技術革命は初期の成果を達成した：AIはサプライチェーン管理の分野で2つの地位を獲得した

データ共有は依然として課題ですが、多くの組織はすでに AI の力をサプライ チェーン管理の 2 つの主要領域に適用しています。

サプライ チェーンは、製品の設計から始まり、調達、製造、流通、配送、顧客サービスまでをカバーする、非常に広範な産業概念です。シスコのAI/MLデータ製品担当ディレクター、デヴァヴラト・バパット氏は、「これらはAIと機械学習が応用できる大きな可能性を秘めた分野です。実際、現世代のAIは、サプライチェーン管理における2種類のタスクの処理にすでに非常に優れています」と語る。その1つは当然ながら予測だ。AIは下流の需要や上流の供給の変動を予測するために使用できる。さらに、AI アルゴリズムは、障害の兆候となる可能性のある 1 つ以上の前兆イベントを検出し、実際に生産品質に影響を与え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点目は検査です。AIを活用することで、製造工程におけるさまざまな問題の発見、材料や部品の認証、サプライチェーン全体におけるそれらの動きや変化の追跡が可能になります。

最後に、AI は、特定の状況における特定の顧客ニーズを満たすためにサプライ チェーンを最適化するのにも役立ちます。しかし、問題は、基本的な技術がすでに客観的に存在していることです。次に必要なのは、ある程度のデータ共有を実現することですが、これは今日のサプライチェーンの最も弱い部分でもあります。そして、探索の過程では、既存の予測機能と検査機能はすでに多くの企業に大きな利益をもたらすのに十分です。

予測のユースケース

世界最大の包装会社であるアムコールを例に挙げてみましょう。同社の総収益は150億ドルに上り、従業員数は41,000人、工場数は200か所を超えます。市場の大部分は食品や医薬品の包装に集中しています。

同社のグローバルCIO、ジョエル・ランチン氏は「皆さんが冷蔵庫に保存している食品や医薬品の包装の3分の1は当社製です」と語った。もちろん、製造業の一員として、アムコールも正確な予測の難しさや市場需要の急速な変化に対応できないことなど、一連の実際的な問題に直面している。食品サプライチェーンにおける注文傾向は、需要の変動に応じて常に変化します。例えば、暑い季節には、人々は冷たいスポーツドリンクのボトルを購入する意欲が高まるため、関連する需要が急増し、関連する包装ボトルの使用量が瞬時に 10% ～ 15% 増加する可能性があります。他の種類の製品でも同じことが言えます。例えば、漁業で予想外に豊作であれば、包装の需要は自然に増加します。ランチン氏は、「我々は予測しようと努めているが、それは非常に困難であり、顧客が実際に何を必要としているかを常に事前に推測できる人はいない」と認めた。

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。アムコールが供給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、価格が上昇する前に原材料をより低コストで備蓄したり、原材料の価格が下がりそうなときに現在の購入を断固として削減したりできるように、企業が価格変動を事前に考慮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の予測を最適化するプラットフォームである EazyML の実験を始めました。彼らは、変動のパターンを特定しようと、3年間のERP（エンタープライズ・リソース・プランニング）データで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判別しようとします。たとえば、季節変動を調べて、2 つ以上の種類の変化が常に同時に発生するかどうか、または変化の種類が相互に排他的であるかどうかを確認します。

「初期の結果は非常に有望で、予想をはるかに上回っています」とランチン氏は説明した。「変化を予測できるため、原材料のニーズをよりよく理解し、必要に応じて事前に補充することができます。」

バパットさんも同じ気持ちです。 AI技術の助けにより予測は大幅に改善されたと彼は語った。 「歴史的に、多くの組織は、さまざまな専門家からの加重された情報を使用して平均予測を導き出すコンセンサス予測に依存してきました。」しかし、研究によると、統計予測（統計手法を使用して履歴データから推測する）は、コンセンサス方式よりも一貫して優れたパフォーマンスを発揮することがわかっています。機械知能は、適切な高品質のデータが供給された場合に限り、統計的予測よりも優れたパフォーマンスを発揮します。

製造工程検査

AI 技術のもう 1 つの重要な使用例は、リソグラフィー技術を使用して同じウェーハ上に複数のチップを印刷する必要がある Intel に見られます。ウェーハの中心に近いほど、チップのパフォーマンスと信頼性が保証されます。外側の円に近い部分でも信頼性は保たれますが、パフォーマンスが多少犠牲になる場合がほとんどです。 Intel は、チップを保持するか廃棄するかを決定するためにチップを測定する際の基準となる品質しきい値を設定しています。しかし、ウェハの手動検査は手間がかかり、エラーが発生しやすいプロセスです。

インテルの上級副社長兼CTOであるグレッグ・ラベンダー氏は、「当社はAI技術を使用して適切な高品質のチップを選択し、チップの生産をスピードアップし、市場に流通するチップの品質を向上させることができます。もちろん、当社はAIを使用して他の問題の解決にも取り組んでいます。たとえば、インテルにはCTOに直属する何百人ものAIソフトウェアエンジニアがいます。彼らの日々の業務の重要な部分は、当社の製造プロセスをチェックし、テストすることです。さらに、彼らは多くのAI機能をインテル製品に組み込んで開発しましたが、多くのユーザーはそれに気付かないかもしれません。」と述べています。

典型的な使用例としては、Intel がマルウェア テストを提供して OEM 顧客のセキュリティ確保を支援することが挙げられます。たとえば、Intel ノートブック プラットフォームで実行される Intel Threat Detection Technology などです。 Windows システムがコードを実行すると、このテクノロジは CPU 内の命令ストリームを調べ、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異常を探します。一致が見つかると、ツールはマルウェアを傍受またはブロックし、現在のデバイスで感染が発生したことを警告して Windows Defender に通知します。

「脅威検出技術は、当社のすべてのクライアント CPU に組み込まれています」とラベンダー氏は語ります。「こうした感染はサプライ チェーンを通じて侵入する可能性があり、最終製品の組み立て後にそれを発見して修正する唯一の方法は、当社のツールを使用することです。当社は、過去数年間にわたりこうした AI ツールを提供してきました。現在、大規模言語モデルに関する世界的な議論が交わされており、ますます多くの人々が AI ツールに注目しています。」

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要素です。製品設計プロセス中に適切な手順が実行されると、検査の難易度が大幅に軽減されます。 「製品設計プロセスに計測機器を組み込み、検査データを生成して機器内の実際の流れを監視できれば、多額のコストを節約できます」と同氏は説明します。「これまでは、製品の部品表と労働負担が非常に高く、その大部分は製品の品​​質保証と規制の諸経費でした。今では、AI によってコストをさらに低いレベルにまで圧縮し続けることができます。」

製品の最適化

予測と検査は確かに重要ですが、AI は特定の顧客ニーズに合わせてサプライ チェーンをカスタマイズする上で重要な、さらには決定的な役割を果たすこともできます。バパット氏は、AI アルゴリズムを設計する際にこれを直接体験しました。シスコの当初の AI プロジェクトの開発と展開には 9 か月かかりましたが、そのようなソリューションが適切に機能するまでにはまだ多くのデバッグと最適化が必要であることに誰もが驚きました。プロセス全体を振り返って、バパット氏は、テクノロジー自体がどれだけ進歩していても、エンドユーザーが誰で、彼らがテクノロジーソリューションをどのように使いたいのかをまず把握しなければ、期待される結果はすべて夢物語にしかならないことに気づきました。また、上級管理職チームが最も大きな発言権を持っているにもかかわらず、彼らが主なエンドユーザーではないことが多いとも述べています。

「それ以来、私は営業であれサプライチェーン管理であれ、まずは基本的な業務をしっかり理解しなければならないと常に強調してきました。実際のニーズを明確に理解してこそ、その後のデータやAIの応用ルートを計画できるのです。」

バパット氏は、この概念はサプライチェーン管理にも当てはまると考えています。 「最終消費者を本当に大切にするのであれば、AI を使って最終消費者をセグメント化して調整し、アプリケーション環境における実際のニーズを明確にする必要があります。その後、サプライ チェーンの設計に戻ったときに、労働、生産、税金、在庫などのさまざまなコスト要素を見つけて、それらを均一に最適化することができます。」

同氏は、サプライチェーンのプロセスが最適化されると、品質予測とメンテナンスを導入して実装し、その後、調達段階まで遡って作業を進めることができると付け加えた。

「私たちはよくこう言っています。サプライヤーは競争相手ではなく、パートナーなのです。」

この時点で、注意深い友人はデータ共有の難しさに気付く必要があります。サプライチェーン全体は本質的に複数の独立した企業で構成されており、少なくとも 3 つの理由により、関係者がデータをスムーズに共有することは不可能です。まず、各当事者は 1 社以上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。次に、各当事者は 1 社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。最後に、各当事者は交渉の場で発言力と影響力を高めるために、自社の情報を厳重に機密扱いします。

したがって、現世代の AI テクノロジーは、サプライ チェーンを最適化し、カスタマイズして、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することができますが、データ共有が不足しているため、すべてはまだ理論上のみ実現可能です。

バパット氏は次のように結論付けた。「これは実際には技術ギャップと見ることができます。つまり、すべての関係者が安心してパートナーと一部のデータを共有できるようにしながら、中核的な利益に関わる重要な部分が漏洩しないようにするための技術が必要です。このような理想的な効果を達成するには、5年から10年の開発サイクルが必要になるかもしれません。」