توضیح مزیت هوش مصنوعی

 

چرا شفافیت، یکپارچگی و اعتماد در فناوری لجستیک تعیین کننده است؟ پیتر مک‌لئود با یک متخصص صحبت می‌کند.

در LogiMAT امسال، اگر موضوعی وجود داشت که سر و صدا را با وضوح بیشتری نسبت به سایر موارد کاهش می داد، آن موضوع سرعت بود. نه فقط سرعت عملیات، بلکه سرعت استقرار، سرعت نوآوری، و در نهایت The Big One: سرعت بازگشت سرمایه. برای Inform Software، این بحث به طور فزاینده ای منجر به یک سوال گسترده تر می شود: چگونه سازمان های لجستیک می توانند سیستم های هوشمند تری را بدون از دست دادن شفافیت، کنترل یا اعتماد اتخاذ کنند؟

 

دکتر برند هاینریشز که در نمایشگاه شلوغ در اشتوتگارت، Inform's SVP Inventory & Supply Chain، با من صحبت می‌کرد، توضیح داد که این شرکت چگونه هوش مصنوعی را در زنجیره تامین و محیط‌های درون لجستیکی توسعه می‌بیند.

 

گسترش لایه بهینه سازی

Inform مدت‌هاست که با بهینه‌سازی در محیط‌های پیچیده{0}}داده محور مرتبط بوده است. اما با نوسانات بیشتر بازارها، از سیستم‌های بهینه‌سازی خواسته می‌شود که سریع‌تر واکنش نشان دهند، سیگنال‌های بیشتری را ترکیب کنند و از تصمیم‌گیری پویاتر پشتیبانی کنند.

این تغییر به ویژه در محیط هایی که تصمیمات به یکدیگر وابسته هستند، مرتبط است. تغییر در برنامه ریزی تقاضا ممکن است بر موجودی، ظرفیت حمل و نقل، تخصیص نیروی کار یا سطح خدمات تأثیر بگذارد. توصیه‌ای که در بخشی از عملیات ارائه می‌شود می‌تواند پیامدهایی در جای دیگر ایجاد کند، که شفافیت را برای استفاده روزانه ضروری می‌کند.

برای هاینریش، اینجاست که هوش مصنوعی در لجستیک باید ارزش عملی خود را ثابت کند. او می گوید: "من در مورد هوش مصنوعی صحبت نمی کنم. من در مورد هوش مصنوعی قابل توضیح صحبت می کنم." "هر کاری که ما انجام می دهیم، هر چیزی که پیشنهاد می کنیم، توضیحی دارد. در غیر این صورت، مردم به آن اعتماد ندارند."

اعتماد به عنوان یک نیاز عملی

در مکالمه با مشتریان در صنایع مختلف، او می‌گوید که این سوال بارها و بارها مطرح می‌شود: "چرا سیستم آن گزینه را انتخاب کرد و گزینه دیگری را انتخاب نکرد؟"

 

این سوال مهم است زیرا تصمیمات لجستیکی به ندرت توسط فناوری گرفته می شود. آنها شامل برنامه ریزان، مدیران، تیم های عملیاتی و در بسیاری موارد، مشتریان یا شرکای خارجی هستند. اگر این ذینفعان نتوانند استدلال پشت یک توصیه پشتیبانی شده از AI را دنبال کنند، احتمال کمتری دارد که بر اساس آن عمل کنند.

 

برای هاینریش، این می تواند به نقطه تمایز معناداری برای ارائه دهندگان فناوری اروپایی تبدیل شود. او می‌گوید: «ما می‌توانیم به خوبی هوش مصنوعی بسازیم، اما می‌توانیم چیزی متفاوت اضافه کنیم. "این نباید یک جعبه سیاه باشد."

از آنجایی که شرکت ها به دنبال تعبیه برنامه های کاربردی هوش مصنوعی در فرآیندهای تجاری تثبیت شده هستند، این تفاوت اهمیت فزاینده ای پیدا می کند. سیستم ها باید از نظر فنی قوی باشند، اما همچنین باید به اندازه کافی قابل درک باشند تا کاربران بتوانند آنها را در طول زمان به چالش بکشند، اعتبار سنجی کنند و بهبود بخشند.

 

مدیریت محیط های کمتر قابل پیش بینی

برنامه ریزی محیط های عملیاتی تنها با داده های تاریخی سخت تر می شود. الگوهای تقاضا تغییر می کند، عوامل خارجی مداخله می کنند و شرایط بازار می تواند به سرعت تغییر کند، اغلب قبل از اینکه این تغییرات به وضوح در اعداد قابل مشاهده باشد. او می‌گوید: «شما باید داده‌های زمانی واقعی را جمع‌آوری کنید و تنها به داده‌های تاریخی تکیه نکنید. "شما باید به نوسانات واکنش نشان دهید و سیگنال های منابع مختلف را در تصمیمات خود ادغام کنید."

این نشان‌دهنده تغییر از مدل‌های بهینه‌سازی استاتیک بیشتر به سمت سیستم‌های پاسخگو است که به طور مداوم اطلاعات جدید را در نظر می‌گیرند. او می افزاید: «این وضعیت پویاتر می شود. "گام بعدی این است که آن را عاملی تر کنیم - واکنش خود به خود به تغییرات در محیط."

 

از اخبار تا پیش بینی

یکی از نمونه‌های Inform که برای اولین بار در LogiMAT ارائه شد، یک رویکرد جدید مبتنی بر هوش مصنوعی- است که برای وارد کردن رویدادهای خارجی مستقیماً به برنامه‌ریزی سناریو و پیش‌بینی طراحی شده است. هاینریش می‌گوید نقطه شروع یک سوال ساده بود: چرا مدل‌های پیش‌بینی اغلب آنچه را که در جهان اطرافشان اتفاق می‌افتد نادیده می‌گیرند؟

 

او توضیح می‌دهد: «اگر امروز یک پیش‌بینی کلاسیک انجام می‌دهید، بر اساس شخصیت‌های تاریخی است. اما در واقعیت، تقاضا دائماً تحت تأثیر رویدادهایی مانند درگیری‌های ژئوپلیتیکی، اختلال در زنجیره تأمین، مقررات جدید یا روندهای بازار است.

راه حل جدید برای از بین بردن این شکاف طراحی شده است. کاربران یک سری زمانی مانند ارقام فروش یا یک شاخص بازار ارائه می‌کنند و به طور خلاصه زمینه را توصیف می‌کنند. هوش مصنوعی سپس رویدادهای خبری مرتبط را بررسی می کند، روابط تاریخی را تجزیه و تحلیل می کند و چندین سناریو احتمالی آینده را تولید می کند. نتیجه یک پیش‌بینی همراه با توضیحی مبتنی بر شواهد است که چرا یک بازار ممکن است در جهت‌های مختلف توسعه یابد.

انسان در حلقه

برای هاینریش (تصویر، زیر)، بحث در مورد هوش مصنوعی نیز مستقیماً به نقش تخصص انسانی منجر می‌شود. هوش مصنوعی می تواند الگوها را شناسایی کند، حجم زیادی از اطلاعات را پردازش کند و سناریوهایی را با سرعت تولید کند. اما ارزش آن زمانی افزایش می‌یابد که افراد بتوانند تجربه، زمینه و قضاوتی را که داده‌ها به تنهایی نمی‌توانند ارائه کنند، اضافه کنند.

او می‌گوید: «هوش مصنوعی فقط به اندازه داده‌هایی است که با آن کار می‌کند و افرادی که می‌توانند به آن داده‌ها معنی بدهند.» "به همین دلیل است که انسان به عنوان یک بخش اساسی از حلقه باقی می ماند."

در عمل، این بدان معناست که برنامه‌ریزان و تصمیم‌گیرندگان{0}}از فرآیند حذف نمی‌شوند. آنها در مرکز آن باقی می مانند. نقش آنها اعتبار سناریوها، زیر سوال بردن مفروضات و اصلاح خروجی ها بر اساس دانش عملیاتی یا شهود بازار است.

 

هاینریش توضیح می‌دهد: «اگر مردم بفهمند که چرا سیستم چیزی را توصیه می‌کند، می‌توانند تصمیم بگیرند که به آن اعتماد کنند، آن را زیر سوال ببرند یا آن را بهبود بخشند. اینجاست که همکاری بین قضاوت انسان و هوش ماشینی واقعا قدرتمند می شود.

 

یکپارچگی و قابلیت همکاری

یکی دیگر از موضوعات ثابت در بحث های مشتری یکپارچه سازی است. همانطور که عملیات لجستیک بیشتر به هم متصل می شوند، توانایی پیوند برنامه های کاربردی مبتنی بر هوش مصنوعی با سیستم های موجود ضروری می شود. "ما همیشه این سوال را داریم: چگونه می توانم با سیستم ERP خود، راه حل های دیگرم یکپارچه شوم؟" هاینریش به من می گوید. پاسخ Inform استانداردسازی کانکتورها و همسویی با پلتفرم های اصلی مانند SAP و Microsoft بوده است. نتیجه یک مسیر یکپارچه سازی ساده تر است که هزینه و زمان اجرا را کاهش می دهد.

 

او می افزاید: «این تفاوت بزرگی ایجاد می کند. و همچنین گسترش بین المللی را برای ما آسان تر می کند.»
این یک نکته مهم در پذیرش هوش مصنوعی است. حتی پیشرفته‌ترین برنامه‌ها در صورت جدا بودن از سیستم‌هایی که در آن فرآیندهای تجاری واقعاً مدیریت می‌شوند، برای ایجاد ارزش تلاش می‌کنند. شرکت های لجستیک در حال حاضر با چشم اندازهای تثبیت شده فناوری اطلاعات کار می کنند و راه حل های جدید باید بدون ایجاد پیچیدگی اضافی در آن محیط ها قرار گیرند.

 

 

مسئولیت داده ها

با افزایش اتصال و استفاده از داده، بررسی دقیق در مورد امنیت بیشتر می شود. پیشینه هاینریش در امنیت سایبری موضع قوی در مورد این موضوع را نشان می دهد. او می‌گوید: «هر محصولی قبل از خروج باید دارای مهر امنیتی باشد. "اجباری است."

همانطور که مدل‌های هوش مصنوعی از منابع داده گسترده‌تری – از جمله فیدهای خارجی مانند اخبار و اطلاعات بازار – استفاده می‌کنند، پیچیدگی مدیریت و ایمن‌سازی آن داده‌ها افزایش می‌یابد. هاینریش خاطرنشان می‌کند: «مقدار داده‌ای که ما از آن استفاده می‌کنیم، تقاضای زیادی از نظر امنیت داده‌ها ایجاد می‌کند. "شما باید در بالای آن بمانید."

 

بازاری آماده حرکت

شاید قابل توجه ترین ارزیابی هاینریش از احساسات بازار باشد. او به جای احتیاط، اشتهای فزاینده ای برای آزمایش و پیشرفت سریع می بیند.

او می‌گوید: «مشتریان از ما می‌خواهند که با ایده‌هایی همراه باشیم. "آنها حاضرند سریع برنده شوند، سریع شکست بخورند." این گشودگی زمینه مناسبی را برای راه‌حل‌های هوشمند ایجاد می‌کند که می‌توانند پیشرفت‌های ملموسی را بدون اینرسی پروژه‌های تغییر-در مقیاس بزرگ ارائه دهند.

 

برای بسیاری از شرکت ها، مرحله بعدی دیجیتالی شدن تنها با هوش مصنوعی تعریف نمی شود. توسط هوش مصنوعی تعریف می‌شود که خود را توضیح می‌دهد، کاملاً با سیستم‌های موجود ارتباط برقرار می‌کند و از تصمیم‌هایی پشتیبانی می‌کند که مردم می‌توانند به آنها اعتماد کنند.