Le rôle de l’IA générative dans les chaînes d’approvisionnement

Rôle de l'IA générative dans les chaînes d'approvisionnement

Tout comme les perturbations de la chaîne d’approvisionnement sont devenues un sujet fréquent de discussions en salle de conseil en 2020, l’IA générative est rapidement devenue le sujet phare de 2023. Après tout, ChatGPT d’OpenAI a atteint 100 millions d’utilisateurs au cours des deux premiers mois, ce qui en fait l’adoption d’application grand public la plus rapide de l’histoire.

Les chaînes d’approvisionnement sont, dans une certaine mesure, bien adaptées aux applications de l’IA générative, étant donné qu’elles fonctionnent sur et génèrent d’énormes quantités de données. La variété et le volume des données, ainsi que les différents types de données, ajoutent une complexité supplémentaire à un problème réel extrêmement complexe : comment optimiser les performances de la chaîne d’approvisionnement. Et bien que les cas d’utilisation de l’IA générative dans les chaînes d’approvisionnement soient vastes – y compris l’automatisation accrue, la prévision de la demande, le traitement et le suivi des commandes, la maintenance prédictive des machines, la gestion des risques, la gestion des fournisseurs, et bien plus encore – beaucoup s’appliquent également à l’IA prédictive et ont déjà été adoptés et déployés à grande échelle.

Cet article présente quelques cas d’utilisation particulièrement adaptés à l’IA générative dans les chaînes d’approvisionnement et offre quelques mises en garde que les responsables de la chaîne d’approvisionnement devraient prendre en compte avant de faire un investissement.

Prise de décision assistée

Le principal objectif de l’IA et de l’apprentissage automatique dans les chaînes d’approvisionnement est de faciliter le processus de prise de décision, en offrant la promesse d’une vitesse et d’une qualité accrues. L’IA prédictive y parvient en fournissant des prédictions et des prévisions plus précises, en découvrant de nouveaux schémas non encore identifiés et en utilisant des volumes très élevés de données pertinentes. L’IA générative peut aller encore plus loin en soutenant divers domaines fonctionnels de la gestion de la chaîne d’approvisionnement. Par exemple, les responsables de la chaîne d’approvisionnement peuvent utiliser des modèles d’IA générative pour poser des questions de clarification, demander des données supplémentaires, mieux comprendre les facteurs influents et voir les performances historiques des décisions dans des scénarios similaires. En bref, l’IA générative rend le processus de diligence raisonnable qui précède la prise de décision beaucoup plus rapide et plus facile pour l’utilisateur.

• L’énigme pour ChatGPT PUMA est une approche d’IA qui propose une manière rapide et sécurisée pour l’inférence de LLM.
• LISEZ Avatars Avatars animés par audio réaliste et contrôlables émotionnellement
• Comment réussir l’examen du certificat professionnel de Data Scientist

De plus, sur la base des données et des modèles sous-jacents, l’IA générative peut analyser de grandes quantités de données structurées et non structurées, générer automatiquement divers scénarios et fournir des recommandations en fonction des options présentées. Cela réduit considérablement le travail non productif que les responsables de la chaîne d’approvisionnement font actuellement et leur permet de passer plus de temps à prendre des décisions basées sur les données et à réagir plus rapidement aux fluctuations du marché.

Une (possible) solution à la pénurie de talents en gestion de la chaîne d’approvisionnement

Au cours des dernières années, les entreprises ont souffert d’une pénurie de talents en gestion de la chaîne d’approvisionnement en raison de l’épuisement des planificateurs, de l’attrition et de la courbe d’apprentissage abrupte pour les nouveaux employés en raison de la complexité de la fonction. Les modèles d’IA générative peuvent être adaptés aux procédures opérationnelles standard, aux processus métier, aux flux de travail et à la documentation logicielle des entreprises, puis peuvent répondre aux requêtes des utilisateurs avec des informations contextualisées et pertinentes. L’interface utilisateur conversationnelle généralement associée à l’IA générative facilite considérablement l’interaction avec un système de support et permet de peaufiner la requête, accélérant ainsi le temps nécessaire pour trouver les bonnes informations.

La combinaison d’un système d’apprentissage et de développement basé sur l’IA générative et d’une prise de décision assistée alimentée par l’IA générative peut contribuer à accélérer la résolution de divers problèmes de gestion du changement. Elle peut également accélérer l’intégration des nouveaux employés en réduisant le temps de formation et les exigences d’expérience professionnelle. Plus important encore, l’IA générative peut autonomiser les personnes handicapées en améliorant la communication, en améliorant la cognition, l’assistance à la lecture et à l’écriture, en fournissant une organisation personnelle et en soutenant l’apprentissage et le développement continu.

Alors que certains craignent que l’IA générative ne conduise à des pertes d’emplois au cours des prochaines années, d’autres pensent qu’elle élèvera le travail en éliminant les tâches répétitives et en laissant place à des tâches plus stratégiques. Entre-temps, on prédit qu’elle résoudra la pénurie chronique de talents en gestion de la chaîne d’approvisionnement et en numérique. C’est pourquoi il est important d’apprendre à travailler avec cette technologie.

Construction du modèle de chaîne d’approvisionnement numérique

Les chaînes d’approvisionnement doivent être résilientes et agiles, ce qui nécessite une visibilité inter-entreprises. La chaîne d’approvisionnement doit “connaître” l’ensemble du réseau pour assurer la visibilité. Cependant, la construction du modèle numérique de l’ensemble du réseau de chaîne d’approvisionnement en n niveaux est souvent prohibitif en termes de coûts. Les grandes entreprises ont des données réparties sur des dizaines ou des centaines de systèmes, la plupart d’entre elles gérant plus de 500 applications simultanément, y compris des ERP, des CRM, des PLM, des approvisionnements et des sources, des planifications, des WMS, des TMS, et bien d’autres encore. Avec toute cette complexité et cette fragmentation, il est extrêmement difficile de regrouper logiquement ces données disparates. Cela se complique lorsque les organisations regardent au-delà des fournisseurs de premier ou de deuxième niveau, où la collecte de données dans un format structuré est peu probable.

Les modèles d’IA générative peuvent traiter d’énormes quantités de données, y compris des données structurées (données maîtres, données de transaction, EDI) et des données non structurées (contrats, factures, numérisations d’images), afin d’identifier des schémas et des contextes avec une préparation limitée des données. Parce que les modèles d’IA générative apprennent à partir de schémas et utilisent des calculs de probabilité (avec une intervention humaine) pour prédire la prochaine sortie logique, ils peuvent créer un modèle numérique plus fidèle du réseau de chaîne d’approvisionnement en n niveaux – plus rapidement et à grande échelle – et optimiser la collaboration et la visibilité inter- et intra-entreprises. Ce modèle en n niveaux peut également être enrichi pour soutenir les initiatives ESG, notamment l’identification des minéraux de conflit, l’utilisation de ressources ou de zones sensibles sur le plan environnemental, le calcul des émissions de carbone des produits et des processus, et bien plus encore.

Même si l’IA générative offre une opportunité significative aux responsables de la chaîne d’approvisionnement d’être innovants et de créer un avantage stratégique, il y a certaines préoccupations et risques à prendre en compte.

Votre chaîne d’approvisionnement est unique

Les utilisations générales de l’IA générative, comme ChatGPT ou Dall-E, réussissent actuellement à aborder des tâches plus générales car les modèles sont entraînés sur d’énormes quantités de données disponibles publiquement. Pour exploiter véritablement les capacités de l’IA générative pour la chaîne d’approvisionnement de l’entreprise, ces modèles devront être affinés sur les données spécifiques de l’entreprise et le contexte spécifique à votre organisation. En d’autres termes, vous ne pouvez pas utiliser un modèle entraîné de manière générale. Les défis de gestion des données tels que la qualité des données, l’intégration et les performances qui entravent les projets de transformation actuels peuvent également avoir un impact sur les investissements en IA générative, ce qui entraîne un exercice long et coûteux sans la bonne solution de gestion des données déjà en place.

L’IA générative dépend de la compréhension des schémas dans les données d’entraînement et si les professionnels de la chaîne d’approvisionnement ont appris quelque chose au cours des trois dernières années, c’est que les chaînes d’approvisionnement continueront à faire face à de nouveaux risques et opportunités sans précédent.

Sécurité et réglementation

L’exigence de base des modèles d’IA générative est l’accès à de vastes quantités de données d’entraînement pour comprendre les schémas et le contexte. Cela dit, l’interface semblable à celle d’un être humain des applications d’IA générative peut entraîner une usurpation d’identité, du phishing et d’autres problèmes de sécurité. Bien que l’accès limité à l’entraînement du modèle puisse entraîner une sous-performance de l’IA, accorder un accès illimité aux données de la chaîne d’approvisionnement peut entraîner des incidents de sécurité où des informations critiques et sensibles sont mises à la disposition d’utilisateurs non autorisés.

Il est également peu clair de quelle manière les différents gouvernements choisiront de réglementer l’IA générative à l’avenir alors que son adoption continue de croître et que de nouvelles applications de l’IA générative sont découvertes. Plusieurs experts en IA ont exprimé leur inquiétude quant au risque posé par l’IA, demandant aux gouvernements de suspendre les gigantesques expériences en IA jusqu’à ce que les leaders technologiques et les décideurs politiques puissent établir des règles et des réglementations pour garantir la sécurité.

L’IA générative offre une multitude d’opportunités d’amélioration pour les organisations capables de tirer parti de cette technologie et de créer un multiplicateur de force pour l’ingéniosité, la créativité et la prise de décision humaines. Cela dit, tant qu’il n’y aura pas de modèles entraînés et spécifiquement conçus pour les cas d’utilisation de la chaîne d’approvisionnement, la meilleure façon de progresser est une approche équilibrée des investissements en IA générative.

Établir des garde-fous appropriés sera judicieux pour s’assurer que l’IA propose un ensemble de plans optimisés à chaque utilisateur pour examen et sélection, alignés sur les processus et objectifs commerciaux. Les entreprises qui combinent des “livres de jeu commerciaux” avec l’IA générative seront les mieux placées pour accroître la capacité des équipes à planifier, décider et exécuter tout en optimisant les résultats commerciaux souhaités. Les organisations devraient également prendre en compte un solide argumentaire commercial, la sécurité des données et des utilisateurs, ainsi que des objectifs commerciaux mesurables avant d’investir dans une nouvelle technologie d’IA générative.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!