:quality(85))
Volgens vrijwel elke beschikbare maatstaf is de groei van kunstmatige intelligentie—en in het bijzonder de nieuwste variant, generatieve AI—de afgelopen jaren uitzonderlijk geweest. Uit onderzoek van Goldman Sachs blijkt dat particuliere investeringen in AI in de VS in 2020 ongeveer $28 miljard bedroegen. Het investeringsbankbedrijf voorspelt dat dit bedrag in 2024 met bijna 250% zal stijgen, naar $68 miljard. Een recent onderzoek van McKinsey & Co. levert aanvullend bewijs voor de snelle adoptie van deze technologie binnen het bedrijfsleven. Het adviesbureau constateerde dat het aantal bedrijven dat generatieve AI regelmatig gebruikt in slechts één jaar bijna verdubbelde. In mei 2024 gebruikte 65% van de ondervraagde bedrijven—waaronder ondernemingen uit uiteenlopende regio’s en sectoren—kunstmatige intelligentie voor functies als marketing, verkoop en productontwikkeling.
Voor bedrijven en professionals actief in supply chain-management klinken de mogelijkheden van AI veelbelovend. De tools kunnen onder andere voorspellende analyses, vraagvoorspellingen en risicobeoordelingen uitvoeren—kritische toepassingen met directe toegevoegde waarde. De afgelopen 18 maanden zijn echter veel bedrijven verleid door de grote beloftes van kunstmatige intelligentie, zonder te analyseren of deze platforms ook daadwerkelijk waarde bieden in hun eigen context. Daarom is het essentieel dat supply chain-managementteams die geïnteresseerd zijn in de potentie van AI, zich verdiepen in de recente ontwikkeling van deze technologie, de verschillende typen kunstmatige intelligentie verkennen en heldere doelstellingen formuleren over hoe de software waarde kan toevoegen aan hun bedrijfsactiviteiten. In een tijdperk waarin bedrijven onbezonnen investeren in AI-startups, is een nuchtere beoordeling van de mogelijkheden van de technologie een essentiële due diligence-maatregel.
De belangrijkste typen AI die bedrijven moeten kennen
De afgelopen vijftien jaar is een periode geweest van enorme groei voor kunstmatige intelligentie. Diverse varianten van de technologie zijn opgekomen op verschillende momenten, teruggaand tot ten minste 2011, toen Apple Siri introduceerde op de vierde generatie iPhone. Als eerste breed beschikbare “virtuele assistent” op een smartphone, maakte Siri gebruik van machine learning en “zwakke AI” om vragen te beantwoorden, informatie op te zoeken en bepaalde taken uit te voeren. Sindsdien zijn de mogelijkheden van Siri en andere virtuele assistenten ruimschoots overtroffen door baanbrekende platforms als ChatGPT, Dall-E, Claude en Gemini.
Onder de brede paraplu van AI vallen verschillende technologieën. Elke variant biedt een eigen set van sterke punten en functionaliteiten, die voor sommige bedrijven en sectoren effectiever zijn dan voor andere.
Machine learning
Machine learning (ML) is een vorm van kunstmatige intelligentie die grote hoeveelheden data gebruikt om patronen te herkennen, voorspellingen te doen, “te leren” door ervaring, en mensen te ondersteunen bij het nemen van beter onderbouwde beslissingen. In plaats van traditionele computerprogrammering, waarbij ontwikkelaars uitvoerige instructies geven die een computer exact moet volgen, is machine learning een meer open proces waarin de computer zelf kennis en expertise opbouwt door teksten, cijfers, afbeeldingen, rapporten en andere databronnen te verwerken. Onderzoeker Arthur Samuel omschreef machine learning in de jaren vijftig als “het onderzoeksveld dat computers de mogelijkheid geeft om te leren zonder expliciet geprogrammeerd te zijn.”
Hoewel andere vormen van kunstmatige intelligentie op dit moment meer aandacht en investering krijgen, blijft machine learning een uitzonderlijk veelzijdige en bewezen technologie. MIT-computerwetenschapper en ML-expert Aleksander Madry stelde in de MIT Sloan Management Review zelfs: “Machine learning verandert, of zal elke industrie veranderen, en leiders moeten de basisprincipes, het potentieel en de beperkingen begrijpen.”
Toepassingen van machine learning
- Zakelijke trends identificeren
- Aanbevelingsalgoritmen ontwikkelen
- Vertragingen en knelpunten in de supply chain signaleren
- Medische diagnoses stellen
- Klantenservice via online chatbots bieden
Predictive AI
Binnen het steeds omvangrijker wordende landschap van kunstmatige intelligentie bestaan er talloze tools, termen en concepten die vaak aanzienlijk overlappen. Zo gebruikt Predictive AI machine learning—samen met statistische analyse—om enorme hoeveelheden historische data te onderzoeken en effectieve, bruikbare voorspellingen te doen over patronen, gedrag en zelfs toekomstige gebeurtenissen.
Predictive AI wordt vaak gezien als een technologisch geavanceerdere opvolger van predictive analytics, waarvoor meer menselijke tussenkomst nodig is. Predictive AI kan daarentegen volledig autonoom leren en zich ontwikkelen.
Toepassingen van Predictive AI
- Consumentengedrag voorspellen
- Financiële prognoses opstellen
- Vraagvoorspellingen uitvoeren
- Apparaatstoringen voorspellen
- Voorraadbeheer
Large Language Models (LLMs)
Large language models zijn een categorie AI die enorme hoeveelheden tekst en data analyseert om taal te begrijpen, te genereren en vloeiend te communiceren met menselijke gebruikers. Tegenwoordig worden LLMs beschouwd als “foundation models”. Deze term, geïntroduceerd door onderzoekers van Stanford University in 2021, duidt op grootschalige AI-platforms die op basis van voldoende data breed inzetbaar zijn voor uiteenlopende taken. Zoals het Center for Security and Emerging Technology van Georgetown Universiteit toelicht, biedt het oorspronkelijke model een basis (“foundation”) waarop vervolgens andere toepassingen kunnen worden gebouwd.
LLMs zijn sinds de opvallende introductie van Chat-GPT eind 2022 razendsnel populair geworden. Deze foundation models worden inmiddels op talloze manieren gebruikt—van e-mails en rapporten tot schoolopdrachten—door iedereen van studenten en docenten tot onderzoekers, contentmakers en zakelijke professionals. Bekende alternatieven voor het platform van OpenAI zijn onder andere Google Gemini, Anthropic’s Claude en Meta’s Llama.
Toepassingen van Large Language Models
- Klantenondersteuning
- Samenvattingen
- Contentcreatie
- Codegeneratie
- Marktonderzoek
Generative AI
Naar analogie van machine learning en predictive AI bestaat er aanzienlijke overlap tussen LLMs en generative AI. Generative AI is een term voor elke tool of elk platform op basis van kunstmatige intelligentie die met name wordt gebruikt voor contentgeneratie. Alle LLMs zijn dus een vorm van generative AI, maar niet elke generative AI is een LLM. Naast tekstgeneratie en natuurlijke conversatie kunnen generative AI-modellen hoogwaardige afbeeldingen, computerprogramma’s en zelfs muziek en audio creëren. Voorbeelden van generative AI-tools die geen LLM zijn, zijn onder andere DALL-E, Midjourney, AIVA en IBM’s watsonx Code Assistant.
Hoewel generative AI relatief jong is, ontwikkelt deze zich razendsnel tot een transformerende technologie die bedrijven graag effectief willen inzetten. Marktonderzoeksbureau IDC voorspelt dat de wereldwijde uitgaven aan generative AI tegen het einde van 2024 zullen oplopen tot $40 miljard.
Toepassingen van Generative AI
- Marketing en reclame
- Contentcreatie
- Computerprogrammering
- Geneesmiddelenontwikkeling
- Modeontwerp
- Productontwikkeling
AI-toepassingen binnen supply chain-risicomanagement
Voor organisaties en teams die AI willen toepassen in risicomanagement, is inzicht in de unieke toepassingen van elk AI-tool essentieel voor effectieve besluitvorming. Hoewel generative AI en large language models momenteel het meest in het nieuws komen en de hoogste investeringen aantrekken, betekent dit niet automatisch dat zij het beste aansluiten bij de supply chain-risicomanagement (SCRM). In plaats daarvan kunnen sourcingexperts en SCRM-professionals profiteren van de brede functionaliteit van alle AI-tools die bedrijven vandaag ter beschikking staan, inclusief predictive AI en machine learning.
Een bekend knelpunt in deze sector is het volledig in kaart brengen van de toeleveringsketen. Hiermee krijgen fabrikanten inzicht in hun leveranciersnetwerk, de omvang en aard van sub-tiers en kunnen risico’s worden geïdentificeerd voordat deze leiden tot verstoringen. AI-platforms kunnen onmisbaar zijn bij dit complexe en tijdrovende proces. Deze tools zijn in staat bestellingen, transportboekingen, vervoersgegevens en andere ketenbewijzen te lokaliseren en te combineren tot gedetailleerde supply chain-kaarten met meerdere lagen. Door gebruik te maken van AI-modellen op basis van machine learning kunnen professionals hun supply chain-zichtbaarheid vergroten en de robuustheid van hun keten verbeteren.
Naast het verbeteren van de mappingcapaciteiten, kan AI ook worden ingezet om uitval van apparatuur te voorspellen voordat deze optreedt. Voorspellende analyse wordt al jaren toegepast met dit doel, en predictive AI betekent een waardevolle vernieuwing van deze technologie. Deze vorm van kunstmatige intelligentie gebruikt sensoren om apparatuur en infrastructuur van een bedrijf te monitoren en verzamelt data over bijvoorbeeld temperatuur, geluid, vochtigheid, druk en smering.
Na analyse van voldoende gegevens kunnen deze platforms de ideale bedrijfscondities van apparatuur herkennen en onderhoudsprofessionals waarschuwen zodra hier afwijkingen optreden—een teken van verminderde prestaties. Deze functionaliteit voor voorspellend onderhoud biedt teams de mogelijkheid om signalen van dreigend falen vroegtijdig te herkennen en proactief te reageren, waarmee langdurige stilstand en productiviteitsverlies voorkomen kunnen worden.
Strategische sourcingprofessionals kunnen AI binnen risicomanagement tevens inzetten voor snelle beoordeling van de impact van supply chain-verstoringen. Stel, een directe leverancier voor een autofabrikant moet door extreem weer meerdere fabrieken sluiten. De autofabrikant kan historische data en actuele omstandigheden invoeren in een AI-tool, die vervolgens een inschatting geeft van de impact op productie en levertijden, inclusief de te verwachten vertragingen.
Belangrijk om te benadrukken is dat deze vorm van verstoringsprognoses nog een onvolwassen technologie is—een voorbeeld van hoe AI in risicomanagement zich nog in de beginfase bevindt. Toch kan huidige AI-software bedrijven voorzien van objectieve, bruikbare inschattingen die leidinggevenden helpen strategisch te handelen. Het beschikken over dergelijke inzichten—hoe onvolmaakt ook—helpt fabrikanten beslissen of zij bij de getroffen leverancier blijven, contact opnemen met een alternatief supply chain-partner, of andere passende maatregelen treffen.
De veelbelovende toekomst van AI binnen SCRM
Ondanks de aanhoudende hype en beursenthousiasme, staan LLMs, generative AI en andere geavanceerde AI-tools nog aan het begin van hun ontwikkeling. Hoewel de onvolwassenheid van deze technologieën voorzichtigheid rechtvaardigt, hoeven bedrijven zich niet aan de zijlijn te houden terwijl concurrenten vol inzetten op hun belofte. Beter is het als supply chain-risicomanagementprofessionals gedegen onderzoek doen naar de mogelijke impact van verschillende AI-vormen op hun organisatie. Dit omvat een grondige kosten-batenanalyse, studie van relevante praktijkvoorbeelden en het benutten van gratis demoperiodes aangeboden door vooraanstaande AI-leveranciers. Deze due diligence-maatregelen kunnen bedrijven helpen tot weloverwogen, onderbouwde investeringen te komen—en dit start met inzicht in de diverse tools binnen het zich snel ontwikkelende AI-landschap.
Bedrijven die interesse hebben in de mogelijkheden van AI binnen risicomanagement kunnen overwegen te profiteren van de voorspellende functionaliteit van het SCRM-platform Z2Data. De toonaangevende software biedt diverse voorspellende tools, waaronder prognoses van de einde levensduur (EOL) van elektronische componenten met een historische nauwkeurigheid van 90% en een sancties-watchlist die met behulp van congresrapporten, NGO-onderzoeken en andere zeer betrouwbare bronnen wereldwijd bedrijven met verhoogd sanctierisico identificeert. Samen helpen deze voorspellende tools fabrikanten risicoresilienter te worden en een wendbare, proactieve dreigingsmanagementstrategie te ontwikkelen.
Wilt u meer weten over Z2Data en de forecastingfunctionaliteit voor klanten? Plan dan een gratis demo in met een van onze productexperts.
