سرینی راجاگوپال، معاون استراتژی محصولات لجستیک در اوراکل، گفت: «ما دائماً از مشتریان خود می‌شنویم که افزایش شفافیت، کارایی و اتوماسیون در عملیات زنجیره تأمین آنها از اولویت‌های اصلی آنهاست.»

ذینفعان زنجیره تأمین در حال پیشبرد پذیرش هوش مصنوعی با هوش مصنوعی مولد هستند که از داده‌های موجود برای تولید پاسخ‌ها استفاده می‌کند.

آینده مدیریت موجودی چگونه خواهد بود؟

مزیت هوش مصنوعی مولد این است که هر کاربری، نه فقط یک متخصص فناوری، می‌تواند با سیستم پرس‌وجو کند و با آن تعامل داشته باشد.  به عنوان مثال «مشتریان ارائه‌دهنده فناوری زنجیره تأمین، مدت‌هاست که درخواست تجربه کاربری (UX) شهودی‌تر و بدون نیاز به تخصص را دارند.» با هوش مصنوعی مولد و زبان طبیعی، گردش‌های کاری مشتری «دسترس‌پذیرتر و سازگارتر» می‌شوند.

پذیرش این فناوری در صنعت هنوز در مراحل اولیه خود است و شرکت‌های حمل و نقل بزرگ و فروشندگان TMS طی یک یا دو سال گذشته هوش مصنوعی مولد را پیاده‌سازی کرده‌اند. به عنوان مثال، Uber Freight راهکار هوش مصنوعی مولد خود را در سال ۲۰۲۳ معرفی کرد. Oracle برای اولین بار ابزار هوش مصنوعی مولد خود را در همان سال و قابلیت‌های هوش مصنوعی عامل را در سال ۲۰۲۴ معرفی کرد.

همزمان با توسعه فناوری و افزایش پذیرش آن، بازیگران در سراسر زنجیره تأمین متوجه فراوانی موارد استفاده بالقوه آن می‌شوند.

 «پیشرفت‌های فناوری به سرعت و با سرعت در حال وقوع هستند.»

خراشیدن سطح

هوش مصنوعی مولد در سراسر زنجیره تأمین در حال گسترش است، زیرا تیم‌ها به طور فزاینده‌ای ارزش این فناوری را تشخیص می‌دهند. یک مطالعه Deloitte که در نوامبر 2024 منتشر شد و بیش از 200 مدیر را مورد بررسی قرار داد، نشان داد که 75٪ از شرکت‌ها حداقل یک پیاده‌سازی گسترده یا محدود از هوش مصنوعی مولد را در عملکردهای زنجیره تأمین خود دارند. 16٪ دیگر از مدیران گفتند که در حال آزمایش یک برنامه زنجیره تأمین هستند. 

بخش زیادی از هوش مصنوعی مولد در مورد آزمایش و تکرار است.  «هیچ برنامه بی‌نقص یا آمادگی کامل وجود ندارد.» ساختن، تخریب، بازسازی، آزمایش و یادگیری، همگی بخش‌های جدایی‌ناپذیر این فرآیند هستند. 

شرکت‌های حمل و نقل و ارائه دهندگان خدمات مدیریت حمل و نقل (TMS) تقریباً امکانات نامحدودی را برای هوش مصنوعی مولد جهت بهبود مدیریت حمل و نقل می‌بینند. به گفته کارشناسان، این فناوری می‌تواند موارد زیر را فراهم کند: 

  • استراتژی‌های پیشنهادی برای کاهش هزینه‌های حمل و نقل با یافتن فرصت‌های پنهان در داده‌ها
  • راهکارهای پیشگیرانه که نیازهای حمل‌کنندگان را پیش‌بینی می‌کنند و مشکلات بالقوه را قبل از وقوع شناسایی می‌کنند.
  • راهکارهایی که خرابی‌ها را در صورت عدم دریافت محموله در زمان مقرر شناسایی می‌کنند، بدون اینکه شخصی به صورت دستی تک تک نقاط تماس را برای یافتن مشکل بررسی کند.
  • بهینه‌سازی برنامه‌های حمل و نقل، با استفاده از هوش مصنوعی برای پردازش حجم عظیمی از داده‌ها و ارائه توصیه‌ها

هوش مصنوعی مولد منجر به زنجیره‌های تأمینی می‌شود که «بهترین‌های هر دو جهان» را در بر می‌گیرند – جایی که هوش مصنوعی حجم عظیمی از داده‌ها را پردازش می‌کند و توصیه‌هایی ارائه می‌دهد و یک انسان بر اساس دانش خود از آنچه برای کسب‌وکار بهتر است، تصمیم نهایی را می‌گیرد.

مدیریت لجستیک با هوش مصنوعی