サプライチェーン管理においてAIがすでに優れた成果を上げている分野

サプライ チェーンは、製品の設計から調達、製造、流通、配送、顧客サービスまで、さまざまなアクションを実行します。 「あらゆる点で、AI と ML には大きなチャンスがあります」と、シスコの AI/ML データ製品担当ディレクター、Devavrat Bapat 氏は言います。これは、現代の AI がすでにサプライ チェーン管理に必要な 2 つの点で非常に優れているためです。 1 つ目は予測で、AI を使用して下流の需要や上流の不足を予測します。さらに、アルゴリズムは、故障の前兆とみなされる 1 つ以上のイベントを検出し、生産品質が低下する前に組立ラインのオペレーターに警告することができます。

2つ目は検査で、AIを使用して製造上の問題を検出します。また、材料やコンポーネントを認証し、サプライ チェーン全体で追跡するためにも使用できます。

最終的には、AI は、あらゆる状況における特定の顧客ニーズを満たすようにサプライ チェーンを最適化します。実現可能なテクノロジーは存在しますが、残る課題は、今日のサプライ チェーンには見られないレベルのデータ共有が必要になることです。一方、多くの企業は予測と検査の改善から引き続き利益を得ています。

予測する

たとえば、アムコール社を見てみましょう。同社は世界最大の包装会社で、売上高は 150 億ドル、従業員数は 41,000 人、世界中に 200 以上の工場を擁しています。彼らの市場のほとんどは食品およびヘルスケアの包装分野です。

「冷蔵庫に入っている商品の3分の1のパッケージを当社が製造しています」と、同社のグローバル最高情報責任者、ジョエル・ランチン氏は言う。アムコールの製造における課題の一部は、変化する需要を正確に予測し、それに適応することと関係している。食品サプライチェーンの世界では、需要の変化に応じて注文が変更されることがよくあります。たとえば、暑い時期にはゲータレードの飲用量が増えるため、需要が急増し、ボトル入り飲料の需要が 10 ～ 15% 増加する可能性があります。他の種類の製品についても同様です。海に突然魚が増えると、より多くの魚を収容するための包装の必要性が増すかもしれません。 「予測しようとしても、顧客が何を望んでいるのかを事前に必ずしも把握できるわけではないので、非常に難しい」とランチン氏は語った。

サプライチェーンのもう一方の端でも同様の課題が存在します。アムコールが不足を正確に予測できなければ、原材料を事前に備蓄することはできない。さらに重要なのは、企業が価格の変化を予測して、価格が上昇する前に低価格でより多くの商品を購入したり、価格が下がりそうな場合は購入商品を減らしたりする必要があることです。

約 1 年前、Amcor は顧客の需要と供給側の予測を最適化するのに役立つプラットフォームである EazyML の実験を開始しました。彼らは、変動パターンを探すために ERP からの 3 年間のデータを使用してツールをトレーニングしました。システムは、変更のカテゴリと、さまざまな種類の変更に関連付けられているイベントを見つけようとします。たとえば、季節変動や、2 つ以上の種類の変化が同時に発生するかどうか、またはそれらが相互に排他的であるかどうかを調べます。

「私たちが得ている最初の結果は非常に有望で、私たちの期待をはるかに上回っています」とランチン氏は語った。「変動を予測できれば、原材料のニーズをより正確に予測し、必要に応じて事前に補充することができます。」

これはバパット氏にとって驚くことではない。同氏は、予測は AI が劇的に改善した分野の一つだと言う。 「これまで多くの企業は、さまざまな専門家からの重み付けされた情報を基に平均予測を導き出すコンセンサス予測に依存していた」と同氏は語った。 「研究によると、統計的手法を使用して過去のデータから推定する統計的予測方法は、コンセンサス方式よりも一貫して優れていることがわかっています。機械知能は統計的予測よりも優れた結果を出すことができます。しかし、重要なのは、適切なデータを使用していることを確認することです。」

診る

AI がどのように使用されているかを示すもう 1 つの例は、Intel で見られるもので、そこではフォトリソグラフィーを使用して 1 つのウェハー上に複数のチップが印刷されています。ウェーハの中心に最も近いものは、最良の電力性能曲線を示す傾向があります。外側のリングに近いものは、信頼性は維持されますが、パフォーマンスが低下する傾向があります。 Intel には、チップを保持するか廃棄するかを決定するための品質基準があります。人間がウェハーを検査するのは時間がかかり、エラーが発生しやすいプロセスになります。

「当社は AI を活用して高品質で適切なチップを選択しています。これにより、チップをより早く生産し、より高品質なチップを市場に投入することが可能になります」とインテルの上級副社長兼最高技術責任者であるグレッグ・ラベンダー氏は語っています。もちろん、AI で行っていることはこれだけではありません。私の会社には何百人もの AI ソフトウェア エンジニアが所属しています。彼らの成果の一部は、当社の工場での検査やテストに使用されていますが、彼らが開発した AI が、必ずしも誰にも知られることなく、当社の製品に組み入れられることもあります。

好例は、Intel がマルウェアをテストするためのソフトウェア ツールを提供することで OEM 顧客を支援している方法です。そうしたツールの 1 つが、Intel ラップトップで実行される Intel Threat Detection Technology です。 Windows でコードが実行されると、Intel コードは CPU 内の命令ストリームを調べます。適応学習シグネチャ アルゴリズムを使用して、マルウェア シグネチャと一致するコード内の異常を探します。一致が見つかった場合、ツールはマルウェアを傍受またはブロックし、デバイスが感染していることを Windows Defender に警告します。

「脅威検出技術は、当社のすべての顧客向け CPU に組み込まれています」とラベンダー氏は言う。「こうした感染はサプライ チェーンを通じて侵入します。最終製品の組み立て時に感染を見つける唯一の方法は、このツールを使用することです。」私たちはこのツールや他の AI ツールをここ数年提供してきましたが、現在では大規模言語モデルに関する話題が盛り上がりを見せており、より多くの人々がこのツールについて語るようになっています。

シスコのバパット氏によると、検査はサプライチェーン管理の重要な部分であり、製品の設計時に適切な手順を踏めばはるかに容易になるとのことです。 「製品設計の過程で、流量を監視するのに役立つデータを生成できる計装を装置に組み込めば、多額の費用を節約できます」と彼は語った。どんな製品の材料費も労働負担コストも、非常に高い。負担となるのは基本的に製品の品質と監督管理コストです。現在、AI はすでにこのコストを最小限に抑えるのに役立っています。

最適化

予測と検査はどちらも重要ですが、サプライ チェーンを特定の顧客ニーズに合わせて調整できる場合に、最大の効果が得られます。バパット氏は、最高の AI アルゴリズムの 1 つを設計する際に学んだ重要な教訓を活用しました。開発と導入には 9 か月かかり、最終的に、それが機能するまでにさらに驚くほど長い時間がかかりました。何が悪かったのかを振り返ってみると、まず時間をかけて最終顧客が誰で、どのようにアプリケーションを使用する予定なのかを理解しなければ、テクノロジーがどれだけ優れていても、望ましい結果は得られないだろうと彼は気づきました。また、上級管理職の声は最も大きいことが多いものの、彼らは最終的な顧客ではないとも指摘した。

「それ以来、私は常に、販売であれサプライチェーン管理であれ、基礎となるビジネスをしっかり理解することから始めることを強調してきました」と彼は言います。「その要件をしっかりと理解したら、データと AI の分野に戻ります。」

バパット氏は、この哲学をサプライ チェーン管理に適用すべきだと考えています。「最終消費者を本当に見れば、AI は消費者とその環境をセグメント化してターゲットにすることで役立ちます。次に、サプライ チェーンを遡りながら、労働、生産、税金、在庫などのさまざまなコストを見て、それらを一緒に最適化します。」

サプライチェーンがプロセスに合わせて最適化されると、予測品質とメンテナンスのインストールと実行を開始できると彼は付け加えた。その時点から、サプライ管理の購買領域に戻ることができます。

「これはサプライヤーは敵ではなくパートナーであるという考えを支持するものだ」と彼は語った。

つまり、サプライ チェーンが本質的に、データを共有しない少なくとも 3 つの別々の企業で構成されているという、これは昔からの課題です。まず、1 社以上の他のパートナーと競合する事業ラインを持っている可能性があります。第二に、それらは 1 つ以上の競合するサプライ チェーンの一部である可能性があります。第三に、交渉の場での立場を強化するために情報を秘密にしておきます。

現在の世代の AI は、サプライ チェーンを最適化し、適切な製品を適切な顧客に適切な価格で提供できるようにカスタマイズすることもできます。しかし、そうするには、ほとんどの企業が対応できないレベルのデータ共有が必要になります。

「企業があまり多くの情報を漏らすことなく、データの一部を完全に自信を持って共有できるような技術が欠けている」とバパット氏は言う。「それが実現するまでには、まだ5年から10年かかるだろう」