Vijf manieren waarop AI een verstoring van de toeleveringsketen kan oplossen

Bedrijfsstoringen als gevolg van de coronaviruspandemie - van lege schappen in supermarkten tot lange vertragingen in e-commerceleveringen - hebben licht geschenen op de zwakke punten in de toeleveringsketen en een groeiende kans voor kunstmatige intelligentie.

Een deel van het probleem was de omschakeling naar just-in-time manufacturing (JIT), die slanke toeleveringsketens heeft gecreëerd met lagere voorraadniveaus om het risico van overproductie en overschotten weg te nemen. Deze strategie, ontleend aan de auto-industrie, heeft leveranciers in staat gesteld hun kosten te verlagen door lage voorraadniveaus en lagere productiekosten. Maar wanneer zich een pandemie of een natuurramp voordoet waardoor de vraag stijgt, is het moeilijk om de productie op te voeren of overtollige voorraden aan te boren om de pijpleiding te vullen, vooral wanneer hele fabrieken worden stilgelegd vanwege infectie. Wat vandaag nodig is, is een nieuw model dat realtime vraagproductie via JIT mogelijk maakt.

AI-gestuurde toolkit

Meer leveranciers wenden zich tot verschillende vormen van AI om de uitdagingen van verstoring van de toeleveringsketen nu en in de toekomst beter aan te pakken. Overweeg de volgende vijf toepassingen:

• Voorspellende analyses. Om ervoor te zorgen dat bedrijven niet blind worden door veranderende markt-, economische of consumentenveranderingen, maken op AI gebaseerde voorspellende analyses nauwkeurige voorspellingen mogelijk door patronen in historische gegevens te analyseren. Het maakt gebruik van datamining, statistische modellering en machine learning om enorme datasets mogelijk te maken om toekomstige resultaten te voorspellen. Een detailhandelaar kan het bijvoorbeeld gebruiken om de waarschijnlijkheid te bepalen dat bepaalde artikelen niet op voorraad zijn en wanneer, of de waarschijnlijkheid dat een consument het merk X van papieren handdoekjes nog steeds zal kopen als de productie op Bounty stopt. Het kan ook leveranciers analyseren om te bepalen welke het meest betrouwbaar zijn in een noodsituatie.
• Deep learning. Op afstand zicht hebben op een winkellocatie is cruciaal geworden tijdens de pandemie. Tegenwoordig kan videobewaking, in combinatie met op diepgaand leren gebaseerde oplossingen, managers helpen bepalen of veiligheidsprotocollen worden gevolgd, zoals het opruimen van kassasystemen, aandringen op maskergebruik en sociale afstand. Dit soort op AI gebaseerde videobewaking kan ook helpen bij winkelaudits voor voorraadbeheer om te bepalen waar de lege schappen zich bevinden en wat er niet wordt verkocht.
• Magazijnrobotica. Robots op magazijnvloeren, het picken en verpakken van artikelen verhogen de snelheid en efficiëntie van magazijnen aanzienlijk. Tijdens de pandemie, toen er een tekort aan menselijke arbeid was vanwege zieke werknemers of mensen met gecompromitteerde gezondheidsproblemen die hen dwongen thuis te blijven, hebben robots de overhand gekregen.
• Robotische procesautomatisering (RPA). Repetitieve taken, zoals facturering, orderverwerking, gegevensinvoer en andere administratieve taken, kunnen een grote boosdoener zijn voor verstoring van de supply chain. RPA heeft veel bedrijven in staat gesteld om deze taken te automatiseren en menselijke werknemers vrij te maken om meer strategische taken uit te voeren en rechtstreeks met partners, klanten en anderen om te gaan. RPA kan bijvoorbeeld worden gebruikt om inkooporders te verwerken, vereiste voorraadniveaus te identificeren en deze af te stemmen op de werkelijke voorraad - allemaal zonder afhankelijk te zijn van menselijke tussenkomst, behalve om uitzonderingen aan te pakken.
• ComputerVision. Deze AI-gestuurde vorm van beelddetectie kan worden gebruikt in transport en logistiek, om gebieden met veel verkeer te identificeren en de beste vrachtwagenroutes te plannen. Op ComputerVision gebaseerde algoritmen analyseren digitale afbeeldingen of videobeelden van satellietbeelden om bijvoorbeeld auto's en bussen in bepaalde gebieden te herkennen en te tellen en vrachtwagenchauffeurs te helpen die gebieden te vermijden. In andere toepassingen kan het worden gebruikt om te bepalen waar mogelijk beschadigde treinsporen zijn die een vlotte aanvoer van goederen per trein zouden kunnen belemmeren.

MicroWarehouse-aanpak

Naast automatisering zullen opslag en opslag dichter bij de klanten een kenmerk worden van toekomstige toeleveringsketens. Zelfs van bedrijven als Amazon of Walmart zullen grote magazijnen worden vervangen door veel kleinere - die een klantenbestand binnen drie kilometer bedienen. In plaats van een paar grote magazijnen te hebben, kunnen bedrijven er veel hebben om het distributieproces te decentraliseren, goederen sneller bij retailers en consumenten te krijgen en zelfs duurzaamheidspraktijken te stimuleren, met minder lucht- en snelwegemissies.

In feite zal de toeleveringsketen van de toekomst heel goed uit minder menselijke werknemers bestaan; meer AI-gestuurde automatisering voor het beheren en voorspellen van voorraadbehoeften, het verwerken van gegevens en het afhandelen van backoffice-taken en magazijnactiviteiten; en nieuwe bezorgkanalen, waaronder drones, voor veiligere, contactloze thuisbezorging.

De toeleveringsketen van de toekomst zal belangrijke hindernissen moeten overwinnen om werkelijkheid te worden. Om effectief te zijn, moeten interoperabele, geïntegreerde systemen gegevens in de hele toeleveringsketen delen. Maar om te slagen zullen bedrijven open moeten staan ​​voor deze interoperabiliteit. Een andere uitdaging is de angst voor banenverlies die automatisering met zich mee zal brengen. Bedrijven moeten deze angsten wegnemen door werknemers kansen te bieden om nieuwe, meer strategische rollen op zich te nemen, door training en permanente educatie aan te bieden; en het versterken van de voordelen van AI, zonder de onwrikbare voorsprong die mensen altijd zullen hebben op AI uit het oog te verliezen.

COVID-19 heeft de zwakheden van de toeleveringsketen in de schijnwerpers gezet, maar door de lessen ervan beginnen we de toeleveringsketen van de toekomst opnieuw vorm te geven, die zal worden aangedreven door AI en mogelijk wordt gemaakt door menselijk vernuft.

Carlos Melendez is Chief Operating Officer van Wovenware.