bei Intel, sagte: „Wir nutzen künstliche Intelligenz, um hochwertige Chips auszuwählen und schneller auf den Markt zu bringen und so eine bessere Qualität zu liefern.“ Eines der Dinge, die wir mit künstlicher Intelligenz machen. Ich habe Hunderte von KI-Softwareentwicklern, die mir Bericht erstatten. Ein Teil ihrer Arbeit wird für Inspektionen und Tests in unseren Fabriken verwendet, aber manchmal wird die von ihnen entwickelte KI auch intern für die Lieferung unserer Produkte verwendet, ohne dass dies den Menschen unbedingt bekannt ist

Ein typisches Beispiel ist, wie Intel seinen OEM-Kunden durch die Bereitstellung von Softwaretools beim Testen von Malware hilft. Eines dieser Tools ist die Intel Threat Detection Technology, die auf Intel-Laptops läuft. Beim Ausführen von Code in Windows untersucht der Intel-Code den Befehlsfluss in der CPU. Mithilfe eines adaptiven Lernsignaturalgorithmus sucht es nach Anomalien im Code, die mit Malware-Signaturen übereinstimmen. Sobald eine Übereinstimmung gefunden wird, fängt das Tool die Malware ab oder blockiert sie und warnt Windows Defender vor Geräteinfektionen

„In allen CPUs unserer Kunden ist eine Technologie zur Bedrohungserkennung integriert“, sagte Lavender Nachdem das Endprodukt zusammengestellt ist, ist die einzige Möglichkeit, sie zu finden, die Verwendung dieses Tools. Wir bieten dieses und andere KI-Tools seit einigen Jahren an, aber jetzt, da viel über große Sprachmodelle gesprochen wird, sprechen immer mehr Menschen darüber.

Laut Ciscos Bapat sind Inspektionen ein wichtiger Bestandteil des Lieferkettenmanagements. Die Inspektion wird einfacher, wenn in der Produktdesignphase die richtigen Schritte unternommen werden. „Wenn Sie in den Produktdesignprozess Instrumente einbetten, die Daten generieren können, um den Fluss zu überwachen, können Sie eine Menge Kosten einsparen“, sagte er. „Wenn Sie die Materialkosten und Arbeitskosten eines Produkts berücksichtigen, werden Sie feststellen.“ dass sie sehr hoch sind. Die Belastung umfasst hauptsächlich Produktqualität sowie Überwachungs- und Verwaltungskosten. KI trägt bereits heute dazu bei, diese Kosten zu minimieren

Optimierung

Prognosen und Inspektionen sind beide wichtig, aber die größte Wirkung wird sich ergeben, wenn Lieferketten auf spezifische Kundenbedürfnisse zugeschnitten werden können. Bapat hat eine wichtige Lektion gelernt, als er einen seiner besten KI-Algorithmen entwickelte. Die Entwicklung und Bereitstellung dauerte neun Monate – und letztendlich dauerte es dennoch überraschend lange, bis es funktionierte. Als er darüber nachdachte, was schief gelaufen war, wurde ihm klar, dass die Technologie, egal wie gut sie war, nicht die gewünschten Ergebnisse bringen würde, wenn er sich nicht zunächst die Zeit genommen hätte, zu verstehen, wer die Endkunden waren und wie sie die Anwendung nutzen wollten . Er wies auch darauf hin, dass die Geschäftsleitung zwar oft die lautesten Stimmen habe, aber nicht die Endkunden seien.

„Seitdem habe ich immer betont, dass ich, egal ob es um den Vertrieb oder das Supply Chain Management geht, immer mit einem guten Verständnis des Grundgeschäfts beginne.“ Daten und KI.“

Bapat glaubt, dass dieses Konzept auf das Lieferkettenmanagement angewendet werden sollte: „Wenn Sie sich wirklich auf den Endverbraucher konzentrieren, kann KI helfen, indem sie Verbraucher und ihre Umgebung segmentiert und gezielt anspricht Berücksichtigen Sie auf dem Weg zurück in die Lieferkette die unterschiedlichen Kosten: Arbeit, Produktion, Steuern, Lagerbestand und optimieren Sie diese gemeinsam.

Sobald die Lieferkette für den Prozess optimiert ist, können Sie mit der Installation und Durchführung von prädiktiver Qualität und Wartung beginnen In diesem Punkt können Sie zur Beschaffungsseite des Beschaffungsmanagements zurückkehren. „Dies unterstützt die Idee, dass Lieferanten Partner und keine Gegner sind“, sagte er. „

Daher stellt die Natur der Lieferkette, die aus mindestens drei unabhängigen Unternehmen besteht, die keine Daten austauschen, eine langjährige Herausforderung dar. Erstens können diese Unternehmen mit einem oder mehreren Partnern in der Branche konkurrieren . Zweitens können sie Teil konkurrierender Lieferketten sein und drittens behalten sie Informationen, um ihre Stärke am Verhandlungstisch zu erhöhen

Die aktuelle Generation von KI kann Lieferketten optimieren und sie sogar auf den richtigen Preis zuschneiden Kunden Um dies zu erreichen, ist jedoch ein Maß an Datenaustausch erforderlich, zu dem nur wenige Unternehmen bereit sind

Bapat sagte: „Was fehlt, ist eine Technologie, die es Unternehmen ermöglicht, einige ihrer Daten völlig vertraulich weiterzugeben, ohne dass sie zu viel preisgeben.“ „Es wird noch fünf bis zehn Jahre dauern, bis wir dieses Ziel erreichen.

Das obige ist der detaillierte Inhalt vonKI hat im Supply Chain Management bereits bedeutende Erfolge erzielt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!