IA na cadeia de suprimentos:seis barreiras para ver os resultados

A inteligência artificial tem o potencial de mudar radicalmente quase tudo para melhor. Seu impacto provavelmente se igualará ao da eletricidade e de outras tecnologias de uso geral que enriqueceram nossas vidas. Os primeiros sinais de seu impacto já estão surgindo em casos de teste com veículos autônomos, incluindo navios e aviões, e os benefícios vão muito além da redução da mão de obra.

Por exemplo, com até 90 por cento dos acidentes marítimos atribuídos a erro humano, a IA poderia reduzir esses casos significativamente. Habilitados pela comunicação de veículo a veículo, os veículos podem compartilhar dados importantes, como posição, velocidade e direção. As informações podem ser usadas para alertar motoristas e sistemas autônomos sobre possíveis ameaças e colisões, mesmo aquelas que estão fora da vista. Ele também pode alertar os motoristas sobre veículos menos visíveis na estrada, como motocicletas e bicicletas. V2V, combinado com AI, pode reduzir colisões e congestionamentos alertando proativamente os motoristas, pilotos e capitães sobre problemas e colisões com outros veículos, bem como outros perigos de tráfego.

As vantagens da IA ​​em termos de produtividade, inovação e crescimento econômico global são igualmente significativas. A McKinsey &Company estima que a adoção da IA ​​“tem o potencial de gerar atividade econômica global adicional de cerca de US $ 13 tr até 2030, ou um PIB acumulado cerca de 16 por cento maior em comparação com hoje. Isso equivale a 1,2 por cento de crescimento adicional do PIB por ano. ” A estimativa da PwC é ainda maior, ultrapassando US $ 15 tr.

Dado esse potencial, é fácil se deixar levar pela IA e ignorar os principais problemas que as empresas enfrentam para adotá-la e usá-la de maneira eficaz. Aqui estão alguns dos desafios e possíveis soluções.

Falta de dados grandes e limpos. Todos os processos computacionais precisam de bons dados e a inteligência artificial não é exceção. O aprendizado de máquina (ML), em particular, requer grandes volumes de dados precisos para treinar algoritmos e desenvolver modelos preditivos. No entanto, a maioria das empresas não tem nem qualidade nem quantidade de dados para fazer isso.

As empresas precisam melhorar a qualidade de seus dados por meio do gerenciamento eficaz de dados mestre e pela incorporação de dados em tempo real em processos e sistemas, tanto quanto possível. As redes empresariais digitais multipartidárias em tempo real mantêm uma “versão única da verdade” enquanto sincronizam continuamente os sistemas externos, garantindo que as empresas estejam operando com as informações mais completas e atualizadas possíveis.

As organizações também devem considerar o uso de soluções com algoritmos pré-treinados baseados em ML que se baseiam em grandes volumes de dados de empresas e cenários semelhantes. Por causa de seus enormes volumes de transações, as redes de negócios digitais podem aprimorar rapidamente algoritmos bem treinados e agentes inteligentes que novos membros da rede podem aproveitar.

IA compartimentada é IA não inteligente. As cadeias de suprimentos são inerentemente multifuncionais e corporativas, e os dados necessários para operá-las estão espalhados entre parceiros internos e externos. As empresas que tentam implementar IA de forma fragmentada, enquanto ignoram o quadro geral, obterão resultados ruins. Sem acesso a todos os dados relevantes, os algoritmos continuarão a ter pontos cegos e perder oportunidades de otimização e execução.

As empresas devem procurar incluir o maior número possível de sistemas, operações e parceiros comerciais relevantes para fortalecer a precisão, o contexto e a integridade dos dados. O objetivo deve ser conectar toda a cadeia de suprimentos a uma rede em tempo real, da origem ao cliente final. Somente uma solução em toda a cadeia de suprimentos pode otimizar totalmente as operações críticas, como níveis de estoque e gerenciamento de logística, monitorando o quadro completo de demanda e fornecimento.

Caixa preta versus IA explicável. Certas técnicas de ML, como scorecards e árvores de decisão, são fáceis de entender. Mas as redes neurais são mais complexas e misteriosas. Devemos agir com base nesses dados ou permitir que o sistema atue de forma autônoma se não sabemos como ele chegou a essas decisões?

O experimento da Amazon em usar IA para recrutar talentos deu errado quando os pesquisadores perceberam que o sistema tinha uma forte tendência para a contratação de homens. Isso se deve ao fato de os algoritmos terem sido treinados em dados predominantemente masculinos. Consequentemente, a IA rebaixou candidatos de duas faculdades para mulheres e tomou outras decisões inadequadas com base puramente no gênero.

A IA precisa ser transparente em suas entradas, processos e decisões. As empresas precisam saber, pelo menos em termos essenciais, como funcionam os algoritmos, como chegam às decisões e como criam e distribuem valor. Idealmente, o sistema deve tornar explícitos os motivos por trás das decisões, permitindo aos usuários visualizar, aprovar e substituir as decisões dos agentes autônomos. As empresas também devem ser capazes de adaptar os algoritmos para atender às suas necessidades específicas.

Otimização míope. Cada processo e mudança tem um custo. Quando não é levado em consideração na tomada de decisão, o resultado pode às vezes ser pior do que se nada tivesse sido feito. Em cadeias de suprimentos, que consistem em muitos parceiros e sistemas, é fácil perder de vista as consequências de longo prazo de uma ação. Muitas soluções caem nessa armadilha por meio do replanejamento de toda a cadeia de suprimentos, criando “nervosismo” no sistema e incorrendo em mudanças e custos importantes e desnecessários quando uma mudança menor ou mais local seria suficiente.

Para evitar esse problema, as otimizações devem ser contínuas, em vez de ocasionais, e devem ser limitadas a impactar o menor número de entidades possível, a fim de minimizar a interrupção da rede. Como no caso de uma aeronave em piloto automático, pequenos ajustes contínuos na direção podem compensar as mudanças nas condições, enquanto mantém o avião precisamente no curso. A alternativa é fazer um único redirecionamento principal quando o avião estiver muito fora da rota perto do final da viagem. Esses ajustes contínuos resultam em grandes melhorias sem causar ondas de choque em toda a sua cadeia de suprimentos.

Fornecedores de IA excessivamente entusiasmados. Muitos fornecedores de software aderiram ao movimento da IA. Em certo sentido, isso é compreensível, dada a imprecisão de sua definição e seu domínio mal definido e extenso. “Aprendizado de máquina” é um termo mais bem definido e costuma ser o que as pessoas querem dizer quando usam o termo “inteligência artificial”.

No entanto, os fornecedores precisam explicar claramente o que querem dizer quando usam termos como “inteligência artificial”, “aprendizado de máquina”, “redes neurais”, “aprendizado profundo” e semelhantes. Mais importante ainda, eles precisam mostrar como sua IA oferece mais valor de negócios do que os algoritmos heurísticos tradicionais. Como funciona? Ele abrange sistemas e empresas para abranger toda a rede e todas as suas condições e restrições? Ou está limitado a algumas funções ou domínios? Quem o está usando e quais resultados eles alcançaram?

A lacuna de habilidades de IA. Muitas empresas estão sendo pegas pela rápida evolução e viabilidade crescente da IA. Isso ocorre porque a IA requer habilidades modernas que podem envolver novas linguagens, estruturas e maneiras de pensar. Poucas empresas estão equipadas para lidar com a transição e explorar totalmente esse campo de rápido desenvolvimento. Uma pesquisa de 2018 da O’Reilly sugere que a lacuna de habilidades de IA é a maior barreira para a adoção de IA.

No longo prazo, o mercado cuidará do déficit de competências, mas, até lá, as empresas devem começar a identificar suas necessidades e potenciais novas contratações. Eles também devem procurar treinar os funcionários existentes e oferecer incentivos e novos planos de carreira para apoiar a mudança para as tecnologias de aprendizado de máquina e IA.

Outra opção é fazer parceria com uma empresa de tecnologia que tenha a rede, os recursos e a experiência para aconselhar, implementar e manter uma solução de IA ou plataforma habilitada para IA. Este último permite que as empresas comecem e comecem a obter ganhos muito mais rapidamente.

Nigel Duckworth é estrategista sênior da One Network Enterprises, fornecedora de uma rede de negócios habilitada para IA.