AI는 이미 공급망 관리 분야에서 상당한 성과를 거두었습니다.

공급망은 제품 설계부터 소싱, 제조, 유통, 배송 및 고객 서비스에 이르기까지 일련의 작업을 수행합니다. Cisco의 AI/ML 데이터 제품 이사인 Devavrat Bapat는 "모든 지점에서 AI와 ML에 대한 엄청난 기회가 있습니다."라고 말했습니다. 이는 현대 AI가 이미 공급망 관리에 필요한 것에 매우 능숙하기 때문입니다. . 첫 번째는 예측으로, AI를 사용하여 다운스트림 수요 또는 업스트림 부족을 예측합니다. 또한 알고리즘은 고장의 전조라고 생각되는 하나 이상의 이벤트를 감지한 다음 생산 품질이 저하되기 전에 조립 라인 운영자에게 경고할 수 있습니다.

두 번째는 AI를 사용하여 제조 문제를 찾는 검사입니다. 또한 재료와 부품을 인증하고 공급망 전체에서 추적하는 데에도 사용할 수 있습니다

궁극적으로 AI는 주어진 상황에서 특정 고객의 요구를 충족하도록 공급망을 최적화합니다. 활성화 기술이 이미 존재하지만 현재 공급망에서 달성하기 어려운 수준의 데이터 공유를 요구하는 과제가 남아 있습니다. 그 동안에도 많은 기업이 여전히 개선된 예측 및 검사의 혜택을 누리고 있습니다

Forecast

연간 매출 150억 달러, 직원 41,000명 이상, 직원 수 200명 이상인 세계 최대 포장 회사 중 하나인 Amcor의 예를 들어보세요. 전세계 공장. 이 회사는 주로 시장 점유율의 대부분을 차지하는 식품 및 건강 관리 포장에 중점을 두고 있습니다. Amcor의 글로벌 최고 정보 책임자(CIO)인 Joel Lanchin은 "우리는 냉장고에 있는 제품의 1/3을 위한 포장을 만듭니다"라고 말했습니다. 제조상의 과제는 변화하는 수요를 정확하게 예측하고 이에 적응하는 것과 관련이 있습니다. 식품 공급망 세계에서는 수요 변화에 따라 주문이 수정되는 경우가 많습니다. 예를 들어, 더운 날씨에 사람들은 게토레이를 더 많이 마시게 되어 수요가 갑자기 급증할 수 있으므로 병에 대한 수요가 10~15% 증가할 수 있습니다. 다른 유형의 제품도 마찬가지입니다. 갑자기 바다에 더 많은 물고기가 생겨 더 많은 물고기를 수용하기 위한 포장의 필요성이 증가할 수 있습니다. "우리가 예측하려고 해도 고객이 원하는 것이 무엇인지 항상 미리 알 수는 없기 때문에 매우 어렵습니다."라고 Lanchin은 말했습니다. Amcor가 부족량을 정확하게 예측할 수 없으면 원자재를 미리 비축할 수 없습니다. 더 중요한 것은 회사는 가격이 오르기 전에 더 낮은 가격에 더 많이 살 수 있도록 가격 변화를 예측해야 하고, 한 방울이 곧 떨어질 것 같으면 더 적게 사야 한다는 것입니다.

약 1년 전, Amcor는 EazyML을 실험하기 시작했습니다. 고객 수요와 공급측 예측을 최적화하는 데 도움이 되는 플랫폼입니다. 그들은 변동 패턴을 찾기 위해 ERP의 3년 간의 데이터를 사용하여 도구를 교육했습니다. 시스템은 변경 범주를 찾고, 어떤 이벤트가 다양한 종류의 변경과 연관되어 있는지 찾으려고 시도합니다. 예를 들어, 계절적 변동을 조사하고 두 가지 이상의 유형의 변화가 동시에 발생하는지 또는 상호 배타적인지 여부를 조사합니다.

Lanchin은 다음과 같이 말했습니다. “우리가 얻은 초기 결과는 매우 고무적이며 예상을 뛰어넘습니다.” 변화를 예측할 수 있으면 원자재 수요를 더 잘 예측하고 필요한 경우 미리 보충할 수 있습니다.

인공 지능을 통해 예측이 크게 향상된다고 말하는 Bapat에게는 이는 놀라운 일이 아닙니다. 그는 "과거에는 많은 기업이 합의된 예측에 의존해 평균 예측에 도달하기 위해 다양한 전문가의 의견에 가중치를 두었습니다"라고 말했습니다. "연구에 따르면 과거 데이터를 추정하기 위해 통계 기법을 사용하는 통계 예측 방법이 있습니다. , 지속적으로 합의보다 뛰어난 성능을 발휘합니다. 그러나 핵심은 올바른 데이터를 사용하는지 확인하는 것입니다.

여러 칩이 있는 Intel에서 찾을 수 있습니다. 포토리소그래피를 사용하여 웨이퍼에 인쇄하는 기술입니다. 웨이퍼 중앙에 가장 가까운 곳이 최고의 전력 성능 곡선을 갖는 경향이 있습니다. 외부 링에 더 가까운 제품은 여전히 ​​안정적이지만 성능이 저하되는 경향이 있습니다. 인텔에는 칩을 보관하거나 폐기해야 하는 품질 기준이 있습니다. 사람이 웨이퍼를 검사하도록 하는 것은 시간이 많이 걸리고 결함이 가득한 프로세스입니다.

Intel의 수석 부사장 겸 최고 기술 책임자인 Greg Lavender는 "우리는 인공 지능을 사용하여 고품질 칩을 선택하여 더 빠르게 생산하고 출시함으로써 더 나은 품질을 제공합니다."라고 말했습니다. 우리가 인공지능으로 하는 일 중 하나입니다. 나에게는 수백 명의 AI 소프트웨어 엔지니어가 보고하고 있습니다. 그들이 하는 작업 중 일부는 우리 공장에서 검사 및 테스트를 위해 사용되지만 때로는 그들이 개발한 AI가 반드시 사람들에게 알려지지 않고 내부적으로 제품 배송을 위해 사용되기도 합니다

한 가지 사례는 인텔이 소프트웨어 도구를 제공하여 OEM 고객이 맬웨어를 테스트하도록 돕는 방법입니다. 이러한 도구 중 하나는 Intel 노트북에서 실행되는 Intel 위협 감지 기술입니다. Windows에서 코드를 실행할 때 Intel 코드는 CPU의 명령 흐름을 검사합니다. 적응형 학습 서명 알고리즘을 활용하여 코드에서 악성코드 서명과 일치하는 이상 징후를 찾습니다. 일치하는 항목이 발견되면 도구는 맬웨어를 가로채거나 차단하고 Windows Defender에 장치 감염에 대해 경고합니다.

"위협 감지 기술은 모든 고객 CPU에 내장되어 있습니다."라고 Lavender는 말했습니다. 이러한 감염은 공급망을 통해 몰래 들어옵니다. 최종 제품이 조립되면 이를 찾는 유일한 방법은 이 도구를 사용하는 것입니다. 우리는 지난 몇 년간 이 도구와 기타 AI 도구를 제공해 왔지만 이제는 대규모 언어 모델에 대한 이야기가 많아지면서 더 많은 사람들이 이에 대해 이야기하고 있습니다.

Cisco의 Bapat에 따르면 검사는 공급망 관리의 중요한 부분입니다. 제품 설계 단계에서 올바른 단계를 수행하면 검사가 더 쉬워집니다. "흐름을 모니터링하는 데 도움이 되는 데이터를 생성할 수 있는 제품 설계 프로세스 계측 장치를 내장하면 많은 비용을 절약할 수 있습니다."라고 그는 말했습니다. "모든 제품의 재료비와 인건비 비용을 고려하면 그 수치가 매우 높다는 것입니다." 부담에는 주로 제품 품질과 감독 및 관리 비용이 포함됩니다. 오늘날 AI는 이미 이러한 비용을 최소화하는 데 도움을 주고 있습니다.

최적화

예측과 검사는 모두 중요하지만 공급망을 특정 고객 요구에 맞게 조정할 수 있을 때 가장 큰 영향을 미칠 것입니다. Bapat는 최고의 AI 알고리즘 중 하나를 설계하면서 중요한 교훈을 배웠습니다. 개발하고 배포하는 데 9개월이 걸렸고, 궁극적으로 작동시키는 데는 놀라울 정도로 오랜 시간이 걸렸습니다. 무엇이 잘못되었는지 되돌아보면서 그는 아무리 기술이 좋아도 최종 고객이 누구인지, 그들이 애플리케이션을 어떻게 사용할 계획인지 이해하는 데 시간을 투자하지 않으면 원하는 결과를 얻을 수 없다는 것을 깨달았습니다. . 그는 또한 고위 경영진이 가장 큰 목소리를 내는 경우가 많지만 고위 경영진이 최종 고객은 아니라는 점도 지적했습니다.

"그때부터 저는 영업이든 공급망 관리든 항상 기본적인 업무에 대한 올바른 이해부터 시작한다는 점을 강조해 왔습니다." "이 요구사항을 확실히 이해한 후에는 다시 본론으로 돌아가겠습니다."

Bapat는 이 개념이 공급망 관리에 적용되어야 한다고 믿습니다. "만약 최종 소비자에게 초점을 맞춘다면 AI는 소비자와 그들의 환경을 분류하고 타겟팅하여 도움을 줄 수 있습니다. 공급망 전반에 걸쳐 인건비, 생산비, 세금, 재고 등 다양한 비용을 고려하고 함께 최적화하세요.

공급망이 프로세스에 맞게 최적화되면 이를 통해 예측 품질 및 유지 관리를 설치하고 수행할 수 있습니다. 그는 공급 관리의 조달 측면으로 돌아갈 수 있다고 말했습니다. “이는 공급업체가 적이 아니라 파트너라는 생각을 뒷받침합니다.”라고 그는 말했습니다. ”

따라서 데이터를 공유하지 않는 최소 3개의 독립적인 회사로 구성된 공급망의 특성은 오랫동안 지속된 과제입니다. 첫째, 이러한 회사는 비즈니스 분야에서 하나 이상의 파트너와 경쟁할 수 있습니다. 둘째, 경쟁하는 공급망에 속할 수 있고 셋째, 협상 테이블에서 자신의 강점을 높이기 위한 정보를 보유할 수 있습니다.

현재 세대의 AI는 공급망을 최적화하고 적절한 가격에 제품을 맞춤화할 수도 있습니다. 그러나 이를 달성하려면 소수의 기업이 준비한 수준의 데이터 공유가 필요합니다.

Bapat는 다음과 같이 말했습니다. “빠진 것은 기업이 너무 많은 것을 공개하지 않고 일부 데이터를 자신있게 공유할 수 있게 해주는 일부 기술입니다. “이 목표를 달성하려면 앞으로 5~10년이 더 걸릴 것입니다. ”

위 내용은 AI는 이미 공급망 관리 분야에서 상당한 성과를 거두었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!