Tedarik Zincirinde Yapay Zeka Temel Sistemler Olmadan Başarılı Olamaz

Tedarik zinciri dünyası, yapay zekanın ateşli bir rüyasının pençesinde. Tedarikçilerle müzakere eden üretken yapay zekadan, aksamaları haftalar önceden tahmin eden makine öğrenimi modellerine kadar, vaatler sınırsız gibi geliyor. Toplantı odaları büyüleyicidir; Pilot programlar çoğalıyor ve "Yapay Zeka ile bir şeyler yapma" baskısı çok büyük. Ancak manşetlerin arkasında daha rahatsız edici bir hikaye ortaya çıkıyor. Sektör araştırmaları sürekli olarak yapay zeka projelerinin büyük çoğunluğunun pilot aşamayı geçemediğini gösteriyor. Yapay zeka modelleri güçlüdür. Kusur altta yatan şeydir. Şirketler yapay zekanın çatı katını kumdan bir temel üzerine inşa etmeye çalışıyor. Temel sistemler herhangi bir tedarik zincirinin dijital ve operasyonel omurgasıdır. Bunlar, işlemleri yürüten temel işlem ve kayıt tutma motorlarıdır.

Günlük operasyonlarınızda. Bunları işletmenizin merkezi sinir sistemi olarak düşünün. Basit bir ifadeyle, neye sahip olduğunuzu, nerede olduğunu, nereye gittiğini ve maliyetini bilmenizi sağlarlar. Somut örnekler arasında finans, satın alma ve üretimi entegre eden kurumsal kaynak planlama sisteminiz; envanterin nasıl alındığını, depolandığını, toplandığını ve sevk edildiğini belirleyen depo yönetim sisteminiz; ve yük hareketlerini planlayan ve yürüten nakliye yönetim sisteminiz. Ancak temel sistemler yazılımdan daha fazlasıdır. Bunlar, müşteri kaydının her veritabanında aynı anlama geldiği temiz veri altyapısını ve dünya çapında "mükemmel düzenin" tutarlı bir şekilde tanımlandığı standartlaştırılmış süreçleri kapsar. Bu unsurların uyum içinde çalışması olmadan,

parçalanmış faaliyetlerden oluşan bir koleksiyonunuz var. Bunlar, bir müşteriye verdiğiniz sözü yerine getirip getiremeyeceğinizi belirleyen mutlak omurgadır. Yapay Zekanın Neden Güçlü Temellere İhtiyacı Var? Özünde yapay zeka, gelecekteki sonuçları tahmin etmek için geçmiş verilerden öğrenen bir model tanıma motorudur. Bu onu kökten tek bir şeye bağımlı hale getiriyor: temiz, yapılandırılmış, güvenilir verilere. Bir makine öğrenimi modelinin zarif matematiği, karmaşık veri gerçekliğini telafi edemez. Temel sistemleriniz yanlış envanter seviyelerini, yinelenen tedarikçi bilgilerini veya tutarsız teslim sürelerini tespit ediyorsa yapay zeka bu hataları öğrenecek ve bunları herhangi bir insanın yapabileceğinden çok daha hızlı bir şekilde geniş ölçekte artıracaktır. Bu, "Çöp içeri, çöp dışarı" şeklindeki klasik prensiptir. Gerçek dünyadan örnekler çoktur. Bir Kuzey Amerika

ican üreticisi bir yapay zeka talep tahmin aracına büyük yatırım yaptı, ancak tahmin doğruluğunun eski elektronik tablo tabanlı yöntemden daha kötü olduğunu keşfetti. Otopsi, ERP sisteminin yıllardır yanlış müşteri teslimat tarihlerine sahip olduğunu ve bunun yapay zekanın geç sevkiyatların aslında zamanında yapıldığını öğrenmesine neden olduğunu ortaya çıkardı. Başka bir örnekte, Avrupalı ​​bir perakendeci, mevcut stokta %20 hata oranına sahip bir WMS'nin üzerine bir yapay zeka yenileme motoru kurdu. Yapay zeka, kendisine verilen verilere göre hareket ederek, arka odada zaten dolup taşan ürünlerden daha fazlasını ve az önce tükenen ürünlerden sıfırını güvenle sipariş etti. Her iki durumda da yapay zeka bozulmamıştı; sadece beslendiği verilerin bozuk gerçekliğini yansıtıyordu. Modeller temellerinin yalan olması nedeniyle başarısız olmadı. Yaygın Hata

Firmaların Yaptığı Yapay zeka başarısızlığına giden yol iyi niyetlerle döşelidir, ancak yinelenen bir dizi hata neredeyse her zaman bunu garanti eder. En yaygın ve ölümcül hata, temel operasyonel sorunları çözmeden yapay zekaya geçmektir. Kronik olarak geç teslimat performansına sahip bir şirketin bunu durdurmak için süreç iyileştirmesine ihtiyacı vardır. Buna bağlı olarak veri kalitesi sorunlarının kasıtlı olarak göz ardı edilmesi de söz konusudur. Liderler, verilerin modern bir bulut sisteminde barındırılması nedeniyle doğru olması gerektiğini varsayıyor. Veri temizleme ve yönetimi gibi zorlu ve gösterişsiz çalışmalara yatırım yapmıyorlar. Bir diğer klasik hata da yapay zekanın hiçbir zaman entegre edilmemiş sistemleri sihirli bir şekilde birbirine yapıştırmasını beklemek. ERP ve TMS'nizin gerçek zamanlı bağlantısı yoksa ve veriler silolarda duruyorsa yapay zeka modeli bir gönderinin tek bir görünümünü oluşturamaz.