:quality(85))
Wzrost sztucznej inteligencji, a zwłaszcza jej najnowszej odmiany – generatywnej AI – w ostatnich latach jest imponujący, niezależnie od wybranego wskaźnika. Według analiz Goldman Sachs, w 2020 roku prywatne inwestycje w AI w USA wyniosły około 28 miliardów dolarów. Firma przewiduje, że w 2024 r. ta kwota wzrośnie do 68 miliardów dolarów, czyli niemal o 250%. Najnowsze badanie przeprowadzone przez McKinsey & Co. dostarcza kolejnych dowodów na gwałtowną adaptację tej technologii w świecie korporacyjnym – liczba przedsiębiorstw regularnie korzystających z generatywnej AI niemal się podwoiła w ciągu zaledwie roku. W maju 2024 roku 65% firm objętych ankietą, reprezentujących szerokie przekroje branż i regionów, korzystało ze sztucznej inteligencji m.in. w marketingu, sprzedaży czy rozwoju produktów.
Dla firm i specjalistów zajmujących się zarządzaniem łańcuchem dostaw, możliwości oferowane przez AI są niezwykle atrakcyjne. Narzędzia te umożliwiają prowadzenie analiz predykcyjnych, prognozowanie popytu oraz ocenę ryzyka, a to tylko niektóre z kluczowych zastosowań o natychmiastowej wartości. Jednak w minionych 18 miesiącach wiele przedsiębiorstw uległo przesadnemu entuzjazmowi wobec AI, nie analizując, czy te platformy rzeczywiście przyniosą korzyści w kontekście ich działalności. Dlatego tak ważne jest, aby zespoły zarządzające łańcuchem dostaw, zainteresowane potencjałem sztucznej inteligencji, zrozumiały jej najnowszą historię, poznały dostępne obecnie rodzaje AI i jasno określiły, jakich wartości oczekują od wdrożonego oprogramowania. W czasach, gdy korporacje wydają ogromne środki na start-upy AI bez gruntownej refleksji, rzeczowa ocena możliwości technologii staje się kluczowym elementem należytej staranności.
Kluczowe rodzaje AI warte poznania przez firmy
Ostatnie piętnaście lat to okres dynamicznego rozwoju sztucznej inteligencji. Rozmaite jej iteracje pojawiały się w różnych momentach, począwszy co najmniej od roku 2011, gdy Apple wprowadziło Siri w czwartej generacji iPhone’a. Był to pierwszy „wirtualny asystent” powszechnie dostępny na smartfonie, bazujący na uczeniu maszynowym oraz tzw. „słabej AI”, zdolny odpowiadać na pytania, wyszukiwać informacje i realizować określone zadania. Od tamtej pory możliwości Siri oraz innych asystentów głosowych zostały dalece przewyższone przez przełomowe platformy takie jak ChatGPT, Dall-E, Claude czy Gemini.
Pod pojęciem AI kryje się wiele odmiennych technologii, z których każda oferuje inny zestaw zalet i funkcjonalności, lepiej sprawdzających się w określonych firmach i sektorach.
Uczenie maszynowe
Uczenie maszynowe (machine learning, ML) to rodzaj sztucznej inteligencji, który wykorzystuje ogromne ilości danych do rozpoznawania wzorców, przewidywania trendów, „uczenia się” w czasie oraz wspierania podejmowania bardziej precyzyjnych decyzji. W przeciwieństwie do tradycyjnego programowania, gdzie programiści tworzą szczegółowe instrukcje, uczenie maszynowe umożliwia komputerowi samodzielne zdobywanie wiedzy poprzez analizę tekstów, liczb, zdjęć, raportów i innych rodzajów danych. Już w latach 50., pionier AI Arthur Samuel definiował uczenie maszynowe jako „dziedzinę badań umożliwiającą komputerom naukę bez jednoznacznego programowania”.
Mimo że obecnie większą uwagę i inwestycje przyciągają inne wersje sztucznej inteligencji, uczenie maszynowe pozostaje wyjątkowo wszechstronną i sprawdzoną technologią. Ekspert MIT ds. ML Aleksander Madry stwierdził w MIT Sloan Management Review, że „uczenie maszynowe zmienia lub zmieni każdą branżę, dlatego liderzy muszą zrozumieć jego podstawy, potencjał i ograniczenia.”
Zastosowania uczenia maszynowego
- Identyfikacja trendów biznesowych
- Tworzenie algorytmów rekomendacji
- Wykrywanie zatorów i opóźnień w łańcuchu dostaw
- Stawianie diagnoz medycznych
- Obsługa klienta za pomocą chatbotów online
AI predykcyjna
W coraz szerszym ekosystemie sztucznej inteligencji funkcjonuje wiele narzędzi i pojęć, które często znacząco się pokrywają. Przykładem jest AI predykcyjna, wykorzystująca uczenie maszynowe oraz analizę statystyczną do przetwarzania ogromnych zbiorów danych historycznych i formułowania skutecznych, praktycznych prognoz dotyczących wzorców, zachowań, a nawet przyszłych zdarzeń.
AI predykcyjna uznawana jest często za bardziej zaawansowaną technologicznie następczynię analityki predykcyjnej, która wymaga większego zaangażowania człowieka. W AI predykcyjnej komputer może uczyć się i rozwijać zupełnie samodzielnie.
Zastosowania AI predykcyjnej
- Prognozowanie zachowań konsumentów
- Tworzenie prognoz finansowych
- Prognozowanie popytu
- Antycypowanie awarii sprzętu
- Zarządzanie zapasami
Modele językowe dużej skali (LLMs)
Modele językowe dużej skali to kategoria AI analizująca ogromne ilości tekstów i danych w celu zrozumienia oraz wytwarzania języka, a także prowadzenia płynnej konwersacji z użytkownikiem. Obecnie LLMs uznawane są za tzw. „modele bazowe” (foundation models) – pojęcie wprowadzone przez badaczy Uniwersytetu Stanforda w 2021 r., oznaczające platformy AI wytrenowane na tak dużej ilości danych, że wykazują biegłość w wielu zadaniach i funkcjach. Jak wyjaśnia Center for Security and Emerging Technology na uniwersytecie Georgetown (link), modele bazowe stanowią fundament („foundation”), na którym można budować kolejne rozwiązania.
LLMs zyskały ogromną popularność po pojawieniu się Chat-GPT pod koniec 2022 r. Modele te wykorzystywane są dziś w niezliczonych zastosowaniach – od e-maili, raportów czy prac szkolnych, po prace naukowe i biznesowe. Do najbardziej znanych konkurentów platformy OpenAI należą Google Gemini, Claude firmy Anthropic oraz Llama firmy Meta.
Zastosowania LLMs
- Wsparcie klienta
- Streszczanie treści
- Tworzenie treści
- Generowanie kodu
- Analiza rynku
Generatywna AI
Podobnie jak w przypadku uczenia maszynowego i AI predykcyjnej, istnieje duża współzależność między LLMs a generatywną AI. Generatywna AI to termin obejmujący każdy system bazujący na sztucznej inteligencji, służący przede wszystkim do generowania treści. Wszystkie LLMs to forma generatywnej AI, jednak nie każda AI generatywna to LLM. Modele generatywne pozwalają tworzyć nie tylko tekst czy prowadzić naturalną konwersację, ale także generować wysokiej jakości obrazy, kod komputerowy, muzykę, a nawet dźwięk. Przykładami generatywnych AI, które nie są LLMs, są m.in. DALL-E, Midjourney, AIVA czy watsonx Code Assistant firmy IBM.
Choć generatywna AI jest stosunkowo młodą technologią, już teraz staje się narzędziem transformacyjnym, którego firmy pragną efektywnie wdrażać. Według firmy badawczej IDC całkowite globalne wydatki na generatywną AI sięgną do końca 2024 roku niemal 40 miliardów dolarów.
Zastosowania generatywnej AI
- Marketing i reklama
- Tworzenie treści
- Programowanie
- Odkrywanie leków
- Projektowanie mody
- Rozwój produktów
Przykłady zastosowań AI w zarządzaniu ryzykiem łańcucha dostaw
Dla organizacji i zespołów zamierzających wdrażać AI w zarządzaniu ryzykiem, znajomość specyficznych zastosowań poszczególnych narzędzi AI może być kluczowa dla skutecznego podejmowania decyzji. Choć generatywna AI i LLMs przyciągają w ostatnim czasie największą uwagę mediów i inwestorów, nie zawsze są one najlepszym wyborem dla zarządzania ryzykiem łańcucha dostaw (SCRM – Supply Chain Risk Management). Warto, aby eksperci ds. zaopatrzenia strategicznego i pozostali specjaliści SCRM uwzględnili szerokie spektrum funkcji oferowanych przez dostępne obecnie narzędzia AI, zwłaszcza AI predykcyjną i uczenie maszynowe.
Jednym z najpoważniejszych wyzwań w branży jest pełne mapowanie łańcucha dostaw, dzięki któremu producenci mają szansę uzyskać lepszą widoczność swoich dostawców, zrozumieć strukturę poddostawców i zidentyfikować potencjalne ryzyka zanim przełożą się one na kosztowne zakłócenia. Platformy AI mogą odegrać kluczową rolę w tym złożonym i wymagającym procesie. Zdolne są one lokalizować zamówienia, rezerwacje transportu, dokumentację przewozową oraz inne dokumenty potwierdzające pochodzenie produktów, po czym syntetyzować je do postaci szczegółowych map łańcucha dostaw wizualizujących wiele poziomów poddostawców. Dzięki modelom AI bazującym na uczeniu maszynowym, profesjonaliści mogą zwiększyć widoczność łańcucha dostaw oraz ogólną odporność organizacji.
Oprócz wzmacniania możliwości w zakresie mapowania, AI może być wykorzystywana do przewidywania awarii sprzętu zanim do nich dojdzie. Analizy predykcyjne są stosowane w tym celu już od wielu lat, a AI predykcyjna stanowi istotny krok naprzód. Ta technologia wykorzystuje sensory monitorujące sprzęt i infrastrukturę firmy do zbierania dużych ilości danych o takich parametrach, jak temperatura, akustyka, wilgotność, ciśnienie czy smarowanie.
Po przeanalizowaniu odpowiedniej ilości tych danych, platformy AI umożliwiają rozpoznanie optymalnych warunków pracy urządzeń i automatyczne ostrzeganie zespołów technicznych, gdy tylko pojawią się odchylenia, pogorszenie parametrów lub inne sygnały świadczące o spadku wydajności. Taka predykcyjna konserwacja pozwala z wyprzedzeniem identyfikować zwiastuny awarii lub uszkodzeń urządzeń i reagować proaktywnie, dzięki czemu producenci mogą uniknąć kosztownych przestojów.
Specjaliści ds. zaopatrzenia strategicznego mogą także wykorzystać AI do błyskawicznej oceny skutków zakłóceń w łańcuchu dostaw. Przykładowo, jeśli bezpośredni dostawca producenta samochodów został zmuszony do zamknięcia kilku fabryk w wyniku ekstremalnych zjawisk pogodowych, producent może dostarczyć AI dane historyczne i bieżące, uzyskując ocenę wpływu katastrofy na produkcję i terminy realizacji, w tym długość możliwego opóźnienia.
Warto podkreślić, że tego rodzaju prognozowanie skutków zakłóceń jest obecnie technologią w bardzo wczesnej fazie rozwoju i nie w pełni dopracowaną – to przykład, że AI w zarządzaniu ryzykiem dopiero raczkuje. Mimo to, istniejące już rozwiązania programowe mogą dostarczać firmom obiektywne i praktyczne szacunki, pomagając kadrze zarządzającej wypracować strategiczną odpowiedź. Nawet nieidealna forma tej wiedzy umożliwia producentom podjęcie decyzji: czy pozostać przy obecnym dostawcy, zwrócić się do alternatywnego partnera w łańcuchu dostaw, czy wprowadzić inne działania awaryjne.
Nowatorska przyszłość AI w SCRM
Pomimo nieustającego szumu medialnego i euforii giełdowej, LLMs, generatywna AI i inne zaawansowane narzędzia sztucznej inteligencji wciąż znajdują się we wczesnej fazie rozwoju. Choć brak pełnej dojrzałości uzasadnia ostrożność, nie oznacza to, że firmy muszą pozostawać bierne, podczas gdy odważniejsi konkurenci podejmują ryzyko. Profesjonaliści zarządzający ryzykiem w łańcuchu dostaw powinni sumiennie badać potencjalny wpływ różnych rodzajów AI na działalność firmy – prowadząc analizy kosztów i korzyści, dogłębnie analizując zastosowania oraz korzystając z bezpłatnych okresów testowych wiodących dostawców oprogramowania. Takie działania w ramach należytej staranności pomagają prowadzić świadome i przemyślane wydatki firmowe, a wszystko zaczyna się od zrozumienia dostępnych narzędzi na dynamicznie zmieniającym się rynku AI.
Firmy zainteresowane potencjałem AI w obszarze zarządzania ryzykiem mogą rozważyć predykcyjne możliwości platformy SCRM Z2Data. To wiodące w branży oprogramowanie oferuje wiele funkcji prognostycznych, w tym prognozy końca cyklu życia (EOL) komponentów elektronicznych z historyczną dokładnością na poziomie 90% oraz listę obserwacyjną sankcji, która na podstawie raportów parlamentarnych, dochodzeń NGO oraz innych źródeł o wysokiej wiarygodności, wskazuje globalne firmy najbardziej narażone na ryzyko objęcia sankcjami. Połączone, te narzędzia predykcyjne pomagają producentom wzmacniać odporność na ryzyko i budować zwinne, proaktywne strategie zarządzania zagrożeniami.
Aby dowiedzieć się więcej o Z2Data i jej funkcjach prognostycznych dla klientów, umów bezpłatne demo z jednym z naszych ekspertów produktowych.
