Генеративный искусственный интеллект: переосмысление
С момента появления первой демоверсии ChatGPT в конце 2022 года ажиотаж вокруг генеративного ИИ достиг небывалых высот. После первоначального ажиотажа вокруг хайку, написанных ИИ, начало проявляться осознание реальности. Галлюцинации, проблемы с конфиденциальностью данных и судебные иски о нарушении авторских прав — это реальные риски использования генеративного ИИ без тщательного обдумывания. Тем временем компании пытаются улучшить качество результатов, предоставляя генеративному ИИ доступ к соответствующим документам и источникам данных. Этот метод называется генерацией с расширением поиска (Retrieval-Augmented Generation, RAG) и помогает направлять результаты работы ИИ. Генеративный ИИ не является панацеей, но он преуспевает в определенных областях. Компании видят как преимущества в этом, так и недостатки. Многие сейчас задаются вопросом: как генеративный ИИ может реально помочь моему бизнесу?
Примеры применения генеративного ИИ в цепочке поставок
Создание и распространение контента
Одна из основных функций генеративного ИИ — создание контента. Используя теорию вероятности и экстраполяцию, он применяет большие языковые модели (LLM) для понимания и генерации текста, изображений, звуков и даже видео. Эти модели работают быстро и в больших масштабах. В результате генеративный ИИ может помочь в создании контента для описаний и объявлений о товарах, маркетинга и СМИ, веб-дизайна или интернет-магазинов.
Согласно статье в CIO Dive, компания Procter & Gamble разработала внутренний инструмент генеративного искусственного интеллекта, который помогает их маркетинговой команде создавать фотореалистичные изображения и другие материалы. Усовершенствование процесса создания контента позволяет сотрудникам больше сосредоточиться на стратегическом планировании и улучшении клиентского опыта. Затем эти изображения можно использовать в онлайн-каталогах товаров компании.
Как сообщает Retail Dive, в сфере электронной коммерции Amazon и eBay используют генеративный ИИ, чтобы помочь своим продавцам создавать описания товаров. ИИ получает информацию, например, изображение товара или ключевые слова, предоставленные продавцом, и использует эти данные в качестве основы для создания более длинного и подробного описания товара. После этого продавец может просмотреть, отредактировать и обновить контент, что делает процесс размещения товара более эффективным.
Контент, созданный искусственным интеллектом, необходимо проверять на подлинность. GS1 US Data Hub® можно использовать для поиска и проверки данных о товарах. Теоретически, эту возможность можно расширить, чтобы помочь экспертам-проверяющим подтвердить точность информации, сгенерированной ИИ для описания или размещения товара. Кроме того, Глобальная классификация товаров (GPC) может использоваться для определения категории товара на соответствие требованиям. Это поможет гарантировать наличие соответствующих сертификатов и оговорок в описаниях товаров. Наличие достоверной информации может снизить риск ошибок, вызванных ИИ, и упростить выявление и исправление ошибок в контенте.
Чат-боты, персонализация и клиентский опыт
Чат-интерфейс — ещё один важный аспект генеративного ИИ. Он использует возможности обработки естественного языка (NLP) линейных языков программирования для ведения текстовых диалогов с клиентами. ИИ может обучаться и адаптироваться к привычкам клиентов, что обеспечивает динамичный пользовательский опыт. Чат-боты могут реагировать на историю взаимодействия клиента, предоставляя гиперперсонализированные рекомендации и аналитические данные.
Как сообщает TechCrunch, Etsy запустила чат-бота на основе искусственного интеллекта, который рекомендует товары и упрощает процесс покупки подарков. Повышение уровня персонализации на платформе электронной коммерции предлагает новые идеи, выходящие за рамки традиционного поиска по ключевым словам, и облегчает пользователям поиск отличных подарков.
Как показало исследование The Drum, компания Nestlé использовала масштаб и скорость генеративного ИИ для обеспечения согласованности действий в своей маркетинговой организации. ИИ получил доступ к тысячам исторических кампаний, чтобы выявить закономерности в наиболее эффективных методах и способах их применения с новым контентом. ИИ предложил Nestlé лучшие практики, которые оптимизировали маркетинговый процесс.
Стандарты GS1 предоставляют общую основу для моделей, помогающих понимать продукты по категориям и связанным с ними товарам. GPC — это идентификатор, который группирует продукты на основе основных свойств и их взаимосвязи с другими продуктами. Искусственный интеллект мог бы использовать эти взаимосвязи для улучшения рекомендаций клиентам.
Анализ данных для управления запасами
Генеративный ИИ может использовать коммуникационный интерфейс для обмена ценной информацией внутри всей организации, поэтому для его понимания не требуются специальные знания или навыки. В результате лица, принимающие решения на всех уровнях, могут получить доступ к ключевой информации о запасах, прогнозировании спроса и логистике. Это должно помочь им быстрее реагировать и принимать обоснованные решения в отношении цепочки поставок.
В другой статье CIO Dive отмечалось, что компания Home Depot разработала приложение на основе искусственного интеллекта под названием Sidekick. Оно предоставляет сотрудникам магазинов доступ к аналитическим данным ИИ, которые помогают им управлять запасами. Приложение использует системы компьютерного зрения для отслеживания уровня запасов в магазине в режиме реального времени и предоставления обоснованных рекомендаций.
Как сообщает Wall Street Journal, Walmart представил приложение на основе искусственного интеллекта, которое может помочь в управлении запасами, анализируя структурированные и неструктурированные данные из различных источников. Например, оно может изучать погодные условия и тенденции в социальных сетях, чтобы принимать более обоснованные решения по управлению запасами. Эти знания, полученные на основе анализа больших объемов неструктурированных данных, улучшают традиционные методы прогнозирования с помощью ИИ.
Аналитические выводы строятся на данных. GS1 US предлагает подписку на Data Hub View/Use, которая позволяет пользователям запрашивать и просматривать большие объемы данных о продуктах, которые могут быть использованы для анализа с помощью ИИ. Стандарты и данные GS1 могут помочь создать основу для комплексных операций ИИ, охватывающих всю цепочку поставок отрасли.
Цифровое моделирование для повышения устойчивости и самореализации
Цифровые двойники — это виртуальные копии реальной среды. Их можно использовать для моделирования, исследований и прогнозной аналитики. Генеративный ИИ расширяет возможности цифровых двойников, создавая синтетические данные, что позволяет выйти за рамки существующих ограничений. Генеративный и прогнозный ИИ работают вместе в цифровом двойнике для моделирования и реагирования на сбои в цепочке поставок или внезапные изменения спроса.
В недавней статье AutomationWorld говорится, что компания Mars сотрудничала с Accenture для создания цифровых двойников своей продукции и производственных помещений. Они хотели увидеть, как будут развиваться события при внесении изменений в те или иные объекты, прежде чем принимать решение об изменениях в физическом пространстве. Моделирование с помощью цифрового двойника помогло им выявить узкие места и проблемы с качеством. Они также узнали, как можно заблаговременно реагировать на неожиданные сбои или изменения спроса.
Компания UPS находится в процессе создания цифрового двойника своей логистической сети, как сообщалось в Supply Chain Dive. Их цель — более точное отслеживание посылок и обновление маршрутов на основе данных в режиме реального времени. Они стремятся скоординировать множество сигналов в единое, целостное представление о маршруте. Для этого цифровой двойник будет создан с использованием комбинации датчиков Интернета вещей (IoT) и искусственного интеллекта. Это также поможет в оптимизации и планировании маршрутов.
Создание обширной экосистемы цифровых двойников — это не единичный случай. Компании стремятся получить максимальную выгоду от крупномасштабного моделирования с использованием ИИ. Для этого им необходимо обеспечить совместимость данных с торговыми партнерами. Стандарты электронного обмена данными (EDI) 1 составляют основу такого совместимого обмена данными. Кроме того, оцифровка ключевых событий в цепочке поставок может быть достигнута с помощью событий электронных сервисов информации о кодах товаров (EPCIS) для обмена данными, обеспечивающими прозрачность, и создания действительно прозрачного цифрового двойника.
Проектирование и исследования в интересах устойчивого развития
Достижение устойчивого развития — сложный процесс, требующий координации действий внутри компании. Стратегия может включать такие факторы, как оптимизация упаковки, сокращение отходов и отслеживание выбросов категории 3. Генеративный ИИ может объединить эти ключевые данные об устойчивом развитии в одном месте. Он может получать доступ к разнообразной информации из различных отделов компании и от торговых партнеров и комбинировать ее. Затем генеративный ИИ может выступать в качестве партнера по анализу. Он может быстро предоставлять масштабные аналитические данные об устойчивом развитии, помогая компаниям достигать своих целей в области экологии, социальной ответственности и корпоративного управления (ESG).
В отчете журнала Sustainability Magazine рассказывается о том, как Amazon использует искусственный интеллект для достижения своих целей в области устойчивого развития. Функции ИИ помогают в разработке дизайна упаковки, уменьшая ее размер и используя более экологичные материалы. Они отслеживают поврежденные товары или продукты питания, чтобы сократить количество отходов. Они также улучшают посадку одежды, чтобы уменьшить количество возвратов, и помогают отслеживать углеродный след продукции.
Как обсуждалось в статье AutomationWorld, упомянутой выше, компания Accenture использовала ИИ для оказания помощи клиенту в его глобальных усилиях по декарбонизации. Было разработано решение на основе генеративного ИИ, которое могло сканировать веб-сайты поставщиков для сбора информации. Затем оно могло быстро определить, какие поставщики имеют научно обоснованные целевые показатели (SBT), необходимые для отслеживания декарбонизации. Доступ к такого рода информации о поставщиках может помочь компаниям в соблюдении требований по выбросам категории Scope 3 — информация находится, обобщается, анализируется и предоставляется с помощью ИИ.
Эффективность проектирования и поиска информации с помощью ИИ зависит от достоверности и подлинности данных. GS1 US сотрудничает с торговыми партнерами по всей цепочке поставок, предоставляя проверяемые учетные данные, чтобы обеспечить достоверность сертификатов устойчивого развития и других заявлений. GS1 US поддерживает устойчивое развитие с помощью стандартов и идентификаторов, которые могут в сочетании с генеративным ИИ помочь компаниям достичь своих целей в области ESG.
Генеративный искусственный интеллект на горизонте
Потенциал генеративного ИИ гораздо шире, чем перечисленные выше варианты применения. ИИ будет продолжать развиваться по мере разработки более мощных чипов, увеличения числа пользователей, взаимодействующих с технологией, и научных достижений, таких как появление квантовых вычислений. Компаниям, стремящимся оставаться на переднем крае ИИ и управления цепочками поставок, необходимо понимать свое видение будущего ИИ и заблаговременно определять роль, которую ИИ будет играть в их организации сегодня и завтра.
В связи с этим существует несколько способов, которыми генеративный искусственный интеллект может развиваться или быть актуальным для организаций, занимающихся цепочками поставок, в будущем:
Генеративный ИИ как партнер в области идей
В этом сценарии ИИ предназначен исключительно для дополнения работы сотрудника-человека и в значительной степени отходит на второй план. ИИ призван предоставлять аналитические данные, рекомендации и идеи, которые в конечном итоге проверяются и оцениваются сотрудником-человеком, прежде чем что-либо будет внедрено.
Генеративный ИИ как цифровой помощник
Здесь доверие к ИИ выше. Роль ИИ заключается в том, чтобы быть выделенным цифровым помощником, способным выполнять небольшие задачи, такие как планирование встреч или ведение протоколов совещаний, где ИИ и его результаты обладают определенной степенью автономности.
Генеративный ИИ как синтетический коллега
В наиболее надежных решениях на основе ИИ существует потенциал для предоставления алгоритму высокой степени автономности и доверия. В этом сценарии человеческий контроль над ИИ будет минимальным, поскольку ему будут поручаться более важные задачи, и на него можно будет полагаться в плане их стабильного выполнения.
Источник: https://www.gs1us.org/articles/practical-applications-of-generative-ai-in-the-supply-chain
