Een benadering in drie stappen voor de adoptie van AI, en wat te prioriteren

De wereldwijde impact van de pandemie heeft een aantal belangrijke lessen opgeleverd voor bedrijven die de volgende grote verstoring willen overleven. Een daarvan is de noodzaak om kunstmatige intelligentie beter te implementeren in toeleveringsketens.

Hier volgen enkele tips over hoe bedrijven dat doel kunnen bereiken.

Bouw eerst een beter model om te anticiperen op de vraag van de consument, een model dat rekening houdt met minder voor de hand liggende input. Momenteel zijn dergelijke systemen gebouwd rond eenvoudige trend- en seizoensvoorspellingen. In plaats daarvan moeten ze rekening houden met externe inputs die verband houden met inflatie, indexcijfers van de consumptieprijzen en andere inputschokken veroorzaakt door het interventiebeleid van COVID-19, zoals stimuleringsmaatregelen, lockdowns en woningbouw. Veel van deze patronen zijn achteraf gemakkelijk te zien, maar dat betekent niet dat ze niet van tevoren kunnen worden opgemerkt. Het mooie van op AI gebaseerde modellen voor prognoses is dat ze interacties kunnen oppikken tussen schijnbaar niet-gerelateerde functies.

Zodra een beter model voor de consumentenvraag is gebouwd, maakt u een secundair model voor de schatting van de verzending. Het moet zo worden geconstrueerd dat het op elk moment rekening houdt met de huidige toestand van de toeleveringsketen en de kosten voor het verzenden van een container vol product moet voorspellen. Een voordeel van deze tool is dat deze achteraf kan worden getest om de nauwkeurigheid te evalueren. Kijk gewoon naar het verleden en controleer op elk moment de prijsraming om te zien of deze overeenkomt met de werkelijkheid.

Bouw ten slotte een systeem dat het vraagmodel en de kostenramer gebruikt om te fungeren als een echte supply chain-AI. De manier waarop dit zou werken, is gebaseerd op twee kernwaarnemingen:

• Het vraagmodel kan worden gebruikt om te voorspellen welke capaciteit op een bepaald moment in de toekomst nodig is.
• Het kostenramingsmodel kan worden gebruikt om te voorspellen wat de prijs zou zijn om die verzending op dat moment in de toekomst voor die vraag mogelijk te maken.

Met die twee mogelijkheden kan een AI-systeem verbeteren door de invoerhendels op het kostenramingsmodel aan te passen. Het model zal invoerparameters hebben die zo simpel kunnen zijn als "hoeveel uur per dag draait de haven van Los Angeles." Het wordt in staat om het effect op de verzendkosten te kennen op basis van veranderende waarden. De AI zou kunnen worden getraind om voortdurend de invoerhefbomen van de supply chain aan te passen, om ervoor te zorgen dat, ongeacht de vraag, de totale kosten om aan de vraag te voldoen een bovengrens hebben.

Deze benadering in drie fasen is hoe de toeleveringsketen er de komende 10 jaar waarschijnlijk uit zal zien. De duivel zit natuurlijk in de details. Maar als we eenmaal zo'n systeem hebben, hoeven we niet meer op politici te vertrouwen voor oplossingen om toekomstige verstoringen van de toeleveringsketen het hoofd te bieden. Met AI die helpt bij de planning en modellering van de toeleveringsketen, is de lucht de limiet.

James Kaplan is CEO van MeetKAI.