供应链执行一系列行动，从产品设计到采购、制造、分销、交付和客户服务。思科AI/ML数据产品主管德瓦夫拉特·巴帕特表示：“在每一个点上，都蕴藏着AI和ML的巨大机遇。”这是因为当代AI已经非常擅长供应链管理所需的两件事。第一种是预测，AI被用来预测下游需求或上游短缺。此外，算法可以检测到他们认为是失败前兆的一个或多个事件，然后在生产质量下降之前向装配线操作员发出警告。
第二种是检查，AI被用来发现制造业中的问题。它还可以用于认证材料和部件，并在整个供应链中对它们进行跟踪。
最终，AI将优化供应链，以满足任何给定情况下的特定客户需求。使能技术是存在的，但剩下的挑战是，它需要一定程度的数据共享，这是当今供应链中找不到的。与此同时，许多公司继续从改进的预测和检查中获益。
预测
以Amcor为例，它是世界上最大的包装公司，收入150亿美元，员工4.1万人，在全球拥有200多家工厂。他们的大部分市场是在食品和保健包装领域。
该公司全球首席信息官乔尔·兰钦说：“我们为你冰箱里三分之一的产品制造包装。”Amcor在制造业面临的一些挑战与准确预测和适应不断变化的需求有关。订单通常会随着需求的变化而在食品供应链领域进行修改。例如，在炎热的天气里，人们会喝更多的佳得乐，这可能会造成需求的突然激增，因此对瓶子的需求可能会激增10%到15%。其他类型的产品也是如此。海洋中可能会突然有更多的鱼，这就增加了包装的需求，以容纳更多的鱼。“即使我们试图预测，这也是非常困难的，因为我们并不总是提前知道客户的需求，”兰钦说。
供应链的另一端也面临着类似的挑战。如果Amcor不能准确预测短缺，它就不能提前囤积原材料。更重要的是，该公司需要预测价格变化，这样它才能在涨价前以更低的价格购买更多商品，或者在看起来即将下跌的情况下购买更少商品。
大约一年前，Amcor开始试验EazyML，这是一个帮助优化客户需求和供应方预测的平台。他们使用来自ERP的三年数据对该工具进行了培训，以寻找波动模式。该系统试图找到变化的类别，以及哪些事件与不同种类的变化相关。例如，它检查季节性波动，以及两种或两种以上类型的变化是否同时发生，或者它们是否相互排斥。
兰钦说：“我们获得的初步结果非常有希望，远远超出了我们的预期。”如果你能预测变化，你就能更好地预测你的原材料需求，并在必要时提前补充。
这对巴帕特来说并不令人意外，他说预测是AI显著改进的一个领域。“过去，许多企业依赖共识预测，不同专家的加权输入被用来得出平均预测，”他说。“研究表明，使用统计技术从历史数据中进行推断的统计预测方法，一贯优于共识方法。机器智能甚至比统计预测做得更好。但诀窍是确保你使用正确的数据。
检查
AI如何被使用的另一个例子可以在英特尔找到，在那里，几个芯片使用光刻技术印刷在一个晶片上。离晶片中心最近的那些往往具有最好的功率性能曲线。靠近外环的那些虽然仍然可靠，但性能往往会降低。英特尔有一个质量门槛，根据这个门槛来衡量芯片是应该保留还是应该扔掉。让人工检查晶片将是一个耗时且充满故障的过程。
英特尔高级副总裁兼首席技术官格雷格·拉文德表示：“我们使用AI来选择合适的高质量芯片，这使我们能够更快地生产芯片，并以更好的质量将其推向市场。”当然，这并不是我们对AI做的唯一一件事。我有数百名AI软件工程师向我的企业汇报工作。他们所做的一些事情被用于我们的工厂进行检查和测试，但有时他们开发的AI是在我们的产品内部交付的，而不一定有人知道。
一个恰当的例子是英特尔如何通过提供测试恶意软件的软件工具来帮助他们的OEM客户。其中一个工具是在英特尔笔记本电脑上运行的英特尔威胁检测技术。在Windows中执行代码时，英特尔代码会检查CPU中的指令流。使用自适应学习签名算法，它可以在代码中查找与恶意软件签名匹配的异常。如果找到匹配项，该工具会拦截或阻止恶意软件，并向Windows Defender发出设备感染的警报。
Lavender说：“威胁检测技术内置于我们所有的客户CPU中。”这些感染通过供应链悄悄进入--当最终产品组装在一起时，找到它们的唯一方法就是使用这个工具。在过去的几年里，我们一直在提供这个和其他AI工具，但现在随着所有关于大型语言模型的讨论，更多的人正在谈论它。
根据思科的Bapat的说法，检查是供应链管理的一个重要组成部分，如果在产品设计时采取正确的步骤，检查就会变得容易得多。他说：“如果在产品设计过程中，在设备中嵌入可以产生数据以帮助监控流量的仪器设备，就可以节省大量成本。”如果你考虑任何产品的材料成本，看看劳动力负担成本，你会发现它们非常高。负担基本上是产品质量和监督管理费用。如今，AI已经在帮助将这一成本降至最低。
优化
预测和检查都很重要，但当供应链可以根据特定客户需求量身定做时，最大的影响将到来。巴帕特从他设计他最好的AI算法之一时学到的重要教训中吸取了教训。它花了9个月的时间来开发和部署——最终，它仍然花了令人惊讶的长时间才使其发挥作用。回想一下哪里出了问题，他意识到，如果他不首先花时间了解最终客户是谁，以及他们计划如何使用应用程序，无论技术有多好，都不会产生预期的结果。他还指出，虽然他们的声音通常最大，但高级管理层并不是最终客户。
他说：“从那时起，我一直强调，无论是涉及销售还是供应链管理，我总是从很好地理解基础业务开始。”“一旦我对这一要求有了扎实的理解，我就会回到数据和AI领域。”
巴帕特认为这一理念应该应用到供应链管理中：“如果你真的关注最终消费者，AI可以通过细分和瞄准消费者及其环境来提供帮助。然后，当你通过供应链的方式重新工作时，看看不同的成本：劳动力、生产、税收、库存，并一起优化它们。
他补充说，一旦供应链针对流程进行了优化，你就可以开始安装和执行预测质量和维护。从那时起，你就可以回到供应管理的采购领域。
他表示：“这支持了供应商是合作伙伴、而不是对手的观点。”
因此，这是一个由来已久的挑战，即供应链本质上是由至少三个不共享数据的独立公司组成的。首先，他们可能有一个与一个或多个其他合作伙伴竞争的业务线。其次，它们可能是一个或多个相互竞争的供应链的一部分。第三，他们把信息藏在心里，以加强自己在谈判桌上的实力。
当前一代的AI可以优化供应链-甚至可以量身定做，以合适的价格将合适的产品提供给合适的客户。然而，这样做将需要一定程度的数据共享，而很少有公司做好了准备。
巴帕特说：“缺少的是一些技术，这些技术允许企业充分自信地分享他们的部分数据，而他们没有透露太多。”“我们还需要5到10年的时间才能实现这一目标。”
