Forklaring af AI-fordele

 

Hvorfor bliver gennemsigtighed, integration og tillid afgørende i logistikteknologien? Peter MacLeod taler med en ekspert.

Ved dette års LogiMAT, hvis der var et tema, der skar igennem støjen tydeligere end de fleste, ville det være fart. Ikke bare hastigheden af ​​operationer, men hastigheden af ​​implementeringen, hastigheden af ​​innovation og i sidste ende The Big One: hastigheden af ​​afkastet af investeringen. For Inform Software fører den diskussion i stigende grad til et bredere spørgsmål: hvordan kan logistikorganisationer vedtage mere intelligente systemer uden at miste gennemsigtighed, kontrol eller tillid?

 

Dr. Bernd Heinrichs talte til mig på det travle udstillingsgulv i Stuttgart. Informs SVP Inventory & Supply Chain skitserede, hvordan virksomheden ser kunstig intelligens udvikle sig i forsyningskæden og intralogistikmiljøer.

 

Udvidelse af optimeringslaget

Inform har længe været forbundet med optimering i komplekse, data-drevne miljøer. Men efterhånden som markederne bliver mere volatile, bliver optimeringssystemer bedt om at reagere hurtigere, inkorporere flere signaler og understøtte mere dynamisk-beslutningstagning.

Det skift er særligt relevant i miljøer, hvor beslutninger er indbyrdes afhængige. En ændring i efterspørgselsplanlægningen kan påvirke lagerbeholdning, transportkapacitet, arbejdskraftallokering eller serviceniveauer. En anbefaling i én del af operationen kan skabe konsekvenser andre steder, hvilket gør gennemsigtighed afgørende for daglig-til-brug.

For Heinrichs er det her AI i logistik skal bevise sin praktiske værdi. "Jeg taler ikke om AI. Jeg taler om forklarlig AI," siger han. "Alt, hvad vi gør, alt, hvad vi foreslår, har en forklaring. Ellers stoler folk ikke på det."

Tillid som et praktisk krav

I samtaler med kunder på tværs af forskellige brancher siger han, at det samme spørgsmål dukker op gentagne gange: "Hvorfor valgte systemet den mulighed og ikke en anden?"

 

Spørgsmålet er vigtigt, fordi logistiske beslutninger sjældent træffes af teknologi alene. De involverer planlæggere, ledere, driftsteams og i mange tilfælde kunder eller eksterne partnere. Hvis disse interessenter ikke kan følge ræsonnementet bag en AI-understøttet anbefaling, er der mindre sandsynlighed for, at de handler på den.

 

For Heinrichs kunne dette blive et meningsfuldt differentieringspunkt for europæiske teknologiudbydere. "Vi kan bygge AI lige så godt som alle andre, men vi kan tilføje noget andet," siger han. "Det skal ikke være en sort boks."

Efterhånden som virksomheder søger at integrere AI-applikationer i etablerede forretningsprocesser, bliver denne forskel stadig vigtigere. Systemer skal være teknisk stærke, men de skal også være forståelige nok til, at brugerne kan udfordre, validere og forbedre dem over tid.

 

Håndtering af mindre forudsigelige miljøer

Driftsmiljøer bliver sværere at planlægge med historiske data alene. Efterspørgselsmønstrene skifter, eksterne faktorer griber ind, og markedsforholdene kan ændre sig hurtigt, ofte før disse ændringer er tydeligt synlige i tallene. "Du skal indsamle realtidsdata- og ikke stole på historiske data alene," siger han. "Du er nødt til at reagere på volatilitet og integrere signaler fra forskellige kilder i dine beslutninger."

Dette markerer et skift fra mere statiske optimeringsmodeller til responsive systemer, der løbende tager højde for ny information. "Det bliver mere dynamisk," tilføjer han. "Det næste skridt er at gøre det mere agent - at reagere på egen hånd på ændringer i miljøet."

 

Fra nyheder til prognose

Et eksempel på Inform præsenteret for første gang på LogiMAT er en ny AI-baseret tilgang designet til at bringe eksterne begivenheder direkte ind i prognoser og scenarieplanlægning. Udgangspunktet, siger Heinrichs, var et simpelt spørgsmål: hvorfor ignorerer prognosemodeller så ofte, hvad der sker i verden omkring dem?

 

"Hvis man kører en klassisk prognose i dag, er den baseret på historiske tal," forklarer han. "Men i virkeligheden er efterspørgslen konstant påvirket af begivenheder såsom geopolitiske konflikter, forsyningskædeforstyrrelser, ny regulering eller markedstendenser. Denne information findes, men normalt som nyheder, ikke som tal."

Den nye løsning er designet til at lukke dette hul. Brugerne angiver en tidsserie, såsom salgstal eller en markedsindikator, og beskriver kort konteksten. AI'en forsker derefter i relevante nyhedsbegivenheder, analyserer historiske sammenhænge og genererer flere mulige fremtidige scenarier. Resultatet er en prognose ledsaget af en evidens-baseret forklaring på, hvorfor et marked kan udvikle sig i forskellige retninger.

Menneske i løkken

For Heinrichs (billedet nedenfor) fører diskussionen om AI også direkte til rollen som menneskelig ekspertise. AI kan identificere mønstre, behandle store mængder information og producere scenarier i hastighed. Men dets værdi øges, når folk kan tilføje den erfaring, kontekst og dømmekraft, som data alene ikke kan give.

"AI er kun så god som de data, den arbejder med, og de mennesker, der er i stand til at give disse data mening," siger han. "Det er grunden til, at mennesket forbliver en væsentlig del af løkken."

I praksis betyder det, at planlæggere og beslutningstagere-ikke fjernes fra processen. De forbliver centrale i det. Deres rolle er at validere scenarier, stille spørgsmålstegn ved antagelser og forfine output baseret på operationel viden eller markedsintuition.

 

"Hvis folk forstår, hvorfor systemet anbefaler noget, kan de beslutte, om de vil stole på det, sætte spørgsmålstegn ved det eller forbedre det," forklarer Heinrichs. "Det er her, samarbejde mellem menneskelig dømmekraft og maskinintelligens bliver virkelig kraftfuldt."

 

Integration og interoperabilitet

Et andet gennemgående tema i kundediskussioner er integration. Efterhånden som logistikoperationer bliver mere forbundne, bliver evnen til at forbinde AI-drevne applikationer med eksisterende systemer vigtig. "Vi får altid spørgsmålet: hvordan integrerer jeg med mit ERP-system, mine andre løsninger?" Heinrichs fortæller mig. Informs svar har været at standardisere connectors og tilpasse sig store platforme som SAP og Microsoft. Resultatet er en mere ligetil integrationsvej, der reducerer både omkostninger og implementeringstid.

 

"Det gør en stor forskel," tilføjer han. "Og det gør det også nemmere for os at ekspandere internationalt."
Dette er et afgørende punkt i vedtagelsen af ​​AI. Selv den mest avancerede applikation vil kæmpe for at skabe værdi, hvis den adskiller sig fra de systemer, hvor forretningsprocesserne rent faktisk styres. Logistikvirksomheder opererer allerede med etablerede it-landskaber, og nye løsninger skal passe ind i de miljøer uden at skabe yderligere kompleksitet.

 

 

Dataansvar

Med øget tilslutning og dataforbrug kommer øget kontrol omkring sikkerhed. Heinrichs' baggrund inden for cybersikkerhed fortæller en stærk holdning til dette spørgsmål. "Hvert produkt skal have et sikkerhedsstempel, før det går ud," siger han. "Det er obligatorisk."

Efterhånden som AI-modeller trækker på bredere datakilder – inklusive eksterne feeds såsom nyheder og markedsinformation – vokser kompleksiteten i at administrere og sikre disse data. "Mængden af ​​data, vi benytter os af, skaber en enorm efterspørgsel med hensyn til datasikkerhed," bemærker Heinrichs. "Du skal holde dig på toppen af ​​det."

 

Et marked klar til at flytte

Det mest slående er måske Heinrichs' vurdering af markedsstemningen. I stedet for at være forsigtig, ser han en voksende appetit på eksperimenter og hurtige fremskridt.

"Kunderne beder os komme med ideer," siger han. "De er villige til at vinde hurtigt, fejle hurtigt." Denne åbenhed skaber grobund for intelligente løsninger, der kan levere håndgribelige forbedringer uden trægheden i store-transformationsprojekter.

 

For mange virksomheder vil den næste fase af digitaliseringen ikke blive defineret af AI alene. Det vil blive defineret af AI, der forklarer sig selv, forbinder rent med eksisterende systemer og understøtter beslutninger, som folk kan stole på.