El papel de la IA generativa en las cadenas de suministro

Publicado

en

Por

Así como las interrupciones de la cadena de suministro se convirtieron en un tema frecuente de debates en las salas de juntas en 2020, la IA generativa se convirtió rápidamente en el tema candente de 2023. Después de todo, ChatGPT de OpenAI alcanzó los 100 millones de usuarios en los primeros dos meses, lo que la convierte en la adopción de aplicaciones de consumo de más rápido crecimiento en historia.

Las cadenas de suministro son, hasta cierto punto, muy adecuadas para las aplicaciones de la IA generativa, dado que funcionan y generan cantidades masivas de datos. La variedad y el volumen de datos y los diferentes tipos de datos añaden complejidad adicional a un problema extremadamente complejo del mundo real: cómo optimizar el rendimiento de la cadena de suministro. Y si bien los casos de uso de la IA generativa en las cadenas de suministro son amplios (incluida una mayor automatización, previsión de la demanda, procesamiento y seguimiento de pedidos, mantenimiento predictivo de maquinaria, gestión de riesgos, gestión de proveedores y más), muchos también se aplican a la IA predictiva y ya han sido adoptados. y desplegado a escala.

Este artículo describe algunos casos de uso que son especialmente adecuados para la IA generativa en las cadenas de suministro y ofrece algunas precauciones que los líderes de la cadena de suministro deben considerar antes de realizar una inversión.

El objetivo principal de la IA y el ML en las cadenas de suministro es facilitar el proceso de toma de decisiones, ofreciendo la promesa de mayor velocidad y calidad. La IA predictiva logra esto proporcionando predicciones y pronósticos que son más precisos, descubriendo nuevos patrones aún no identificados y utilizando volúmenes muy elevados de datos relevantes. La IA generativa puede llevar esto un paso más allá al respaldar varias áreas funcionales de la gestión de la cadena de suministro. Por ejemplo, los gerentes de la cadena de suministro pueden utilizar modelos de IA generativa para hacer preguntas aclaratorias, solicitar datos adicionales, comprender mejor los factores que influyen y ver el desempeño histórico de las decisiones en escenarios similares. En resumen, la IA generativa hace que el proceso de diligencia debida que precede a la toma de decisiones sea significativamente más rápido y sencillo para el usuario.

Además, basándose en datos y modelos subyacentes, la IA generativa puede analizar grandes cantidades de datos estructurados y no estructurados, generar automáticamente varios escenarios y proporcionar recomendaciones basadas en las opciones presentadas. Esto reduce significativamente el trabajo sin valor agregado que realizan actualmente los gerentes de la cadena de suministro y les permite dedicar más tiempo a tomar decisiones basadas en datos y responder más rápidamente a los cambios del mercado.

En los últimos años, las empresas han sufrido una escasez de talento en la cadena de suministro debido al agotamiento de los planificadores, el desgaste y una curva de aprendizaje pronunciada para los nuevos empleados debido a la naturaleza compleja de la función laboral. Los modelos de IA generativa se pueden ajustar a los procedimientos operativos estándar, los procesos comerciales, los flujos de trabajo y la documentación de software de las empresas y luego pueden responder a las consultas de los usuarios con información contextualizada y relevante. La interfaz de usuario conversacional comúnmente asociada con la IA generativa hace que sea mucho más fácil interactuar con un sistema de soporte y brinda la capacidad de refinar la consulta, acelerando aún más el tiempo necesario para encontrar la información correcta.

La combinación de un sistema de desarrollo y aprendizaje basado en IA generativa con una toma de decisiones asistida impulsada por IA generativa puede ayudar a acelerar la resolución de diversos problemas de gestión de cambios. También puede acelerar la incorporación de nuevos empleados al reducir el tiempo de capacitación y los requisitos de experiencia laboral. Más importante aún, la IA generativa puede empoderar a las personas con discapacidad al mejorar la comunicación, mejorar la cognición, la asistencia en lectura y escritura, brindar organización personal y apoyar el aprendizaje y el desarrollo continuos.

Si bien algunos temen que la IA generativa conduzca a la pérdida de empleos en los próximos años, otros creen que mejorará el nivel del trabajo al eliminar tareas repetitivas y dejar espacio para otras más estratégicas. Mientras tanto, se prevé que resuelva la actual escasez crónica de talento digital y de la cadena de suministro. Por eso es importante aprender a trabajar con la tecnología.

Las cadenas de suministro deben ser resilientes y ágiles, lo que requiere visibilidad entre empresas. La cadena de suministro necesita “conocer” toda la red para tener visibilidad. Sin embargo, construir el modelo digital de toda la red de la cadena de suministro de n niveles suele tener un costo prohibitivo. Las grandes empresas tienen datos distribuidos en docenas o cientos de sistemas, y la mayoría de las grandes empresas administran más de 500 aplicaciones simultáneamente en ERP, CRM, PLM, adquisiciones y abastecimiento, planificación, WMS, TMS y más. Con toda esta complejidad y fragmentación, es extremadamente difícil reunir de manera lógica estos datos dispares. Esto se agrava cuando las organizaciones miran más allá de los proveedores de primer o segundo nivel y consideran que es poco probable recopilar datos en un formato estructurado.

Los modelos de IA generativa pueden procesar cantidades masivas de datos, incluidos datos estructurados (datos maestros, datos de transacciones, EDI) y no estructurados (contratos, facturas, escaneos de imágenes), para identificar patrones y contexto con un preprocesamiento limitado de datos. Debido a que los modelos de IA generativa aprenden de patrones y utilizan cálculos de probabilidad (con cierta intervención humana) para predecir el siguiente resultado lógico, pueden crear un modelo digital más verdadero de la red de suministro de n niveles (más rápido y a escala) y optimizar inter e intra. -Colaboración y visibilidad de la empresa. Este modelo de n niveles se puede enriquecer aún más para respaldar iniciativas ESG que incluyen, entre otras, la identificación de minerales conflictivos, el uso de recursos o áreas ambientalmente sensibles, el cálculo de las emisiones de carbono de productos y procesos, y más.

Si bien la IA generativa brinda una oportunidad importante para que los líderes de la cadena de suministro sean innovadores y creen una ventaja estratégica, existen ciertas preocupaciones y riesgos a considerar.

Los usos generales de la IA generativa, como ChatGPT o Dall-E, actualmente tienen éxito a la hora de abordar tareas de naturaleza más amplia porque los modelos se entrenan con cantidades masivas de datos disponibles públicamente. Para aprovechar verdaderamente las capacidades de la IA generativa para la cadena de suministro empresarial, estos modelos deberán ajustarse a los datos empresariales respectivos y al contexto específico de su organización. En otras palabras, no se puede utilizar un modelo generalmente entrenado. Los desafíos de la gestión de datos, como la calidad, la integración y el rendimiento de los datos, que obstaculizan los proyectos de transformación actuales, también pueden afectar las inversiones en IA generativa, lo que lleva a un ejercicio costoso y que requiere mucho tiempo sin contar con la solución de gestión de datos adecuada.

La IA generativa depende de la comprensión de los patrones dentro de los datos de capacitación y si los profesionales de la cadena de suministro han aprendido algo en los últimos tres años es que las cadenas de suministro seguirán enfrentándose a nuevos riesgos y oportunidades sin precedentes.

El requisito básico de los modelos de IA generativa es el acceso a grandes cantidades de datos de entrenamiento para comprender patrones y contexto. Dicho esto, la interfaz similar a la humana de las aplicaciones de IA generativa puede dar lugar a la suplantación de identidad del usuario, el phishing y otros problemas de seguridad. Si bien el acceso limitado a la capacitación de modelos puede provocar un rendimiento deficiente de la IA, otorgar acceso ilimitado a los datos de la cadena de suministro puede generar incidentes de seguridad de la información en los que información crítica y confidencial se pone a disposición de usuarios no autorizados.

Tampoco está claro cómo los distintos gobiernos optarán por regular la IA generativa en el futuro a medida que la adopción siga creciendo y se descubran nuevas aplicaciones de la IA generativa. Varios expertos en IA han expresado su preocupación por el riesgo que representa la IA y han pedido a los gobiernos que detengan los experimentos gigantes de IA hasta que los líderes tecnológicos y los formuladores de políticas puedan establecer reglas y regulaciones para garantizar la seguridad.

La IA generativa ofrece una gran cantidad de oportunidades de mejora para aquellas organizaciones que pueden aprovechar esta tecnología y crear una fuerza multiplicadora para el ingenio, la creatividad y la toma de decisiones humanas. Dicho esto, hasta que existan modelos capacitados y diseñados explícitamente para casos de uso de la cadena de suministro, la mejor manera de avanzar es un enfoque equilibrado de las inversiones en IA generativa.

Será prudente establecer barreras de seguridad adecuadas para garantizar que la IA ofrezca un conjunto de planes optimizados para que cada usuario los revise y seleccione y que estén alineados con los procesos y objetivos comerciales. Las empresas que combinen “guías de negocios” con IA generativa estarán en mejores condiciones de aumentar la capacidad de los equipos para planificar, decidir y ejecutar sin dejar de optimizar los resultados comerciales deseados. Las organizaciones también deben considerar un caso de negocio sólido, la seguridad de los datos y de los usuarios, y objetivos de negocio mensurables antes de invertir en nueva tecnología de IA generativa.

Lograr la excelencia en la fabricación con modelos de reconocimiento de imágenes para la detección de defectos superficiales

Gurdip Singh se desempeña como director de productos en Blue Yonder. En este puesto, es responsable de la estrategia de plataforma y producto, la hoja de ruta del producto y las funciones de marketing de producto de Blue Yonder. Él y su equipo están definiendo una estrategia que ayudará a Blue Yonder a crear el sistema operativo de la cadena de suministro para el mundo.

Lograr la excelencia en la fabricación con modelos de reconocimiento de imágenes para la detección de defectos superficiales

La gente teme a la IA, pero ChatGPT de Apple podría hacer que la IA sea amiga de todos

La IA generativa es el centro de atención en el ciclo de publicidad de Gartner de 2023

Necesitamos desesperadamente hacer más abono para salvar al mundo; Cómo pueden ayudar la IA y los datos

Contenido generado por IA: ¿Qué significa esto para los creadores?

Traslado de modelos de lenguajes grandes (LLM) a aplicaciones empresariales del mundo real