


Wie die Technologie der künstlichen Intelligenz die Zukunft der Lieferketten verändern wird
Technologie verändert und verbessert ständig die Art und Weise, wie wir Lieferketten verwalten – von neuen Karren mit Rädern, die an Kamelen auf der alten Seidenstraße festgeschnallt sind, bis hin zu den heutigen hochpräzisen Nachschubbedarfsprognosen für den Einzelhandel, die auf künstlicher Intelligenz basieren.
Doch obwohl diese Entwicklungen die Gesellschaft weiter vorantreiben, werden sie zunächst nicht immer begrüßt. Nehmen Sie zum Beispiel Barcodes.
Als Barcodes zum ersten Mal kommerziell genutzt wurden, mussten skeptische Hersteller davon überzeugt werden, sie auf Produkte zu drucken, und zögerliche Supermärkte, Scanner zu kaufen. Doch innerhalb weniger Jahre erkannte man allgemein, dass die Barcode-Kennzeichnung die Effizienz und Genauigkeit des gesamten Einzelhandelslebenszyklus veränderte.
Als Unternehmensführer müssen wir stets die anfängliche Zurückhaltung überwinden und die Vorteile transformativer neuer Technologien nutzen. Lieferketten, die sich an externe Veränderungen anpassen können, von der Geopolitik bis zur Umwelt, sind im heutigen volatilen Wirtschaftsumfeld ein großer Wettbewerbsvorteil. Welche neuen Technologien können also die Geschwindigkeit erhöhen, die Zuverlässigkeit unterstützen und die Widerstandsfähigkeit von Unternehmen wie Ihrem erhöhen?
IoT und 5G werden die Sichtbarkeit verändern
Die COVID-19-Pandemie hat zu einer wirtschaftlichen Verlangsamung geführt, aber jetzt, da das Schlimmste hinter uns liegt, können IoT und 5G dorthin vordringen, wo sie wären, wenn die Pandemie nicht so priorisiert worden wäre das sollte erreicht werden.
Die Vorteile der 5G-Technologie liegen auf der Hand. Es ist 1.000-mal schneller als 4G und kann 10.000-mal mehr Datenverkehr verarbeiten. Außerdem wird die Latenz von 10 Millisekunden auf weniger als 1 Millisekunde reduziert und die Gerätekonnektivität von 100.000 auf 1 Million Geräte pro Quadratkilometer erhöht. Einfach ausgedrückt ermöglicht es eine explosionsartige Zunahme der Anzahl von Geräten und Anwendungen, die gleichzeitig miteinander verbunden werden können.
Für Lieferketten ermöglicht dies ein beispielloses Maß an Geschwindigkeit und Reaktionsfähigkeit bei der Verfolgung der Warenbewegungen auf der ganzen Welt. Kostengünstige 5G-Chips können Lieferkettendaten in Echtzeit sammeln und analysieren. 5G-fähige IoT-Sensoren können dann an verschiedenen Punkten entlang der Lieferkette platziert werden, sodass Manager den Produktstandort, die Etikettierung und den Status aus der Ferne überwachen und sofort mit der Planung von Problemumgehungen beginnen können, wenn Verzögerungen oder Störungen auftreten.
5G wird Unternehmen auch dabei helfen, ihre Abläufe zu optimieren und Ineffizienzen zu minimieren, beispielsweise durch den Einsatz von Geolokalisierungstechnologie, um Staus zu vermeiden. Durch die Kombination von 5G mit IoT können Unternehmen sicherstellen, dass Produkte zur richtigen Zeit und in der perfekten Menge in Lagerhäusern und Regalen ankommen.
Künstliche Intelligenz und maschinelles Lernen optimieren die Leistung
Ein weiterer Technologiebereich, der das Supply Chain Management zu revolutionieren verspricht, ist künstliche Intelligenz (KI) und ihre Teilmenge des maschinellen Lernens (ML). Denken Sie daran, dass es wichtig ist, den subtilen Unterschied zwischen KI und ML zu beachten: KI ermöglicht es Computersystemen, mithilfe von Mathematik und Logik selbst zu „denken“ und Aufgaben autonom auszuführen. Gleichzeitig ermöglicht ML dem System, auf der Grundlage seiner Erfahrungen zu „lernen“ und seine Ergebnisse zu verbessern.
Durch maschinelles Lernen gesteuerte Lieferketten ermöglichen es Unternehmen, ihre Prognosen zur Produktnachfrage im Laufe der Zeit automatisch zu verbessern. Dies verbessert nicht nur die Genauigkeit von Lagerbeständen und Lagerbestandsprognosen, um den „Bullwhip-Effekt“ zu verhindern, sondern eröffnet auch neue Möglichkeiten für den Einzelhandel, wie beispielsweise die dynamische Preisgestaltung. Darüber hinaus können Datenmodelle Anomalien in der Produktnachfrage aufzeigen und automatisch Kontrollmechanismen wie Einkaufslimits für Kunden und die Bestellung zusätzlicher Lagerbestände einrichten.
Gleichzeitig können mit Hilfe künstlicher Intelligenz triviale Back-End-Aufgaben wie Dokumentenverarbeitung und Kommissionierung automatisiert werden, sodass Mitarbeiter wirkungsvollere und erfüllendere Aufgaben übernehmen können. KI kann Managern auch dabei helfen, die Lieferantenleistung von der Preisgestaltung bis zur Zuverlässigkeit zu bewerten, um Unterbrechungen weiter zu reduzieren und die Lieferketten zu stärken.
Auch hier handelt es sich nicht nur um spekulative Durchbrüche. Untersuchungen von McKinsey zeigen, dass die ersten Anwender von KI und maschinellem Lernen große Erfolge erzielt haben, mit „einer durchschnittlichen Verbesserung der Logistikkosten um 15 %, der Lagerbestände um 35 % und des Serviceniveaus um 65 %“.
Da die Kosten steigen und die Störungen eskalieren, sollten Unternehmensleiter danach streben, die Vorteile KI-gesteuerter Lieferketten zu nutzen, bevor schneller agierende Wettbewerber zu weit voraus sind.
Technologien der nächsten Generation werden die Branche zukunftssicher machen
Während Lieferketten schneller, sicherer und widerstandsfähiger werden müssen, müssen Lieferketten, die wirklich zukunftssicher sind, auch nachhaltig sein. Auf dem Weg zu einer Netto-Null-Gesellschaft werden umweltfreundlichere Lieferketten sehr gefragt sein – nicht zuletzt, weil sie Schwankungen bei den Preisen und der Verfügbarkeit fossiler Brennstoffe vermeiden und umweltbewusste Kunden, Investoren und Mitarbeiter anziehen können.
Glücklicherweise nehmen die Regierungen dies allmählich zur Kenntnis und bieten erhebliche Anreize für einen umweltfreundlichen Einkauf und Vertrieb. Die Vereinigten Staaten haben kürzlich ein umfassendes Energiegesetz verabschiedet, das im nächsten Jahrzehnt etwa 370 Milliarden US-Dollar in verschiedene kohlenstoffarme Energietechnologien investieren wird. Untersuchungen zeigen bereits, dass die Gesetzgebung dazu beitragen könnte, die Emissionen in den USA deutlich zu reduzieren und Netto-Null-Ziele zu erreichen.
Gleichzeitig könnten der Krieg zwischen Russland und der Ukraine und seine Auswirkungen auf die Lieferung von Öl und Gas nach Europa dazu führen, dass Länder auf dem Kontinent den Vereinigten Staaten folgen und stark in nachhaltige Energie investieren.
Durch die Vervierfachung der Erzeugung erneuerbarer Energien und den Aufbau einer Strominfrastruktur könnte die EU bis 2035 mehr als 1 Billion US-Dollar einsparen, mit zusätzlichen Vorteilen für Klima, Gesundheit und Energiesicherheit, wie Untersuchungen zeigen. In ähnlicher Weise legt die Energiesicherheitsstrategie des Vereinigten Königreichs fest, wie das Land erneuerbare Energien nutzen wird, um sicherzustellen, dass bis 2030 bis zu 95 % des Stroms CO2-arm sind.
Derzeit sind die Kosten pro Watt Strom aus Solar- und Windenergie mit denen fossiler Brennstoffe vergleichbar. Aber wenn Investitionen in grüne Energie erfolgreich sind, könnten wir eine Unabhängigkeit von fossilen Brennstoffen erleben, was die Beschaffung, den Betrieb und die übermäßige Verschwendung in den Lieferketten revolutionieren würde.
In der Zwischenzeit geben uns andere neue Technologien einen Einblick in die unglaubliche Zukunft. Wird KI in zehn Jahren überhaupt in der Lage sein, lebende Organismen zu manipulieren? Ein Forschungsteam aus Robotikern und Wissenschaftlern hat gezeigt, dass dies durchaus möglich ist. Innovation steht immer vor der Tür und es liegt in unserer Verantwortung, auf jede Technologie vorbereitet zu sein, die auf unsere Lieferketten, Unternehmen und unser Leben zukommt.
Das obige ist der detaillierte Inhalt vonWie die Technologie der künstlichen Intelligenz die Zukunft der Lieferketten verändern wird. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
