AI in supply chain:zes belemmeringen voor het zien van resultaten

Kunstmatige intelligentie heeft het potentieel om zowat alles radicaal ten goede te veranderen. De impact ervan zal waarschijnlijk even groot zijn als die van elektriciteit en andere algemene technologieën die ons leven hebben verrijkt. De eerste tekenen van de impact zijn al zichtbaar in testcases met autonome voertuigen, inclusief schepen en vliegtuigen, en de voordelen gaan veel verder dan minder mankracht.

Met tot 90 procent van de zeevaartongevallen die worden toegeschreven aan menselijke fouten, zou AI dergelijke gevallen bijvoorbeeld aanzienlijk kunnen verminderen. Dankzij voertuig-tot-voertuigcommunicatie kunnen voertuigen belangrijke gegevens delen, zoals positie, snelheid en richting. De informatie kan worden gebruikt om bestuurders en autonome systemen te waarschuwen voor mogelijke dreigingen en aanrijdingen, zelfs als deze zich buiten het zicht bevinden. Het kan bestuurders ook waarschuwen voor minder zichtbare voertuigen op de weg, zoals motorfietsen en fietsen. V2V, gecombineerd met AI, kan botsingen en congestie verminderen door bestuurders, piloten en gezagvoerders proactief te waarschuwen voor verwachte problemen en botsingen met andere voertuigen, evenals andere verkeersrisico's.

De voordelen van AI op het gebied van productiviteit, innovatie en wereldwijde economische groei zijn even belangrijk. McKinsey &Company schat dat de adoptie van AI "het potentieel heeft om tegen 2030 extra wereldwijde economische activiteit van ongeveer $ 13 biljoen te genereren, of ongeveer 16 procent hoger cumulatief BBP in vergelijking met vandaag. Dat komt neer op 1,2 procent extra bbp-groei per jaar.” De schatting van PwC is zelfs nog hoger, meer dan $ 15 tr.

Gezien dit potentieel is het gemakkelijk om je te laten meeslepen door AI en de grote problemen te negeren waarmee bedrijven worden geconfronteerd bij het toepassen en effectief gebruiken ervan. Hier zijn enkele van de uitdagingen en mogelijke oplossingen.

Gebrek aan grote, schone gegevens. Alle computationele processen hebben goede gegevens nodig, en kunstmatige intelligentie is daarop geen uitzondering. Vooral machine learning (ML) vereist enorme hoeveelheden nauwkeurige gegevens om algoritmen te trainen en voorspellende modellen te ontwikkelen. De meeste bedrijven hebben echter noch de kwaliteit noch de kwantiteit van gegevens om dit te bereiken.

Bedrijven moeten de kwaliteit van hun data verbeteren door effectief masterdatamanagement en door realtime data zoveel mogelijk in processen en systemen te integreren. Realtime digitale bedrijfsnetwerken met meerdere partijen behouden een "enkele versie van de waarheid" terwijl ze voortdurend externe systemen synchroniseren, zodat bedrijven kunnen werken met de meest complete en actuele informatie die mogelijk is.

Organisaties moeten ook overwegen om oplossingen te gebruiken met vooraf getrainde, op ML gebaseerde algoritmen die putten uit grote hoeveelheden gegevens uit vergelijkbare scenario's en bedrijven. Vanwege hun enorme transactievolumes kunnen digitale bedrijfsnetwerken snel goed opgeleide algoritmen en intelligente agenten aanscherpen die nieuwe leden van het netwerk kunnen gebruiken.

Gecompartimenteerde AI is onintelligente AI. Toeleveringsketens zijn inherent multifunctioneel en bedrijfsoverschrijdend, en de gegevens die nodig zijn om ze te beheren, zijn verspreid over interne en externe partners. Bedrijven die AI op een gefragmenteerde manier proberen te implementeren, terwijl ze het grote geheel negeren, zullen slechte resultaten behalen. Zonder toegang tot alle relevante data zullen algoritmen blinde vlekken blijven hebben en kansen voor optimalisatie en uitvoering missen.

Bedrijven moeten ernaar streven om zoveel mogelijk relevante systemen, operaties en handelspartners op te nemen om de nauwkeurigheid, context en volledigheid van gegevens 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 voorraadniveaus en logistiekbeheer, volledig optimaliseren door het volledige beeld van vraag en aanbod te bewaken.

Black box versus verklaarbare AI. Bepaalde ML-technieken, zoals scorecards en beslisbomen, zijn gemakkelijk te begrijpen. Maar neurale netwerken zijn complexer en mysterieuzer. Moeten we handelen op basis van deze gegevens, of het systeem autonoom laten handelen als we niet weten hoe het tot dergelijke beslissingen is gekomen?

Amazon's experiment met het gebruik van AI om talent te rekruteren, liep mis toen onderzoekers merkten dat het systeem een ​​sterke voorkeur had voor het inhuren van mannen. Dit was te wijten aan het feit dat de algoritmen waren getraind op voornamelijk mannelijke gegevens. De AI heeft vervolgens kandidaten van twee vrouwencolleges gedegradeerd en andere ongepaste beslissingen genomen, puur op basis van geslacht.

AI moet transparant zijn in zijn input, processen en beslissingen. Bedrijven moeten, in ieder geval in essentiële termen, weten hoe algoritmen werken, hoe ze tot beslissingen komen en hoe ze waarde creëren en verdelen. Idealiter zou het systeem de redenen achter de beslissingen expliciet moeten maken, zodat gebruikers beslissingen van autonome agenten kunnen bekijken, goedkeuren en negeren. Bedrijven moeten de algoritmen ook kunnen aanpassen aan hun specifieke behoeften.

Kortzichtige optimalisatie. Elk proces en elke verandering brengt kosten met zich mee. Als er geen rekening mee wordt gehouden in de besluitvorming, kan de uitkomst soms slechter zijn dan wanneer er helemaal niets was gedaan. In supply chains, bestaande uit vele partners en systemen, is het gemakkelijk om de langetermijngevolgen van een actie uit het oog te verliezen. Veel oplossingen vallen in deze val door de hele supply chain opnieuw te plannen, "nervositeit" in het systeem te creëren en grote en onnodige veranderingen en kosten te maken wanneer een kleine of meer lokale verandering zou volstaan.

Om dit probleem te voorkomen, moeten optimalisaties continu zijn in plaats van incidenteel, en moeten ze worden beperkt tot zo min mogelijk entiteiten om verstoring van het netwerk tot een minimum te beperken. Net als bij een vliegtuig op de automatische piloot, kunnen voortdurende kleine aanpassingen aan de richting verschuivingen in omstandigheden compenseren, terwijl het vliegtuig precies op koers blijft. Het alternatief is een enkele grote omleiding te maken wanneer het vliegtuig aan het einde van zijn reis ver van de baan is. Deze continue aanpassingen zorgen samen voor grote verbeteringen zonder schokkende schokgolven te veroorzaken in uw toeleveringsketen.

Overenthousiaste AI-leveranciers. Veel softwareleveranciers zijn op de AI-trein gesprongen. In zekere zin is dit begrijpelijk, gezien 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 als ze de term 'kunstmatige intelligentie' gebruiken.

Niettemin moeten leveranciers duidelijk uitleggen wat ze bedoelen als ze termen gebruiken als 'kunstmatige intelligentie', 'machine learning', 'neurale netwerken', 'deep learning' en dergelijke. Het belangrijkste is dat ze moeten laten zien hoe hun AI meer bedrijfswaarde oplevert dan traditionele, heuristische algoritmen. Hoe werkt het? Omvat het systemen en ondernemingen om het hele netwerk en al zijn voorwaarden en beperkingen te omarmen? Of is het beperkt tot enkele functies of domeinen? Wie gebruikt het en welke resultaten hebben ze bereikt?

De kloof in AI-vaardigheden. Veel bedrijven worden betrapt door de snelle evolutie en groeiende levensvatbaarheid van AI. Dit komt omdat AI moderne vaardigheden vereist die nieuwe talen, kaders en denkwijzen kunnen omvatten. Er zijn maar weinig bedrijven die zijn toegerust om de transitie aan te kunnen en dit zich snel ontwikkelende veld ten volle te benutten. Een onderzoek van O'Reilly uit 2018 suggereert dat de AI-vaardighedenkloof de grootste belemmering is voor de adoptie van AI.

Op de lange termijn zal de markt voor het tekort aan vaardigheden zorgen, maar tot die tijd moeten bedrijven beginnen met het identificeren van hun behoeften en potentiële nieuwe medewerkers. Ze moeten ook kijken naar het opleiden van bestaande werknemers en het aanbieden van prikkels en nieuwe loopbaantrajecten om de verschuiving naar ML- en AI-technologieën te ondersteunen.

Een andere optie is om samen te werken met een technologiebedrijf dat het netwerk, de middelen en de expertise heeft om een ​​AI-oplossing of AI-geactiveerd platform te adviseren, implementeren en onderhouden. Dit laatste stelt bedrijven in staat om veel sneller aan de slag te gaan en winst te realiseren.

Nigel Duckworth is senior strateeg bij One Network Enterprises, leverancier van een AI-enabled bedrijfsnetwerk.