AI In Supply Chain: Zes Belangrijke Barrières Overwinnen Voor Echte Resultaten

Kunstmatige intelligentie heeft het potentieel om vrijwel alles ten goede te veranderen. De impact zal waarschijnlijk overeenkomen met die van elektriciteit en andere algemene-doeltechnologieën die ons leven verrijkt hebben. Vroege tekenen van de impact zijn al zichtbaar in testcases met autonome voertuigen, inclusief schepen en vliegtuigen, en de voordelen gaan ver voorbij verminderde bemanning.

Bijvoorbeeld, met tot 90 procent van zeevaartongelukken toegeschreven aan menselijke fout, kan AI dergelijke gevallen aanzienlijk reduceren. Geïnadigd door vehicle-to-vehicle communicatie, kunnen voertuigen belangrijke data delen zoals positie, snelheid en koers. De informatie kan gebruikt worden om bestuurders en autonoom systemen te waarschuwen voor mogelijke dreigingen en botsingen, zelfs die buiten zicht zijn. Het kan ook bestuurders waarschuwen voor minder zichtbare voertuigen op de weg, zoals motorfietsen en fietsen. V2V, gecombineerd met AI, kan botsingen en congestie verminderen door proactief bestuurders, pilooten en kapiteins te waarschuwen voor geanticipeerde problemen en botsingen met andere voertuigen, alsook andere verkeersgevaren.

De voordelen van AI in termen van productiviteit, innovatie, en mondiale economische groei zijn evenzeer significant. McKinsey & Company schat dat de adoptie van AI "het potentieel heeft om additionele mondiale economische activiteit van ongeveer $13 biljoen te leveren tegen 2030, of ongeveer 16 procent hoger cumulatief BBP vergeleken met vandaag. Dit bedraagt 1,2 procent additionele BBP-groei per jaar." PwC's schatting is nog hoger, boven de $15 biljoen.

Gegeven dit potentieel, is het makkelijk om weggewaaid te raken door AI en de grote problemen die bedrijven tegenkomen bij het adopteren en effectief gebruiken ervan te negeren. Hier zijn enkele van de uitdagingen en mogelijke oplossingen.

Gebrek aan grote, schone data

Alle computationele processen hebben goede data nodig, en kunstmatige intelligentie is geen uitzondering. Machine learning (ML) in het bijzonder vereist enorme volumes accurate data om algoritmes te trainen en voorspellende modellen te ontwikkelen. Echter, de meeste bedrijven hebben noch de kwaliteit noch de hoeveelheid data om dit te bereiken.

Bedrijven moeten de kwaliteit van hun data verbeteren door effectief master data management, en door realtime data zoveel mogelijk in processen en systemen te incorporeren. Realtime, multi-party digitale zakelijke netwerken handhaven een "single version of the truth" tijdens het continu synchroniseren van externe systemen, wat ervoor zorgt dat bedrijven draaien op de meest complete en up-to-date informatie mogelijk.

Organisaties zouden ook moeten overwegen oplossingen te gebruiken met pre-trained, ML-gebaseerde algoritmes die trekken op grote volumes data van vergelijkbare scenario's en bedrijven. Vanwege hun enorme transactievolumes, kunnen digitale zakelijke netwerken snel goed-getrainde algoritmes en intelligente agents scherpen die nieuwe netwerkleden kunnen benutten.

Gecompartimenteerde AI is onintelligente AI

Supply chains zijn inherent cross-functioneel en cross-enterprise, en de data die nodig is om ze te opereren is verspreid onder interne en externe partners. Bedrijven die proberen AI op een gefragmenteerde manier te implementeren, terwijl ze het grote plaatje negeren, zullen slechte resultaten krijgen. Zonder toegang tot alle relevante data, zullen algoritmes blind spots blijven hebben en kansen voor optimalisatie en uitvoering missen.

Bedrijven zouden moeten streven naar zoveel mogelijk relevante systemen, operaties, en handelspartners te includeren om de nauwkeurigheid, context, en compleetheid van data te versterken. Het doel moet zijn om de hele supply chain te verbinden met een realtime netwerk, van bron tot eindklant. Alleen een supply chain-brede oplossing kan kritieke operaties zoals voorraaniveaus en logistiekbeheer volledig optimaliseren, door het volledige plaatje van vraag en aanbod te monitoren.

Black box versus explainable AI

Bepaalde ML-technieken, zoals scorecards en beslissingsbomen, zijn makkelijk te begrijpen. Maar neurale netwerken zijn complexer en mysterieuzer. Moeten we op deze data handelen, of het systeem autonoom laten handelen als we niet weten hoe het tot dergelijke beslissingen kwam?

Amazons experiment met AI voor het werven van talent ging mis toen onderzoekers opmerkten dat het systeem een sterke bias had voor het aannemen van mannen. Dit was door de algoritmes getraind op voornamelijk mannelijke data. De AI degraderde daarom kandidaten van twee vrouwencolleges, en nam andere ongeschikte beslissten puur op basis van geslacht.

AI moet transparant zijn in zijn inputs, processen, en beslissingen. Bedrijven moeten weten, tenminste in essentiële termen, hoe algoritmes werken, hoe ze tot beslissingen komen, en hoe ze waarde creëren en distribueren. Ideaal zou het systeem de redenen achter de beslissingen expliciet maken, zodat gebruikers beslissingen van autonoom agents kunnen bekijken, goedkeuren en overschrijven. Bedrijven moeten ook in staat zijn om de algoritmes aan te passen aan hun specifieke behoeften.

Kortzichtige optimalisatie

Elk proces en verandering draagt een kost. Wanneer het niet in rekening wordt gebracht in besluitvorming, kan het resultaat soms erger zijn dan als er niets gedaan was. In supply chains, bestehend uit veel partners en systemen, is het makkelijk het zicht te verliezen op de lange-termijn gevolgen van een actie. Veel oplossingen vallen in deze val door de hele supply chain te herplannen, wat "zenuwachtigheid" in het systeem creëert en major en onnodige verandering en kosten incasseert wanneer een minor of meer lokale verandering zou volstaan.

Om dit probleem te vermijden, moeten optimalisaties continu zijn in plaats van incidenteel, en beperkt tot het beïnvloeden van de minste entiteiten mogelijk om storing van het netwerk te minimaliseren. Net als bij het geval van een vliegtuig op autopilot, kunnen continue kleine aanpassingen aan de richting compenseren voor verschuivingen in condities, terwijl het vliegtuig precies op koers blijft. De alternatief is een enkele grote herrouting wanneer het vliegtuig ver van de koers is aan het einde van de reis. Deze continue aanpassingen tellen op tot grote verbeteringen zonder schokgolven door je supply chain te sturen.

Over-enthousiaste AI-leveranciers

Veel software-leveranciers zijn op de AI-bandwagon gesprongen. In een zin is dit begrijpelijk, gegeven de vaagheid van de definitie en het slecht-gedefinieerde en uitgestrekte domein. "Machine learning" is een beter gedefinieerde term, en is vaak wat mensen bedoelen wanneer ze de term "kunstmatige intelligentie" gebruiken.

Toch moeten leveranciers duidelijk uitleggen wat ze bedoelen wanneer ze termen gebruiken zoals "kunstmatige intelligentie," "machine learning," "neurale netwerken," "diep leren," en dergelijke. Het meest belangrijk, ze moeten laten zien hoe hun AI meer zakelijke waarde levert dan traditionele, heuristische algoritmes. Hoe werkt het? Span het systemen en ondernemingen om het hele netwerk en al zijn condities en constraints te omarmen? Of is het beperkt tot een paar functies of domeinen? Wie gebruikt het, en wat voor resultaten hebben ze behaald?

De AI-vaardigheden kloof

Veel bedrijven worden kort gearmd door de snelle evolutie en groeiende haalbaarheid van AI. Dit is omdat AI moderne vaardigheden vereist die nieuwe talen, frameworks, en manieren van denken kunnen omvatten. Weinig bedrijven zijn uitgerust om de overgang te managen en dit snel ontwikkelende veld volledig te exploiteren. Een enquête van O'Reilly uit 2018 suggereert dat de AI-vaardighedenkloof de grootste barrière is voor AI-adoptie.

Op de lange termijn zal de markt zorgen voor het vaardigheidstekort, maar tot die tijd moeten bedrijven beginnen met het identificeren van hun behoeften en potentiële nieuwe aanstellingen. Ze moeten ook kijken naar het trainen van bestaande werknemers, en incentieven en nieuwe carrièrepaden aanbieden om de shift naar ML en AI-technologieën te ondersteunen.

Een andere optie is om te partneren met een technologiebedrijf dat het netwerk, bronnen, en expertise heeft om te adviseren, implementeren, en een AI-oplossing of AI-ingeschakeld platform te onderhouden. Het laatstgenoemde stelt bedrijven in staat om te starten, en winsten te boeken, veel sneller.

Nigel Duckworth is een senior strategist bij One Network Enterprises, provider van een AI-ingeschakeld zakelijk netwerk.