Július elején a Tennessee állambeli Nashville-ben első alkalommal megrendezett Automotive Logistics and Supply Chain Digital Strategies North America konferencián Ed Stachowski, a Ford adattudományi és gépi tanulási igazgatója elmondta, hogy az ellátási lánc analitikai részlege egyre több megkeresést kap a gépi tanulási (gt) és mesterséges intelligencia (mi) alkalmazásokra.

Ezt a nagyobb igényt a láthatóság biztosítására és a kockázatokra való felkészülésre a világjárvány okozta zavar és az ebből következő, a félvezető-ellátási láncra gyakorolt hatás gyorsította fel.  "Az ellátási lánc rugalmassága a világjárvány és a félvezetők problémája miatt vált igazán fontossá" - mondta Stachowski. "Amit ott tettünk, az egy átmeneti megfékezési intézkedés volt, de ennek a jövőben szélesebb körűnek kell lennie".

Nagyobb összetettség

A digitális eszközök szélesebb körű alkalmazása a komplexitás új szintjét hozza magával, mivel az adatokat az ellátási lánc egészéből és az azt támogató harmadik fél logisztikai szolgáltatóktól kell beszerezni. Például már számos példa van arra, hogy a digitális ikertechnológiát önálló gyártási rendszerekben használják, de nagyobb komplexitást jelent, ha egy olyan digitális ellátási lánc másolatot építenek ki, amelyet különböző forrásokból származó aktív adatokkal táplálnak.

Scott Sloan, a Kyndryl technológiai infrastruktúra-szolgáltató autóipari felelőse szerint a folyamatok automatizálása segíteni fog a komplexitás kezelésében, és a technológiai átmenetet a tömegtermelésről a tömeges testreszabásra való korábbi átálláshoz hasonlította.

"Ahogy eltoljuk az ellátási láncot, és képesek leszünk mikroszinten érzékelni és reagálni, ez egyre automatizáltabbá válik" - mondta Sloan. "Tíz év múlva olyan rendszerekkel fogunk foglalkozni, amelyek olyan szintű automatizálást fognak biztosítani, amely ma még nem létezik".

Megalapozott döntéshozatal

A digitális demokráciában az ember az eszközöknek és a képzésnek köszönhetően nagyobb felhatalmazással rendelkezik majd. Sloan szerint az adatok demokratizálódása a szerepek határozott eltolódását eredményezi. Ez olyan szervezeti változást jelent, ahol az IT és az üzlet közötti határvonal újradefiniálódott. A felhasználók új eszközökkel rendelkeznek, és a generatív mesterséges intelligencia előtérbe kerülésével az automatizálási eszközök elfogadása felgyorsul.

Stachowski szerint ez a képesség lehetővé tette a Ford számára, hogy hosszú távú megoldásokra összpontosítson és azonosítson, ahelyett, hogy folyamatosan ad hoc alapon reagálna a dolgokra."Ez arról szól, hogy a csapat jobban teljesít, és elkerülhetővé válik a már meglévő dolgok újjáépítése" - mondta."A szervezeten belül sok a párhuzamos erőfeszítés, és az üzlet egyik oldala nem feltétlenül tudja, hogy valamit éppen fejlesztenek. A közös munka kulcsfontosságú." Stachowski hozzátette, hogy a korai adatmérnökség fontos az adatdemokrácia szempontjából."Meg kell érteni, hogy mit és miért kérnek a jelentésben, és mit csinálnak az adatokkal utána, hogyan alakítják át, bármit is húznak ki a felhőből."

Az adatokat koherens módon kell összehangolni az ellátási láncban, hogy azok, akik a hatékonyabb szolgáltatások érdekében támaszkodnak rájuk, világosan megértsék, mit jelentenek számukra. Sloan szerint a koherencia egy közös működési platformtól és egy közös szemantikai rétegtől függ. "Képesnek kell lennünk arra, hogy az adattermékeket következetesen a vállalati törzsadat-kezelési stratégiával együtt építsük fel" - mondta."A metaadatok biztosítása és a szemantikus réteg kiépítése mindenképpen támogató megközelítés."Sloan hozzátette, hogy a közös szemantikai réteg létrehozása a legkisebb közös nevező az automatizált üzleti alkalmazások felé való törekvésben, és kritikus a vállalati nézet kialakításához. Azt is elmondta, hogy a nyelvi modellek használata a beszerzésben jó példa arra, hogy az összefüggő adatok felgyorsítják a döntéseket.

Ahelyett, hogy havonta ad hoc jelentéseket vezetnének a beszerzésből, amelyek alapján jobban ki lehet választani a beszállítót, az autógyártók nagy nyelvi modellek segítségével jelentéseket készíthetnek maguknak."Ez a beszerzési szakemberek számára támogató segédeszközként szolgál, és segíti őket abban, hogy minden nap konkrét döntéseket hozzanak" - mondta Sloan.

Végső soron a digitális technológiát egyre szélesebb körben alkalmazzák a kockázatkezelés és a rugalmasság kiépítése érdekében. Stachowski elmondta, hogy a Ford már a beszerzési folyamat legkorábbi szakaszában modelleket épít a kockázat előrejelzésére, hogy elkerülje a bejövő szállítmányok láncának megszakítását és a prémium áruszállítási szolgáltatások igénybevételét. Az autógyártó előrejelzési modelleket és gépi tanulást használ a beszállítókra vonatkozó kockázatok felmérésére, és a további intézkedések vagy az ellátási láncban végrehajtandó változtatások prioritásainak meghatározására.