Saltar al contenido

Cómo los modelos de ML transformarán la cadena de suministro

18 de noviembre de 2022

Durante años, las empresas de fabricación operaron bajo el mantra de «esbelto». La fabricación dependía de suministros reducidos en los almacenes, basados ​​en entregas justo a tiempo desde todo el mundo. Los plásticos podrían provenir de China; patatas fritas de Taiwán; acero de Alemania.

Entonces COVID trajo cambios significativos. La pandemia demostró la fragilidad de la “esbeltez” y las medidas destinadas a garantizar la eficiencia se convirtieron en los mismos callejones sin salida que detuvieron la producción. Los contenedores de transporte quedaron atrapados en el mar. Las plantas de fabricación de productos básicos, como el embalaje, se cerraron y provocaron una escasez mundial de artículos simples que damos por sentado, incluso papel higiénico.

En respuesta, hoy, las empresas han buscado flexibilidad en sus cadenas de suministro. Han comenzado a reapuntalar y acotar cerca de una variedad de líneas de fabricación, alejándose de una sola fuente a una configuración mucho más resistente.

La construcción de nuevas instalaciones de fabricación en los EE. UU. aumentó un 116 % con respecto al año pasado, según Dodge Construction Network. Mientras tanto, los grandes fabricantes como Apple han trasladado la fabricación fuera de China a India y el sudeste asiático.


Recomendado: ¿Qué es el Big data?.


Este cambio masivo en el lugar donde se lleva a cabo la fabricación se combina con importantes inversiones en nuevos sitios de fabricación. Esto incluye inversiones masivas, como los 11.800 millones de dólares de Ford y SK Innovations, e inversiones mucho más pequeñas, pero mucho más generalizadas, de plantas farmacéuticas, cervecerías artesanales y heladerías. Según el New York Times, «Hasta agosto de este año, los fabricantes habían vuelto a agregar alrededor de 1,43 millones de puestos de trabajo, una ganancia neta de 67.000 trabajadores por encima de los niveles previos a la pandemia».

Las cadenas de suministro ya están cambiando y las empresas buscan cambiarlas. Sin embargo, como parte de esos cambios, la IA puede ofrecer cadenas de suministro mucho más resistentes y poderosas.

Por ejemplo, un gran fabricante descubrió que sus proveedores no cumplirían con las fechas de entrega y los plazos clave, lo que resultó en una lucha a medida que la empresa se acercaba a un hito de entrega para sus propios clientes.

Una aplicación de IA analiza decenas de miles de líneas de programación y predice con un 85 % de precisión si un proveedor no cumplirá con su fecha de compromiso. El equipo de ciencia de datos de la gran empresa de fabricación puede concentrarse en las partes más importantes, asegurándose de que lleguen a tiempo y confiando en que las demás no necesitarán intervención.

Estas herramientas habilitadas para IA han fomentado mucha más visibilidad y, lo que es más importante, han llevado a los empresarios, no solo a aquellos en trabajos altamente técnicos, a tomar decisiones muy inteligentes sobre su inventario. Pueden trabajar con proveedores que constantemente se quedan atrás y planificar con anticipación las interrupciones en la cadena de suministro.

Esto es solo el comienzo. Hay muchas aplicaciones para grandes empresas que ayudarían a construir una cadena de suministro mucho más resistente, incluidos los sistemas de alerta temprana, la detección de fraudes y la previsión de la demanda. Todo esto permite a las empresas poner en producción sus propios modelos y controlar su rendimiento de forma sencilla.

Este es un enfoque centrado en el ser humano de la IA. El objetivo nunca es eliminar a un ser humano de un proceso; más bien es para simplificar el proceso de monitoreo y gestión de modelos, lo que permite a las grandes empresas lidiar con la complejidad y a las pequeñas y medianas empresas lograr IA a escala con menos empleados.

Visualizamos un futuro en el que los responsables de la toma de decisiones en el almacén tengan acceso a cambios en tiempo real en los patrones de compra y puedan realizar cambios en los pedidos de manera proactiva, reducir los errores de pronóstico y eliminar virtualmente el exceso y la escasez de existencias.

En este caso, un conjunto de funciones de muestra puede incluir el nivel de inventario actual de un proveedor, las rutas de entrega que pasan por puertos de alto tráfico o los patrones climáticos relacionados con los retrasos en las entregas. Al evaluar los resultados de un caso de uso de entrega predictiva, los investigadores del MIT descubrieron que las posiciones de los contenedores en un barco tienen diferentes niveles de prioridad para cargar y descargar contenedores, y una demora significativa en la descarga de un contenedor podría afectar la entrega, mientras que todos los demás factores seguían siendo los mismos. mismo.

Las soluciones de AI/ML pueden procesar grandes cantidades de datos de múltiples fuentes: dispositivos IoT, sistemas de inventario, bases de datos, sistemas de transporte y otras tecnologías inteligentes, muchos más datos de los que los humanos son capaces de procesar en un corto período de tiempo.

Sin embargo, las empresas que fomentan la colaboración hombre-máquina permitirán que ambos se desempeñen mejor, obtengan conocimientos más profundos y, en última instancia, generen mejores resultados. A medida que las empresas aceleran la adopción de IA/ML para agilizar la planificación de la producción y la gestión de almacenes, pueden aprovechar la forma en que el aprendizaje automático ayuda a brindar información procesable a las personas que luego pueden resolver problemas e impulsar mejoras continuas.

El futuro de la IA y los humanos es brillante porque los dos trabajarán juntos para lograr los objetivos de los humanos. Esta es la idea de la IA centrada en el ser humano y la idea detrás de reducir las barreras a la IA para que muchos puedan entender y trabajar con las técnicas.

Tao Liu es jefe de operaciones de Vianai Systems, Inc.