ΟΙ ΟΡΟΙ ΕΠΙΤΥΧΙΑΣ – Οι πρόσφατες συζητήσεις σχετικά με την υιοθέτηση της τεχνητής νοημοσύνης στις προμήθειες επικεντρώνονται ολοένα και περισσότερο στη δυνατότητά της να φέρει επανάσταση πλήρως στη λειτουργία της διαδικασίας των προμηθειών.
Όπως υποστηρίζει σε ανάλυσή του ο Boe Gibson (Supplychain Dive),
ενώ αυτό μπορεί να ισχύει σε πολλές περιπτώσεις, η μεγαλύτερη πρόκληση που αντιμετωπίζουν οι εμπλεκόμενοι στις προμήθειες, δεν θα είναι καθαρά τεχνολογική – θα είναι επίσης και πολιτιστική.
Η ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στο οργανωτικό τεχνολογικό σύνολο μπορεί να φαίνεται ως προτεραιότητα, αλλά ο πραγματικός αντίκτυπος βρίσκεται στο ανθρώπινο στοιχείο των προμηθειών. Η πραγματική επιτυχία οποιασδήποτε πρωτοβουλίας ΤΝ εξαρτάται από την ετοιμότητα της λειτουργικής κουλτούρας να προσαρμοστεί, να καινοτομήσει και να μάθει από νέες προσεγγίσεις που αναπόφευκτα θα δημιουργήσουν τα συστήματα της ΤΝ με την εφαρμογή της.
Ενσωμάτωση της ΤΝ στην κουλτούρα προμηθειών
Η επιτυχία οποιασδήποτε εφαρμογής ΤΝ καθορίζεται από την προθυμία των ανθρώπων να την υιοθετήσουν. Οι ομάδες προμηθειών πρέπει να καλλιεργήσουν ενεργά μια κουλτούρα καινοτομίας, όπου οι νέες προσεγγίσεις ενθαρρύνονται ακόμη και αν δεν αποφέρουν άμεσα αποτελέσματα.
Ένα πραγματικό παράδειγμα αυτής της πρόκλησης παρατηρήθηκε σε έναν μεγάλο οργανισμό υποδομών του Ηνωμένου Βασιλείου, ο οποίος επιχείρησε να αναπτύξει λογισμικό διαχείρισης κύκλου ζωής συμβάσεων με δυνατότητα ΤΝ. Το σύστημα σχεδιάστηκε για να διαβάζει, να δημιουργεί προφίλ, να προσδιορίζει μοτίβα, να αξιολογεί κινδύνους, να επισημαίνει εμπορικές αποκλίσεις και να αποθηκεύει σύνθετες συμφωνίες υπεργολαβίας σε όλη την αλυσίδα εφοδιασμού του. Τα αναμενόμενα αποτελέσματα περιελάμβαναν μεγαλύτερη ορατότητα, βελτιωμένη ανθεκτικότητα, μειωμένο κίνδυνο και βελτιωμένα περιθώρια κέρδους.
Παρά τις σαφείς δυνατότητες της τεχνολογίας, η εφαρμογή εκτροχιάστηκε από την αντίσταση της νομικής λειτουργίας. Οι φόβοι για εκτοπισμό θέσεων εργασίας τελικά υπερίσχυσαν των πιθανών οφελών, οδηγώντας στην αποτυχία της πρωτοβουλίας.
Χωρίς την αποδοχή από διαλειτουργικές ομάδες και ένα κοινό όραμα για το πώς η Τεχνητή Νοημοσύνη μπορεί να συμπληρώσει την ανθρώπινη εμπειρογνωμοσύνη, τέτοιες καινοτομίες είναι απίθανο να επιτύχουν.
Η σημασία μιας σαφώς καθορισμένης περίπτωσης χρήσης
Μια σαφώς καθορισμένη περίπτωση χρήσης είναι ζωτικής σημασίας για την υιοθέτηση της Τεχνητής Νοημοσύνης στις προμήθειες. Χωρίς σαφή κατανόηση του πώς η Τεχνητή Νοημοσύνη θα ωφελήσει συγκεκριμένα τη λειτουργία, οι οργανισμοί και οι επιχειρήσεις, κινδυνεύουν να εφαρμόσουν τεχνολογία που δεν προσφέρει ουσιαστική αξία. Τα πιο επιτυχημένα έργα Τεχνητής Νοημοσύνης είναι αυτά που βασίζονται σε πραγματικές προκλήσεις.
Υπάρχουν πολλά παραδείγματα διεθνώς, που υπογραμμίζουν ότι η εφαρμογή συστημάτων ΤΝ επιτυγχάνει και με τη διασφάλιση ότι υπάρχει σωστός σχεδιασμός, εκπαίδευση και εκτέλεση πριν από την ανάπτυξη. Η Τεχνητή Νοημοσύνη θα πρέπει να επιλύει συγκεκριμένα, καλά κατανοητά προβλήματα για να προσθέσει πραγματικά αξία και η συνεργασία μεταξύ των ομάδων είναι το κλειδί για να διασφαλιστεί η σωστή εφαρμογή της.
………………
ΕΝΘΕΤΟ
Το παράδοξο των δεδομένων: αντιμετώπιση ανώριμων δεδομένων
Ένα σημαντικό εμπόδιο στην υιοθέτηση της Τεχνητής Νοημοσύνης είναι η εσφαλμένη αντίληψη ότι η Τεχνητή Νοημοσύνη θα λύσει άμεσα όλες τις προκλήσεις των προμηθειών. Στην πραγματικότητα, πολλές λειτουργίες προμηθειών αντιμετωπίζουν πρώτα δεδομένα κακής ποιότητας που είναι αδόμητα, ακάθαρτα και κακώς διαχειριζόμενα. Κατά ειρωνικό τρόπο, η Τεχνητή Νοημοσύνη έχει τη δυνατότητα να εμπλουτίσει και να διαχειριστεί τέτοια δεδομένα, αλλά μόνο εάν οι οργανισμοί αναγνωρίσουν πρώτα τους περιορισμούς και τα όρια των τρεχόντων συνόλων δεδομένων τους.
Η αντιμετώπιση αυτών των ζητημάτων δεδομένων απαιτεί μια στρατηγική προσέγγιση. Η τυποποίηση των πεδίων κύριων δεδομένων, ο περιορισμός του αριθμού του προσωπικού που μπορεί να τροποποιήσει δεδομένα προμηθευτών και η εναρμόνιση της διαδικασίας εισαγωγής είναι τα απαραίτητα πρώτα βήματα. Για τους οργανισμούς που βρίσκονται στα αρχικά στάδια του ταξιδιού τους, η εισαγωγή ενός χειροκίνητου ελεγκτή για την επίβλεψη της διακυβέρνησης δεδομένων είναι ζωτικής σημασίας. Καθώς οι οργανισμοί ωριμάζουν, μπορούν να αυτοματοποιήσουν αυτές τις διαδικασίες διακυβέρνησης ενσωματώνοντας την επικύρωση μέσω μιας διεπαφής προγραμματισμού εφαρμογών ή API.
………………………………………..
Ξεκινήστε από μικρά και παραμείνετε ευέλικτοι
Η έναρξη από μικρά με διαχειρίσιμα πιλοτικά έργα επιτρέπει στις ομάδες να επιδεικνύουν γρήγορες νίκες, χτίζοντας εμπιστοσύνη και δυναμική για την υιοθέτηση της Τεχνητής Νοημοσύνης σε μεγαλύτερη κλίμακα. Μαθαίνοντας από προηγούμενες προσπάθειες ψηφιοποίησης, οι ομάδες προμηθειών μπορούν να αποφύγουν προηγούμενες παγίδες και να χαράξουν μια πιο επιτυχημένη πορεία για την Τεχνητή Νοημοσύνη, με γνώμονα πάντα την ευελιξία και την σταδιακότητα στην εφαρμογή.
Να τονίσουμε καταλήγοντας ότι, μια ομάδα προμηθειών μπορεί αρχικά να αναπτύξει Τεχνητή Νοημοσύνη για να βελτιστοποιήσει την επιλογή προμηθευτών με βάση το κόστος και την ταχύτητα παράδοσης. Ωστόσο, καθώς οι συνθήκες της αγοράς εξελίσσονται — όπως στο σημερινό πολύπλοκο γεωπολιτικό τοπίο — μπορούν να προσαρμόσουν γρήγορα τον αλγόριθμο.
Στην ουσία μιλάμε για συστήματα που μπορούν να δημιουργήσουν συνθήκες γρήγορης ανάλυσης και ταχείας προσαρμγής, σε ένα περιβάλλον με συχνές – πολύ συχνές αλλαγές και ανατροπές.
Και αυτό, όχι μόνο στην περίπτωση των προμηθειών…
