Die Rolle generativer KI in Lieferketten

Veröffentlicht

An

Von

So wie Unterbrechungen der Lieferkette im Jahr 2020 zum häufigen Thema von Vorstandsdiskussionen wurden, wurde Generative KI schnell zum heißen Thema des Jahres 2023. Immerhin erreichte ChatGPT von OpenAI in den ersten zwei Monaten 100 Millionen Nutzer und ist damit die am schnellsten wachsende Verbraucheranwendungsakzeptanz in diesem Jahr Geschichte.

Lieferketten eignen sich bis zu einem gewissen Grad gut für die Anwendung generativer KI, da sie auf riesigen Datenmengen basieren und diese generieren. Die Vielfalt und das Volumen der Daten sowie die unterschiedlichen Datentypen erhöhen die Komplexität eines äußerst komplexen realen Problems: der Optimierung der Lieferkettenleistung. Und während die Anwendungsfälle für generative KI in Lieferketten umfangreich sind – darunter zunehmende Automatisierung, Bedarfsprognose, Auftragsabwicklung und -verfolgung, vorausschauende Wartung von Maschinen, Risikomanagement, Lieferantenmanagement und mehr –, gelten viele auch für vorausschauende KI und wurden bereits übernommen und im großen Maßstab eingesetzt werden.

Dieser Artikel beschreibt einige Anwendungsfälle, die sich besonders gut für generative KI in Lieferketten eignen, und bietet einige Vorsichtsmaßnahmen, die Lieferkettenleiter berücksichtigen sollten, bevor sie eine Investition tätigen.

Der Hauptzweck von KI und ML in Lieferketten besteht darin, den Entscheidungsprozess zu vereinfachen und eine höhere Geschwindigkeit und Qualität zu versprechen. Prädiktive KI erreicht dies, indem sie genauere Vorhersagen und Prognosen liefert, neue, noch nicht identifizierte Muster entdeckt und sehr große Mengen relevanter Daten verwendet. Generative KI kann hier noch einen Schritt weiter gehen, indem sie verschiedene Funktionsbereiche des Supply Chain Managements unterstützt. Supply-Chain-Manager können beispielsweise mithilfe generativer KI-Modelle klärende Fragen stellen, zusätzliche Daten anfordern, Einflussfaktoren besser verstehen und die historische Leistung von Entscheidungen in ähnlichen Szenarien einsehen. Kurz gesagt, generative KI macht den Due-Diligence-Prozess, der der Entscheidungsfindung vorausgeht, für den Nutzer deutlich schneller und einfacher.

Darüber hinaus kann generative KI auf der Grundlage zugrunde liegender Daten und Modelle große Mengen strukturierter und unstrukturierter Daten analysieren, automatisch verschiedene Szenarien generieren und basierend auf den dargestellten Optionen Empfehlungen abgeben. Dies reduziert die nicht wertschöpfende Arbeit, die Supply-Chain-Manager derzeit leisten, erheblich und gibt ihnen die Möglichkeit, mehr Zeit damit zu verbringen, datengesteuerte Entscheidungen zu treffen und schneller auf Marktveränderungen zu reagieren.

In den letzten Jahren litten Unternehmen unter einem Mangel an Talenten in der Lieferkette aufgrund von Planer-Burnout, Fluktuation und einer steilen Lernkurve für Neueinstellungen aufgrund der Komplexität der Arbeitsfunktion. Generative KI-Modelle können auf die Standardarbeitsabläufe, Geschäftsprozesse, Arbeitsabläufe und Softwaredokumentation von Unternehmen abgestimmt werden und dann mit kontextualisierten und relevanten Informationen auf Benutzeranfragen reagieren. Die mit generativer KI üblicherweise verbundene dialogorientierte Benutzeroberfläche erleichtert die Interaktion mit einem Supportsystem erheblich und bietet die Möglichkeit, die Abfrage zu verfeinern, wodurch die Zeit, die zum Auffinden der richtigen Informationen benötigt wird, weiter verkürzt wird.

Die Kombination eines generativen KI-basierten Lern- und Entwicklungssystems mit generativer KI-gestützter unterstützter Entscheidungsfindung kann dazu beitragen, die Lösung verschiedener Change-Management-Probleme zu beschleunigen. Es kann auch die Einarbeitung neuer Mitarbeiter beschleunigen, indem die Schulungszeit und die Anforderungen an die Berufserfahrung reduziert werden. Noch wichtiger ist, dass generative KI Menschen mit Behinderungen stärken kann, indem sie die Kommunikation, die Kognition, die Lese- und Schreibunterstützung verbessert, für persönliche Organisation sorgt und kontinuierliches Lernen und Entwicklung unterstützt.

Während einige befürchten, dass generative KI in den kommenden Jahren zu Arbeitsplatzverlusten führen wird, gehen andere davon aus, dass sie die Arbeit effizienter gestalten wird, indem repetitive Aufgaben wegfallen und Platz für strategischere Aufgaben geschaffen werden. In der Zwischenzeit wird davon ausgegangen, dass es den chronischen Mangel an Lieferketten und digitalen Talenten von heute lösen wird. Deshalb ist es wichtig zu lernen, wie man mit der Technologie umgeht.

Lieferketten müssen belastbar und agil sein, was eine unternehmensübergreifende Transparenz erfordert. Um Transparenz zu gewährleisten, muss die Lieferkette das gesamte Netzwerk „kennen“. Der Aufbau des digitalen Modells des gesamten N-Tier-Lieferkettennetzwerks ist jedoch häufig kostspielig. In großen Unternehmen sind die Daten auf Dutzende oder Hunderte von Systemen verteilt, wobei die meisten großen Unternehmen mehr als 500 Anwendungen gleichzeitig in ERPs, CRMs, PLMs, Beschaffung und Beschaffung, Planung, WMS, TMS und mehr verwalten. Bei all dieser Komplexität und Fragmentierung ist es äußerst schwierig, diese unterschiedlichen Daten logisch zusammenzuführen. Dies verschärft sich, wenn Unternehmen über die Lieferanten der ersten oder zweiten Ebene hinausblicken und die Datenerfassung in einem strukturierten Format unwahrscheinlich ist.

Generative KI-Modelle können riesige Datenmengen verarbeiten, darunter strukturierte (Stammdaten, Transaktionsdaten, EDIs) und unstrukturierte Daten (Verträge, Rechnungen, Bildscans), um Muster und Kontext mit begrenzter Vorverarbeitung der Daten zu identifizieren. Da generative KI-Modelle aus Mustern lernen und Wahrscheinlichkeitsberechnungen (mit etwas menschlichem Eingreifen) verwenden, um die nächste logische Ausgabe vorherzusagen, können sie schneller und im Maßstab ein wahrer digitales Modell des n-tier-Versorgungsnetzwerks erstellen und Inter- und Intra optimieren -Unternehmenszusammenarbeit und Sichtbarkeit. Dieses n-Tier-Modell kann weiter bereichert werden, um ESG-Initiativen zu unterstützen, einschließlich, aber nicht beschränkt auf, die Identifizierung von Konfliktmineralien, die Nutzung umweltsensibler Ressourcen oder Gebiete, die Berechnung der Kohlenstoffemissionen von Produkten und Prozessen und mehr.

Auch wenn generative KI für Supply-Chain-Führungskräfte eine erhebliche Chance bietet, innovativ zu sein und sich einen strategischen Vorteil zu verschaffen, gibt es bestimmte Bedenken und Risiken zu berücksichtigen.

Allgemeine Anwendungen generativer KI wie ChatGPT oder Dall-E sind derzeit erfolgreich bei der Bewältigung umfassenderer Aufgaben, da die Modelle auf riesigen Mengen öffentlich verfügbarer Daten trainiert werden. Um die Möglichkeiten der generativen KI wirklich für die Unternehmenslieferkette nutzen zu können, müssen diese Modelle auf die jeweiligen Unternehmensdaten und den spezifischen Kontext Ihres Unternehmens abgestimmt werden. Mit anderen Worten: Sie können kein allgemein trainiertes Modell verwenden. Die Herausforderungen bei der Datenverwaltung wie Datenqualität, Integration und Leistung, die aktuelle Transformationsprojekte behindern, können sich auch auf Investitionen in generative KI auswirken und zu einer zeitintensiven und kostspieligen Angelegenheit führen, ohne dass bereits die richtige Datenverwaltungslösung vorhanden ist.

Generative KI ist darauf angewiesen, Muster innerhalb der Trainingsdaten zu verstehen, und wenn Supply-Chain-Experten in den letzten drei Jahren etwas gelernt haben, dann ist es, dass Lieferketten weiterhin mit neuen Risiken und beispiellosen Chancen konfrontiert sein werden.

Die Grundvoraussetzung generativer KI-Modelle ist der Zugriff auf große Mengen an Trainingsdaten, um Muster und Zusammenhänge zu verstehen. Allerdings kann die menschenähnliche Schnittstelle generativer KI-Anwendungen zu Identitätsdiebstahl, Phishing und anderen Sicherheitsbedenken führen. Während ein eingeschränkter Zugriff auf das Modelltraining zu einer Leistungsschwäche der KI führen kann, kann die Gewährung uneingeschränkten Zugriffs auf Lieferkettendaten zu Informationssicherheitsvorfällen führen, bei denen kritische und sensible Informationen unbefugten Benutzern zugänglich gemacht werden.

Es ist auch unklar, wie verschiedene Regierungen die generative KI in Zukunft regulieren werden, da die Akzeptanz weiter zunimmt und neue Anwendungen der generativen KI entdeckt werden. Mehrere KI-Experten haben ihre Besorgnis über das von KI ausgehende Risiko zum Ausdruck gebracht und die Regierungen aufgefordert, riesige KI-Experimente zu unterbrechen, bis Technologieführer und politische Entscheidungsträger Regeln und Vorschriften zur Gewährleistung der Sicherheit festlegen können.

Generative KI bietet eine Fülle von Verbesserungsmöglichkeiten für Unternehmen, die diese Technologie nutzen und einen Kraftmultiplikator für den menschlichen Einfallsreichtum, die Kreativität und die Entscheidungsfindung schaffen können. Bis es jedoch Modelle gibt, die speziell für Anwendungsfälle in der Lieferkette trainiert und entwickelt wurden, ist ein ausgewogener Ansatz für generative KI-Investitionen der beste Weg, voranzukommen.

Es ist ratsam, geeignete Leitplanken festzulegen, um sicherzustellen, dass die KI jedem Benutzer eine Reihe optimierter Pläne zur Überprüfung und Auswahl bereitstellt, die auf Geschäftsprozesse und -ziele abgestimmt sind. Unternehmen, die „Business Playbooks“ mit generativer KI kombinieren, werden am besten in der Lage sein, die Planungs-, Entscheidungs- und Ausführungsfähigkeiten ihrer Teams zu steigern und gleichzeitig die gewünschten Geschäftsergebnisse zu optimieren. Unternehmen sollten auch ein starkes Geschäftsszenario, die Sicherheit von Daten und Benutzern sowie messbare Geschäftsziele berücksichtigen, bevor sie in neue generative KI-Technologie investieren.

Erreichen Sie Fertigungsexzellenz mit Bilderkennungsmodellen zur Erkennung von Oberflächenfehlern

Gurdip Singh fungiert als Chief Product Officer bei Blue Yonder. In dieser Funktion ist er für die Produkt- und Plattformstrategie, die Produkt-Roadmap und die Produktmarketingfunktionen von Blue Yonder verantwortlich. Er und sein Team definieren eine Strategie, die Blue Yonder dabei helfen wird, das Supply-Chain-Betriebssystem für die Welt zu schaffen.

Erreichen Sie Fertigungsexzellenz mit Bilderkennungsmodellen zur Erkennung von Oberflächenfehlern

Die Leute haben Angst vor KI, aber Apples ChatGPT könnte KI zu jedem Freund machen

Generative KI steht im Hype-Zyklus 2023 von Gartner im Rampenlicht

Wir müssen dringend mehr kompostieren, um die Welt zu retten; Wie KI und Daten helfen können

KI-generierte Inhalte: Was bedeutet das für Ersteller?

Verlagerung großer Sprachmodelle (LLM) in reale Geschäftsanwendungen