¡Esta publicación ya ha sido leída 655 veces!
La IA puede tener un gran impacto en las áreas correctas de la gestión de la cadena de suministro, pero existen desafíos y obstáculos importantes.
La Inteligencia Artificial está en proceso de revolucionar por completo las cadenas de suministro (así como otros campos). Es uno de esos cambios drásticos que ocurren con muy poca frecuencia y lo cambian todo.
La disrupción resultante producirá una nueva generación de ganadores y perdedores.
Sin embargo, no todo es perfecto en la tierra de la IA. Hay muchos obstáculos que pueden atrapar a los incautos. En este artículo exploramos tanto los inmensos beneficios de la IA como las minas terrestres que es necesario esquivar para tener éxito en el contexto de la cadena de suministro.
"Lo que la IA aporta es un aumento espectacular de las capacidades que, en términos generales, caen bajo el paraguas del reconocimiento y análisis de patrones a nivel humano". – Ranjit Notani #AI #MachineLearning #SupplyChain Click To Tweet
Antes de la IA, el estado del arte en la cadena de suministro giraba en torno a la ejecución sofisticada de procesos dentro y entre empresas junto con algoritmos sofisticados para la planificación y optimización y la perfecta integración de la planificación y la ejecución. Una cruda simplificación de estos enfoques es que se basaban en la precisión y el determinismo.
Lo que la IA aporta es un aumento espectacular de las capacidades que, en términos generales, caen bajo el paraguas del “reconocimiento y análisis de patrones a nivel humano”. Si bien el reconocimiento y el análisis de patrones estaban presentes en la generación anterior, la IA actual da un salto cualitativo en ese sentido. Entonces, en este sentido, las fortalezas de la IA son muy complementarias a las fortalezas de la generación anterior de determinismo y precisión.
Para nosotros es evidente que lo que realmente necesitamos es una unión de ambos enfoques.
Dónde la IA puede tener un impacto en las cadenas de suministro
Entonces, ¿dónde puede este tipo de reconocimiento de patrones mejorar drásticamente los resultados?
El ejemplo obvio está en el área de Demanda y otros tipos de pronóstico.. Estos procesos ya estaban conceptualizados como enfoques basados en el reconocimiento de patrones, por lo que fue un salto natural aplicar la IA a estos procesos. De hecho, los nuevos pronosticadores de IA de vanguardia ya están superando (a veces dramáticamente) a la generación anterior de pronósticos. Una de las razones de este rendimiento superior es que el aprendizaje automático (la rama de la IA que recibe mayor atención actualmente) aprende de enormes cantidades de datos y puede detectar patrones causales que un humano o algoritmos anteriores no podrían detectar. Mejorar la precisión de los pronósticos es una de las mejoras de procesos conocidas que generan beneficios directos para las empresas.
Otros ejemplos de procesos que caen en esta categoría (es decir, enfoques basados en patrones que ya se utilizan) fueron procesos como optimización de inventario de varios escalones, Predictores de ETA, etc. Estos procesos están experimentando mejoras dramáticas similares con beneficios finales directos.
Acechando debajo de la superficie de estas áreas "obvias" hay un vasto conjunto de procesos que se basaban esencialmente en patrones, pero los patrones eran demasiado complejos para procesar y en su mayoría eran dominio de analistas humanos, planificadores, etc.
Dónde importa realmente la IA en la cadena de suministro: una mirada a los frutos más inmediatos de la IA y los principales desafíos y obstáculos... Click To Tweet
Algunos ejemplos de estas áreas son establecimiento de políticas. es decir, qué políticas se deberían establecer para impulsar mejores resultados. Los sistemas modernos de cadena de suministro (incluso los que cuentan con muchas plantillas con las mejores prácticas) vienen con una gran cantidad de políticas que se pueden establecer, pero descubrir cómo establecerlas lleva tiempo, incluso con analistas y planificadores humanos experimentados.
Otra área que cae en esta categoría es el ámbito de priorización de problemas o "centrar la atención". Los sistemas modernos de cadena de suministro permiten visibilidad y alertas en tiempo real en toda una cadena de suministro multiempresa. Esto puede producir una avalancha de problemas que exigen atención. La pregunta es qué en qué debería centrarse el analista/planificador.
El enfoque tradicional sería algún tipo de clasificación alto/medio/bajo. Pero la IA ahora puede hacer un trabajo mucho mejor al centrar la atención del analista en el subconjunto de problemas/alertas que son realmente los más críticos. Puede observar los patrones de la cadena de suministro subyacente, así como el contexto del usuario, para producir una priorización mucho mejor de los problemas que requieren atención. Esto permite una utilización mucho mejor del recurso más escaso del usuario (el tiempo).
La IA sobresale en la priorización de problemas. Puede hacer un trabajo mucho mejor al centrar la atención del analista de la cadena de suministro en el subconjunto de problemas/alertas que son realmente los más críticos para el negocio. Click To Tweet
Más allá de la visibilidad, el siguiente paso está en el ámbito de toma de decisiones. La cadena de suministro tiene un espacio de decisión notoriamente de “altas dimensiones”. En lenguaje sencillo, hay tantos factores que interactúan y todo parece afectar a todo lo demás que resulta difícil resolver los problemas de forma eficaz.
En el pasado, parte de esto se “resolvía” planificando con funciones y restricciones objetivas matemáticamente impecables. Si bien seguían siendo muy útiles, estos enfoques tenían el principal problema de no abordar bien las realidades en rápida evolución de las cadenas de suministro reales (especialmente cuanto más se acercaba la ejecución). Aquí las cosas se volverían cada vez más caóticas y los usuarios recurrirían al proceso eufemísticamente a veces llamado “aceleración” y “extinción de incendios”. Sin embargo, con la llegada de la IA, ahora puede observar el complejo panorama de planificación y ejecución y sugerir Smart Prescriptions™ en tiempo real y sensibles al contexto, que guían al usuario hacia resultados óptimos.
Todas las aplicaciones de IA antes mencionadas tienen la ventaja de que también aprenden continuamente basándose en un estrecho circuito de retroalimentación entre la acción y el resultado. Esto, a su vez, significa que incluso cuando hay "cambios de fase" en las características de la cadena de suministro, la IA los capta.
El siguiente nivel en el análisis y la acción basados en patrones a nivel humano proviene de Procesando lenguajes humanos.. Aquí es donde los modelos de lenguajes grandes (LLM) como ChatGPT están desempeñando un papel importante. Por un lado, estos modelos permiten el chat, pero si uno se aleja un poco, lo que hacen fundamentalmente es abrir el mundo de los datos textuales para incorporarlos a la toma de decisiones de la cadena de suministro. Resulta que existe un volumen gigantesco de información textual útil, pero nunca podría procesarse a escala. El LLM cambia eso.
“El riesgo de la cadena de suministro es una capacidad críticamente subempleada y es necesaria ahora más que nunca. Con la IA ahora podemos llevar a cabo la gestión de riesgos de la cadena de suministro a escala”. – Ranjit Notani #AI #SupplyChain Click To Tweet
Por ejemplo, los datos sobre riesgos de la cadena de suministro se encuentran principalmente en fuentes textuales y, por primera vez, pueden procesarse, analizarse semánticamente, clasificarse y aplicarse. Esto está permitiendo que la gestión de riesgos de la cadena de suministro finalmente se realice a escala y de manera sistemática. Si los últimos años nos han enseñado algo, es que el riesgo de la cadena de suministro es una capacidad críticamente subempleada y es necesaria ahora más que nunca. Junto con la repentina disponibilidad de información sobre riesgos a escala, también es necesario, y ya se está haciendo, habilitar el riesgo en el lado “determinista” (planificación y ejecución restringida de múltiples niveles).
Otros ejemplos de información textual que generan avances se encuentran en el área de gestión de la calidad. Finalmente, una gran parte de la cadena de suministro transaccional todavía está orientada a la documentación y todos estos procesos ahora pueden integrarse completamente.
Hasta ahora hemos analizado algunos ejemplos de transformación principalmente funcional de la cadena de suministro. Sin embargo, se está produciendo una transformación igualmente dramática en el ámbito de la tecnología de la información (TI).
Por ejemplo, uno de los principales factores que influyen en el tiempo y el costo de implementar cadenas de suministro modernas es el tiempo y el gasto de la integración. Sin embargo, la IA ahora está permitiendo “integración semántica” (interrelacionando diversas fuentes de información y datos), reduciendo drásticamente el tiempo para realizar estas integraciones. Otro componente importante son los datos maestros limpios de varios niveles con referencias cruzadas y nombres limpios. Una vez más, la IA y sus mapeo semántico Las habilidades están aportando mejoras espectaculares a este proceso.
Los desafíos de implementar IA en la cadena de suministro
Con todos estos cambios revolucionarios ocurriendo, es importante no pasar por alto algunas advertencias importantes.
El problema de la caja negra
Uno de los principales problemas es que la IA es una especie de caja negra y produce excelentes resultados la mayor parte del tiempo. Sin embargo, debido a que no se comprende bien la forma en que se producen los resultados (en comparación con, por ejemplo, los algoritmos de optimización combinatoria), es difícil anticipar y abordar algunos modos de falla.
Al menos a corto plazo, es necesario modificar toda la experiencia del usuario de las aplicaciones de la cadena de suministro para permitir que los humanos examinen de forma natural las decisiones, especialmente las de alto riesgo. Luego, a medida que los usuarios se sientan cómodos con las decisiones, estas aplicaciones deberían permitirles fácilmente "promover" la IA a un modo totalmente autónomo.
Calidad y volumen de datos
Otra advertencia importante de la IA, especialmente el subtipo de aprendizaje automático donde se encuentran la mayoría de los avances activos, es que dependen en gran medida de grandes volúmenes de datos de alta calidad. Sin datos, sin IA. Esto significa que, a diferencia de los algoritmos tradicionales que funcionan en todos los contextos, una IA puede funcionar muy bien en un problema en el que hay muchos datos y fallar en un problema en el que hay menos datos o es deficiente.
Hay dos soluciones para este problema. La primera es que cualquier sistema moderno de cadena de suministro habilitado para IA debería poder ingerir modelos de IA entrenados con datos que tal vez ni siquiera estén en su sistema. Esto requiere un enfoque basado en estándares para abordar los modelos de IA. Tanto las normas de facto como las de jure son un elemento fundamental en este sentido.
La segunda solución a este problema se basa en la noción de IA fundamental y el llamado aprendizaje por transferencia. Con este enfoque, las IA pueden entrenarse en grandes conjuntos de datos para resolver problemas en general y luego, mediante el aprendizaje por transferencia, "afinarse" con datos adicionales relativamente pequeños para resolver un problema particular donde los datos pueden ser mucho más escasos.
Dónde importa realmente la IA en la cadena de suministro: una mirada a los frutos más inmediatos de la IA y los principales desafíos y obstáculos... Click To Tweet
Liberar la eficacia de la IA en la cadena de suministro requiere cambios significativos
En resumen, la IA está cambiando drásticamente todos los aspectos de las cadenas de suministro, lo que genera resultados dramáticamente mejores para las empresas que las adoptan de manera más efectiva. Sin embargo, requiere un cambio integral en la forma en que se construyen los sistemas modernos.
- Una fusión eficaz de la optimización combinatoria tradicional con la IA para aprovechar los puntos fuertes de ambas.
- Un replanteamiento de toda la experiencia del usuario para pasar a una interfaz más natural basada en chat, así como abordar los problemas de que la IA sea una especie de caja negra.
- Incorporar la IA a los fundamentos de TI de los sistemas de la cadena de suministro para mejorar drásticamente el tiempo de generación de valor.
- Construir cadenas de suministro que tengan en cuenta las advertencias de la IA.
Al final del día, estamos en el camino hacia la creación de verdaderos y creativos asistentes de IA en la cadena de suministro que harán que los usuarios humanos sean mucho más productivos, permitiéndoles concentrarse en los problemas más difíciles. Estos asistentes de IA de la cadena de suministro estarán imbuidos de conocimientos de la cadena de suministro en general y de la cadena de suministro del usuario en particular.
Si desea profundizar en este tema, le recomiendo leer 8 claves para el éxito de la IA en la gestión de la cadena de suministro. Lo guiará a través de algunos de los factores críticos necesarios para implementar correctamente la IA en la cadena de suministro.
Mensajes recomendados
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- ChartPrime. Eleve su juego comercial con ChartPrime. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://supplychainbeyond.com/where-ai-actually-matters-in-the-supply-chain/
