Nej, kunstig intelligens kan ikke løse alle supply chain udfordringer

”Et meget almindeligt spørgsmål lyder: ’Hvilke problemer kan jeg løse med AI?’. Det svarer til at spørge: ’Hvilke problemer kan jeg løse med en hammer?’. Det er en forkert tilgang til at undersøge, hvordan AI kan hjælpe med at løse supply chain udfordringer”. Sådan lyder det fra Massimiliano Costacurta. Han er Head of Marketing & Sales for Industry, Rulex i et online oplæg i ’Tirsdagsgæsten’, der er et ugentligt online forum for supply chain professionelle arrangeret af Optilon.

Han vil gerne slå et slag for følgende fire pointer:

• Bliv skarp på hvad AI og maskinlæring er - og få en dybere forståelse af muligheder samt begrænsninger.
• Anlæg den rette beslutningsproces når I indfører AI.
• Rensning af stamdata er næsten altid en alvorlig forudsætning for AI.
• AI og maskinlæring vil og skal altid involvere organisationen og vil kræve nye kompetencer, det kan aldrig implementeres udelukkende af en leverandør.

Bliv skarp på AI
Der findes mange definitioner af, hvad kunstig intelligens (AI) er, og Massimiliano Costacurta anbefaler følgende meget enkle definition: ’Kunstig intelligens involverer maskiner, der kan udføre, som er karakteristiske for den menneskelige intelligens’. Den er formuleret af John McCarthy, som er computer scientist og cognitive scientist samt en af fadderne til AI.

LÆS OGSÅ: En digital tvilling kan styrke forsyningskædens resiliens

Maskinlæring er et underområde indenfor datalogi og kunstig intelligens, som sætter computere i stand til at lære, uden at man eksplicit har programmeret, hvordan læringen foregår. ”Maskinlæring er fantastisk, når vi kan eller ønsker at lære noget af data”, fortæller Costacurta og tilføjer:

”Vi indfører masser af maskinlæring i virksomheders forsyningskæder til at løse opgaver, som ville være umulige eller tage kolossalt lang tid at løse for medarbejdere. Men vi anbefaler stærkt, at virksomheder gransker spørgsmål som ’hvorfor skal vi anvende AI eller maskinlæring?’, ’hvad er det?’ og ’hvad er værdien’, før man kaster sig over et AI-projekt”.

Han mener, at AI er nødvendige for alle virksomheders ledelse af forsyningskæden, men han mener også, det er vigtigt at være opmærksom på, at AI er et sæt af teknologier, og at AI ikke alene kan løse alle supply chain udfordringer.

LYT OGSÅ TIL: SCM Agendaen #5 – Sådan bliver virksomheden mere klar til cloud

Anlæg den rette beslutningsproces
Costacurta fremhæver fire trin og spørgsmål som struktur for en god beslutningsproces, når man undersøger indførelse af AI til at understøtte en supply chain proces:

1. Hvor vigtig er den menneskelige intervention? Meget repetitive opgaver vil være mere oplagte at automatisere med AI, mens mere vurderingsorienterede og -krævende processer er mindre oplagte.
2. Hvad fejler den nuværende proces? Processer kan underpræstere, men de kan også være i uoverensstemmelse med den overordnede forretningsstrategi (optimering af omkostninger, opbygge resiliens, løfte kunde- eller medarbejdertilfredshed…).
3. Hvad kræver den nuværende proces? Processer præsterer måske tilfredsstillende, men de kan måske kræve mange medarbejderressourcer at udføre.
4. Kender vi regler og logik bag beslutningerne? Tilgængeligheden af regler og logik bag beslutninger og processer er meget afgørende for valg af teknologiske værktøjer.

Stamdata skal være på plads
Dårlige eller ’beskidte’ stamdata er ifølge Costacurta og mange andre eksperter et kolossalt stort og ganske overset problem, der både belaster den daglige drift og forretningsinnovation betydeligt i mange virksomheder.

”Vi gennemførte for nylig et projekt hos en stor virksomhed indenfor ’consumer goods’. Her skabte lav stamdatakvalitet store problemer for både drift og innovation. Men de skabte også et foruroligende højt gennemtræk af medarbejdere, fordi medarbejderne løb trætte i at løbe panden mod muren af dårlige data, der skabte benspænd for næsten alt. Virksomheden brugte enorme mængder af medarbejderressourcer på at vedligeholde og opdatere stamdatakvalitet”, fortæller Costacurta.

Virksomheden implementerede værktøjet Rulex Robotic Data Correction, der automatisk lærer sig selv reglerne bag de korrekte stamdata, så værktøjet med tiden får korrigeret de dårlige data. Det løftede datakvalitet til tæt på 100 procent, og planlæggerne i virksomhedens supply chain afdeling sparede tæt på 95 procent af den tid, de tidligere brugte på at korrigere data. Den frigjorte tid kan planlæggerne nu bruge på strategiske indsatser, der skaber høj forretningsværdi for virksomheden.

”Rulex startede som en maskinlærings-virksomhed, men vi fandt hurtigt ud af, at det ikke er nok at være stærk til teknologien. Der er masser af forudsætninger, der skal være plads, før teknologien kan skabe værdi. Det er for eksempel stamdatakvalitet, men det er også ting som organisationens parathed til at indføre nye teknologier”, fortæller han.

AI kræver organisationens ejerskab
”Organisationens ’parathed’ dækker både over forståelse, indstilling og kompetencer. AI og maskinlæring er ikke en magisk løsning, der per automatik kan løse alle udfordringer. AI vil og skal altid involvere organisationen og vil kræve nye kompetencer, det kan aldrig implementeres udelukkende af en leverandør”, fortæller Costacurta.

Han fremhæver, at topledelsernes bekymring nummer ét, når der er tale om at indføre AI, er, hvor lang tid det vil tage for organisationen at tage den nye teknologi til sig, og han konkluderer:

”Organisationer og medarbejderes parathed eller ’modenhed’ både, hvad angår indstilling, forståelse og faglige kompetencer, er helt afgørende, når en virksomhed skal høste værdi af AI-teknologi”.