Chuỗi cung ứng và sức mạnh của trí tuệ nhân tạo

1. Sức mạnh tính toán, cho phép chúng tôi thực hiện các phép tính khó trong thời gian thực
2. Các thuật toán mới mạnh mẽ có thể tự động hóa phân tích và ra quyết định
3. Và, quan trọng là các nguồn dữ liệu mới và chưa được khai thác trước đây đang xuất hiện

Chúng ta cũng nên nhớ rằng ‘phân tích chuỗi cung ứng’ là một thuật ngữ bao trùm, đề cập đến vô số khả năng. Không có giải pháp duy nhất nào phù hợp với mọi tổ chức: nó phụ thuộc vào bản chất của chuỗi cung ứng, chiến lược và ưu tiên của tổ chức cũng như thông tin sẵn có.

1. Đừng đánh giá thấp sức mạnh của phân tích mô tả để dẫn đến các giải pháp thực tế hơn

Đừng đánh giá thấp những lợi ích tiềm năng có thể đạt được từ phân tích mô tả, khám phá trước khi chuyển sang tìm kiếm giải pháp. Những hiểu biết mà chúng tôi thu được từ các nghiên cứu khám phá cung cấp độ sâu hơn chúng tôi mong đợi.

Ví dụ: cấu trúc chấu trung tâm xuất hiện trong kết nối nhà cung cấp-nhà sản xuất và mật độ kết nối cho chúng ta biết rằng có khả năng các nhà cung cấp Cấp một kết nối với nhau cao hơn dự kiến ​​mà nhà sản xuất thiết bị gốc (OEM) không biết.

Bằng cách lập bản đồ dữ liệu chuỗi cung ứng, chúng tôi có thể phát hiện ra các mẫu và dự đoán những thất bại nào có thể xảy ra, và do đó có những biện pháp phòng ngừa tốt hơn nhiều. Trong một trong những nghiên cứu, chúng tôi đã làm việc với một tập đoàn FMCG lớn và có thể phát hiện ra nơi có thể cung cấp hàng tồn kho để cung cấp một vùng đệm chống lại tình trạng khan hiếm hàng.

Trên thực tế, chúng tôi nhận thấy rằng một số loại cấu trúc mạng yêu cầu ít hàng tồn kho hơn nhiều để giải quyết cùng mức độ gián đoạn, vì vậy chúng tôi có thể vạch ra mức độ tồn kho cần thiết cho một loại cấu trúc mạng cụ thể để giảm sự gián đoạn mà không cần dự trữ không cần thiết.

2. Một cách tiếp cận tối giản có thể mang lại kết quả tốt nhất

Tập trung và tránh các giải pháp quá phức tạp. Ví dụ, một công ty mà chúng tôi đã làm việc cùng muốn tìm hiểu xem nhà cung cấp nào của họ đang cung cấp cho nhau, vì đây là một vấn đề về độ tin cậy của nguồn cung cấp. Nơi nào đã có sự phụ thuộc ẩn giữa các nhà cung cấp?

Ban đầu, chúng tôi cố gắng xác định điều này bằng các phương pháp phức tạp, sử dụng dữ liệu chuỗi thời gian và cố gắng khám phá tất cả bằng lưới thần kinh sâu, lưới đệ quy và các kỹ thuật khác. Nhưng không có gì hiệu quả.

Sau đó, chúng tôi quay lại những điều cơ bản và hỏi “Điều gì có khả năng kết nối các nhà cung cấp với nhau?” Nếu họ sản xuất những sản phẩm này, có thể mô hình của họ tương thích, vì vậy họ cung cấp cùng một OEM. Điều này đã hiệu quả. Quay trở lại các mẫu cơ bản là chìa khóa.

3. Một giải pháp không phù hợp với tất cả

Thông thường, dữ liệu trên các chuỗi cung ứng có thể nhanh chóng trở nên quá phức tạp. Trong các nghiên cứu của chúng tôi, các biến số như nhà cung cấp, bộ phận, thời gian giao hàng, khối lượng, địa điểm, tuyến đường và mức độ tin cậy đều cộng lại thành một tập dữ liệu rất lớn trở nên quá phức tạp.

Chúng tôi nhận thấy rằng điều cần thiết là phải chia vấn đề thành nhiều phần dễ tiêu hóa hơn, xem xét một hoặc hai yếu tố tại một thời điểm để tạo ra thông tin có ý nghĩa và hữu ích hơn.

4. Kiến thức domain là vàng

Điều quan trọng là làm việc với nhóm vận hành để giải mã các mẫu trong dữ liệu. Ví dụ: trong một dự án dự đoán sự gián đoạn của nhà cung cấp, những gì ban đầu chúng tôi nghĩ là nhiễu trong dữ liệu hóa ra lại là các cấu hình sản phẩm mới, giúp chúng tôi hiểu cách hệ thống có thể ổn định theo thời gian.

5. Cố gắng tạo ra khả năng truy xuất nguồn gốc, trách nhiệm giải trình và mua vào

AI thật tuyệt vời, là niềm đam mê cả đời của tôi, nhưng rõ ràng là không phải ai cũng tin tưởng vào AI. Và họ đã đúng khi hỏi những câu hỏi quan trọng này. Khi xảy ra sai sót, ai sẽ là người chịu trách nhiệm? Chúng ta có thể đặt các cơ chế để làm cho nó minh bạch không? Đây là những câu hỏi lớn mà không có câu trả lời đơn giản, ít nhất là vào lúc này.

Trong nghiên cứu của mình, chúng tôi đã làm việc với một công ty hàng không vũ trụ để tạo ra một hệ thống tự tổ chức bằng cách sử dụng cái mà chúng tôi gọi là ‘đại lý phần mềm’ (về cơ bản là thứ thúc đẩy Alexa và Siri) để tự động hóa việc mua sắm phụ tùng.

Hệ thống sẽ lấy dữ liệu từ các cảm biến, phân tích chúng để hiểu bộ phận nào sắp hết hạn sử dụng hoặc hư hỏng vào thời điểm nào, sau đó tìm nhà cung cấp tốt nhất để lên lịch bảo dưỡng máy bay tùy thuộc vào thời gian và địa điểm nó bay.

Đây là một vấn đề phức tạp và phân tích có thể đưa ra các giải pháp tối ưu. Nó thậm chí có thể thương lượng với các nhà cung cấp và chạy các cuộc đấu giá.

Nhưng những câu hỏi được hỏi bởi những người thực sự có liên quan là thích hợp. Chính xác thì làm thế nào để bạn đạt được những giải pháp này? Điều gì sẽ xảy ra nếu nhân viên của chúng tôi muốn tự thương lượng với các nhà cung cấp? Bạn đang tự động hóa tôi? Vì vậy, do các câu hỏi hợp lệ được nêu ra về lòng tin, giải pháp đã được phát triển đã được cấp bằng sáng chế nhưng sẽ mất nhiều thời gian hơn để thực hiện.

Bài học quan trọng có lẽ là chúng ta cần nghiên cứu thêm để xây dựng tính minh bạch của các thuật toán và hiểu cách thức và thời điểm chúng nên được sử dụng.