Vis dažniau kalbame apie dirbtinį intelektą (DI). Yra manančių, kad mašininio mokymosi galimybės gali padėti, didinant tiekimo grandinių efektyvumą ir netgi mažinant aplinkos taršą. Šiuo metu rinkoje yra sprendimų, padedančių organizacijoms priimti labiau pamatuotus sprendimus. Tačiau didžiausią naudą šis įrankis galės sukurti ateityje, todėl jo galimybėmis svarbu domėtis jau šiandien. Straipsnyje nagrinėjame, mūsų nuomone, pagrindines sritis, kuriose netolimoje ateityje DI galėtų sukurti pridėtinę vertę bei ką galime optimizuoti jau dabar, panaudojant turimus sprendimus.
1. Pasiūlos ir paklausos prognozavimas
Pasiūlos ir paklausos prognozavimas iki šiol organizacijoms kelia daug iššūkių, ypač įmonėms, vykdančioms mažmeninę prekybą. Jeigu galėtume rasti sprendimą, leidžiantį tiksliai prognozuoti, kokias prekes ir kada užsakyti, taip eliminuojant produktų perviršių (angl. Overordering) ir sumažinti prekių trūkumą (angl. Stockouts), prekybinės įmonės galėtų padidinti pelningumą ir apyvartą.
Nors šioje srityje kai kurios organizacijos jau turi susikūrusios vidinius DI paremtus sprendimus, kurie palengvina planavimo funkciją, tačiau tada, kai DI bus sujungtas ne tik su vidinėmis įmonės sistemomis, tačiau ir su išorinėmis, tokiu atveju mašininio mokymosi algoritmai gaus žymiai daugiau duomenų, kuriuos apdorojant bus galima labai tiksliai prognozuoti pasiūlą ir paklausą.
2. Tiekimo grandinės atsparumo didinimas
Daugelis organizacijų šiais politinio ir finansinio neapibrėžtumo laikais ieško būdų, kaip savo tiekimo grandines padaryti atsparesnes pokyčiams. Daugiau apie tiekimo grandinių atsparumą galite skaityti čia. Tai nėra lengvas darbas, kadangi reikia atlikti detalią tiekėjų analizę, įsivertinti rizikos veiksnius ir kuo greičiau reaguoti į besikeičiančia situaciją.
DI jau dabar gali padėti atlikti tiekėjų vertinimą, atsižvelgiant į jūsų suformuotą užduotį, parinkti geriausius variantus ir taip sutaupyti laiko. Tačiau ateityje, tikėtina, šios galimybės bus praplėstos, kadangi į vertinimo kriterijus bus galima įtraukti realiu laiku vykstančius procesus ir duomenis. Tokiu atveju tiekėjų atranka taps dinamiška, o sprendimai – tikslesni.
3. Taršos mažinimas
Kalbant apie taršos mažinimą, dažniau akcentuojama gamyba ir logistika, tačiau rečiau įvertiname faktą, kad šiuolaikinės tiekimo grandinės, nepaisant technologijų, vis dar sugeneruoja didelius kiekius produktų, kurie yra nesuvartojami ir išmetami. Taršą galima mažinti ir tuo atveju, kai gaminame tikslius prekių kiekius, tada ir taršalų į aplinką patenka mažiau. DI planavimo galimybės gali sumažinti arba net visiškai eliminuoti nurašomas prekes ir taip prisidėti prie aplinkos saugojimo.
DI taip pat gali padėti tiksliai apskaičiuoti CO2 emisijas ir analizuoti duomenis, kuriais remiantis, galima mažinti taršą.
4. Duomenų analizė
Tiekimo grandinės valdymo profesionalai kasdien privalo atlikti daug įvairių skaičiavimų: modeliuoti optimalius distribucijos planus, vertinti palankiausią atsargų lygį (angl. safety stock), racionalizuoti atsargas (angl. stock racionalization) bei priimti daugelį kitų sprendimų. Jau dabar, turint istorinius duomenis, juos galima įkelti į DI įrankius, tokius kaip „Chat GPT“, suformuoti užduotis ir atlikti įvairius modelius bei skaičiavimus.
5. Greitesnis ir pigesnis sprendimų priėmimas
Visos išvardintos situacijos, kurias sprendžia DI, iš esmės leidžia priimti greitesnius ir tikslesnius sprendimus. Tai yra gera žinia mažoms ir vidutinėms įmonėms, nes jos gali naudotis tais pačiais įrankiais, kokiais anksčiau naudojosi tik didžiosios bendrovės. Jos, siekdamos susikurti geriausias strategijas, samdydavo konsultacines įmones, kurios visų pirma prašydavo pateikti duomenis, tuomet kurdavo įvairius modelius, taip efektyvindavo veiklą ir priimdavo skaičiais pagrįstus sprendimus. Tuo tarpu mažos ir vidutinės įmonės dėl finansinių resursų ir žmogiškųjų išteklių trūkumo dažniausiai tokių sistemų nekurdavo, o sprendimus priimdavo naudodamosi įvairiomis „Excel‘io“ funkcijomis bei vadovaudamosi nuojauta. Tad dabar, nepriklausomai nuo įmonės dydžio, praktiškai visos kompanijos gali turėti tokius pačius įrankius, o didžiosios korporacijos gali toliau taupyti lėšas.
6. Integracija su daiktų interneto (Angl. Internet of things) įrenginiais
DI galimybės yra beribės. Kuo daugiau duomenų jūsų organizacija surenka ir kuo daugiau jų sukelia į DI modelius, tuo didesnę naudą šis įrankis sukuria. Kai mašininio mokymosi galimybės bus sujungtos su daiktų interneto įrenginiais, įmonės galės gauti įvairių kokybiškų duomenų. Prognozuojama, kad tuomet bus pasiektas kitas lygis, kai bus galima dar labiau pagerinti sprendimų paėmimą, kartu atsiras naujų išradimų įvairiose srityse. Kai DI prisijungs prie įrenginių, kurie matuoja mūsų sveikatos rodmenis, gali būti rasti būdai, kaip apsisaugoti nuo įvairių ligų, išrasti nauji vaistai arba patobulinti turimi. Suprantama, galėtume pateikti ir daugiau DI panaudojimo galimybių pavyzdžių, susijusių tiek su gamyba bei logistika, tiek su kitomis sritimis.
Apibendrindami norime akcentuoti, kad nors apie šį įrankį sklando įvairiausių nuomonių, tiek teigiamų, tiek ir neigiamų, ir dar reikia laiko, kol šis įrankis ištobulės, tačiau jau dabar matome, kad jo galimybėmis kompanijoms verta domėtis nedelsiant. Įmonės, minimaliai investuodamos, gali atlikti įvairius modeliavimus ir taip taupyti lėšas bei paspartinti sprendimų priėmimą. Tačiau, kalbant apie DI, taip pat svarbu suprasti, kad jo algoritmai tobulėja kartu su augančiu duomenų kiekiu. Tad tos kompanijos, kurios juo naudotis pradės pirmos, šiam įrankiui tobulėjant, galės įgyti konkurencinį pranašumą.
