AI 在供應鏈中的優勢
Joseph Tsidulko | 內容策略師 | 2024 年 1 月 11 日
近年來，全球供應鏈危機引起了人們的關注。對每個國家/地區的製造商而言，龐大的物流網路非常重要，但運輸延誤和停工等事件對供應鏈帶來了衝擊。同時，隨著供應鏈日益複雜且互連，加劇了長期的效率低下問題。
供應鏈規劃員希望緩解這些網路問題，而尖端技術正好能助他們一臂之力，提供尚未開發的巨大潛力。隨著我們邁向日益全球化的未來，供應鏈規劃員正在運用 AI 來提高供應鏈的效率和彈性。
什麼是供應鏈中的 AI？
相較於傳統軟體，人工智慧 (AI) 可讓工作更有效率，因此企業使用 AI 來管理和最佳化供應鏈活動，例如監控產品品質、平衡庫存量，以及確定更節能的交貨路線。
AI 泛指模擬人類智慧並執行複雜工作的應用程式，其子領域包括機器學習 (ML) ，其中系統透過大量資料來學習，而不是透過逐步指示來進行程式設計。得益於此學習過程，AI 系統的某些功能甚至超越傳統軟體，例如解譯影片饋送的資訊、解譯口語和書面文字、預測未來市場行為、在複雜場景中做出決策，以及揭露隱藏在大量資料集中的見解。
這些功能對於管理和最佳化供應鏈幾乎每個環節的工作流程都非常有用。例如，由 ML 演算法支援的供應鏈系統可以發現資料集中的模式和關係，而這是人類或非人工智慧系統通常無法察覺的，因此這些系統可以更準確地預測客戶需求，從而實現更經濟高效的庫存管理。AI 還可以分析交通和天氣狀況等因素，以推薦替代出貨路線，降低意外延誤的風險，並縮短交貨時間。此外，AI 可以監控工作區，以發現不良的品質控製程序以及健康和安全違規行為。隨著供應鏈專業人員不斷發展 AI 技術，新用例也陸續出現。
重點精華
- 企業使用 AI 將出貨與交貨最佳化、管理倉儲容量、追蹤庫存、預測特定零件的需求、提高員工安全，以及協助確保全球供應鏈交易記錄的完整性。
- 雖然 AI 可以為供應鏈提供巨大的生產力優勢，同時降低營運成本，但導入該技術可能既困難又成本高昂，尤其當涉及在專有資料上訓練自訂 ML 模型時。
- 製造商和物流供應商可以採取措施，確保供應鏈做好準備，與 AI 系統整合，並支援改變物流網路的管理和營運的方式。
在供應鏈中運用 AI 說明
企業正在供應鏈中採用 AI 系統，以協助最佳化配銷路線、提高倉庫生產力、簡化工廠工作流程等。
成品製造商通常採用成百上千個元件，這些元件需要全球合作夥伴按照協調的時間表到達其組裝設施。事實證明，AI 可以從大型資料集中發現模式和關係，協助最佳化物流網路，其中涵蓋承運商、送貨卡車、倉庫和配銷中心。供應鏈最佳化也涉及了在每次更換承運商時跟蹤實體商品。在此場景中，AI 可以自動化記錄，包括以智慧的方式輸入、擷取和分類文字檔中的資料，以確保多方交易記錄的完整性。
有些製造商正在利用 AI 來預測產能，並根據客戶需求將倉庫容量最佳化；另一些製造商則使用 AI 來標記潛在的延遲和設備故障問題，以免影響生產活動；一些製造商也利用 AI 從龐大的資料流程中取得營運洞察力，這些資料流程來自儲存和運輸基礎架構中安裝的物聯網 (IoT) 裝置和感測器。
雖然 AI 為供應鏈提供許多潛在優勢，但導入此技術可能既困難又昂貴。在生產環境中執行智慧應用程式需要強大的運算系統 (無論是內部部署邊緣伺服器或雲端執行處理)，以作為工業 4.0 策略的一部分，這些系統通常需要接收部署在現場的整合感測器和裝置資料。企業在自己的資料集上訓練機器學習模型時，通常可獲得更多的優勢，而這也是非常依賴資料的運算密集型流程。
運用 AI 實現端對端供應鏈透明度
現代供應鏈不僅交錯複雜，覆蓋範圍也非常廣泛，以至於製造商難以對到達設施的原料和貨物流進行端對端監控。AI 具備快速分析大型資料集的獨特能力，即使是相當複雜的物流網路，AI 也可以充分瞭解內部運作。
當攝取大量記錄的資料流和其他物流訊號時，透過機器學習訓練的智慧演算法通常會提供有價值的見解，例如變動原因或提高處理流程的能力，這些流程具有固定和可變時間元素並會導致瓶頸問題。AI 驅動的供應鏈管理 (SCM) 工具貫穿從中間製造、配銷到完成成品的流程中，比傳統系統更能即時追蹤大量供應品。此增強的可見性和可追溯性可協助製造商識別可能違反品質或道德採購實務的供應商。
透過提高供應鏈透明度，AI 的使用可以節省時間和成本，本文稍後將對此進行詳細描述。AI 還可以協助製造商確保用於製造產品的組件的採購符合道德、品質和永續性標準，這是監管機構和許多消費者希望製造商履行的責任。企業不能與違反勞工、良好治理或環境規則的供應商 (即使是那些總部位於海外的供應商) 的合作。藉助 AI 供應鏈應用程式中内嵌的分析工具，企業能識別出欺詐或不道德採購的模式。
AI 在供應鏈中的 9 大優勢
製造商一直處於 AI 創新的前沿，在現代供應鏈中的許多生產設施、儲存和配銷中心以及運輸工具中，進行各種形式的技術實驗和部署，從而帶來衆多優勢。
1. 提高倉儲效率
AI 可協助組織貨架和設計佈局，從而提高倉儲效率。透過評估倉儲走道所運輸的物料數量，機器學習模型可以建議樓層佈局，以加快庫存存取速度和庫存運輸時間 (從收貨到貨架再到包裝和運輸站)。機器學習模型還可以為員工和機器人規劃最佳路線，以更快地運送庫存，進一步提高履行率。透過分析來自行銷、生產線和銷售點系統的需求訊號， AI 預測系統可以幫助製造商平衡庫存與持貨成本，進一步最佳化倉儲容量。
2. 降低營運成本
憑藉 AI 學習複雜行為並在不可預測的條件下工作的能力，企業能夠以更準確且更少的人力完成盤點、追蹤和記錄庫存等重複的工作，同時識別及應對瓶頸問題。透過識別效率低的地方並從重複工作學習，AI 可以降低營運複雜供應鏈的成本。
AI 也可以透過減少重要設備的停機時間來節省製造商和配銷經理的成本。智慧型系統 (特別是那些處理智慧工廠中 IoT 裝置資料的系統)，可以在早期階段識別故障，或在故障發生之前進行預測，從而減少中斷和相關的財務損失。
3. 減少錯誤和浪費
AI 通常可以比人們更快發現人類和機器的異常行為。這就是為什麼製造商、倉儲營運商和貨運公司紛紛訓練演算法，以瞭解工作流程中的缺陷、員工錯誤和產品瑕疵。安裝在物流中心、裝配線和送貨車輛上的攝影機會饋送至電腦視覺系統中。該系統使用 AI 來檢查工作，以減少召回、退貨和重工。該系統可以在產品組裝錯誤或發送到錯誤目的地之前，發現員工和機器的錯誤，從而節省時間並避免浪費物料。智慧型系統也可以進行根本原因分析、評估大量資料，以找出故障的關聯性，協助團隊更快進行修正。
ERP 系統 中也直接内嵌 AI 技術，用於管理貨物流經供應鏈時的財務交易，協助企業避免代價高昂的帳單和付款錯誤。
4. 庫存管理更準確
製造商正在利用 AI 的功能，以更精準且更有效率的方式管理庫存水平。例如，AI 驅動的預測系統可以使用下游客戶共享的庫存資訊來評估客戶的需求。如果系統確定客戶的需求正在減少，則會相應地調整製造商的需求預測。
製造商與供應鏈經理也越來越多地部署電腦視覺系統，包括在供應鏈基礎架構、貨架、車輛甚至無人機上安裝攝影機，以即時定位商品並監控倉儲儲存容量。AI 也會在庫存分類帳中記錄這些工作流程，並自動化從庫存文件建立、更新到擷取資訊的過程。
5. 透過模擬最佳化作業
供應鏈經理可以執行 AI 驅動的模擬，以深入瞭解複雜的全球物流網路的運作，並找出改進方法。
供應鏈經理越來越多地將 AI 與數位分身結合使用。數位分身是實體物件和流程的圖形 3D 表示，例如組裝好的商品或工廠生產線。營運規劃人員可以在數位分身上模擬各種方法 (例如，如果在 A 點相對於 B 點增加容量，輸出會增加多少？)，同時在不中斷現實世界營運的情況下評估結果。當 AI 選擇模型並控制工作流程時，這些模擬將變得比使用傳統運算方法運行的模擬更準確。此 AI 應用程式可協助工程師和生產經理評估重新設計產品、更換零件或在工廠車間安裝新機器的影響。
除了 3D 數位分身之外，AI 和 ML 也可協助建立外部流程的 2D 視覺模型，讓規劃員和營運經理能夠評估更換供應商、重新調整運輸和配送路線，或重新定位儲存和配送中心的潛在影響。
6. 提高員工和材料的安全
AI 系統可監控整個供應鏈的工作環境，例如裝配線、倉儲設施和貨運車輛，並標示會危害員工和公眾安全的狀況。這可能意味著使用電腦視覺來強制使用個人防護裝備 (PPE)，或驗證員工是否遵守其他公司安全協議和職業安全與健康管理局標準。或者，這可能意味著處理來自卡車和堆高機等車輛上的系統的資料，以監控駕駛員是否安全、清醒地操作。在監控工廠設備時，AI 可協助預測故障和其他潛在危險情況。AI 驅動的可穿戴安全裝置可以增強保護：考慮使用連接到 AI 系統的感測器背心，可分析倉庫員工的行動，並根據他們的姿勢、動作或在倉庫中的位置提醒可能會受傷的風險。
遍布配送設施和車輛的傳感器通知的 AI 系統也有助於確保危險物質得到妥善處理和處置，保護居住在附近和在附近工作的人們。AI 可以自動執行危險任務，讓員工避免風險的情況。例如，智慧機器人可能會使用 AI 演算法以及攝影機和感測器來繪製穿過倉儲的最有效路線，然後運輸危險材料，同時避開路徑中的物體，並將結果轉送至倉儲管理系統。如果發生事故和故障，AI 可以進行根本原因分析，以找出其確切原因並防止重複發生。
7. 更及時的交貨
如果負責產品組裝的製造商擁有複雜的供應鏈，那麽特別需要確保準時和協調良好的交付；任何元件延遲到貨都可能會影響整個生產排程。AI 將承擔更多任務，協助減少交付延遲問題。
物流公司使用機器學習來訓練模型，以最佳化和管理元件在供應鏈中的運輸路線。這些模型可以根據訂單數量、交貨承諾、合約期限、客戶重要性或產品可用性來排定出貨優先順序。此外，這些模型還能為配銷網路中的所有節點提供更精確的預估抵達時間，以識別哪些訂單受延遲出貨影響較大。
8. 改善供應鏈永續性
藉由提高營運效率，AI 可確保供應鏈更具永續性，並減少對環境的影響。例如，經過 ML 訓練的模型可以最佳化卡車裝載量和交付路線，協助企業減少卡車在運輸過程中的燃料消耗。AI 還有助於減少供應鏈各個階段中浪費的產品數量。例如，AI 導向的生產規劃可以分析過去的庫存水平、目前需求預測和即時機器維護狀態，以確保製造商不會過度生產。
AI 也可用來分析成品的生命週期，並提供洞察來推動循環經濟的發展，確保重複使用和回收材料。內建 AI 的供應鏈規劃與採購系統可協助提升供應商的透明度，並讓他們遵守環境和社會永續發展標準，例如確保待遇平等。
9. 更精確的需求預測
AI 已成為根據內部資料訊號 (例如銷售管道和行銷線索) 和外部訊號 (例如更廣泛的市場趨勢、經濟前景和季節性銷售趨勢) 預測需求的黃金標準。供應鏈規劃員不僅可以使用內嵌在需求規劃軟體中的 AI 來預估需求，還可以預測經濟衰退或惡劣天氣事件等情況對需求的潛在影響，以及預估自身的成本、生產能力和交付能力。
AI 在供應鏈中的挑戰
在供應鏈規劃和管理中融入 AI 不可能一蹴可幾。雖然此技術在降低成本和簡化流程方面具有巨大潛力，但部署成本高，而且非常困難。在將 AI 融入供應鏈營運時，企業往往會面臨一些常見的挑戰。
- 培訓成本：與任何新技術一樣，企業想要實施 AI 並將其整合到生產環境中，需要為使用新系統 (甚至是難度很高的系統) 的員工提供培訓。為員工提供培訓，讓他們不再抗拒使用新系統，這個過程通常會導致停機並產生一定的成本。在此之前，整個供應鏈的合作夥伴應與 AI 供應商或整合商合作，共同開發有建設性且負擔得起的培訓計畫。值得注意的是，任何培訓方法都可能會產生成本。
-
啟動和營運成本：導入 AI 的成本通常超過採購與整合執行 AI 系統的硬體與軟體成本。ML 演算法並非一律都需要從頭開始建置；企業可以利用預先建置的模型，根據多種供應鏈使用案例的需求進行調整。然而，為了實現最大的效益，企業應該利用自己的資料來訓練模型。企業需要付出很大心力，才能收集、整合、驗證、轉換和清理大量高品質的資料。如果企業沒有準備好高品質的資料集，就如同這句話：垃圾進、垃圾出。在此階段，使用資料訓練 ML 模型需要大量運算，通常需要由圖形處理單元 (GPU) 支援的伺服器，這可能會導致雲端服務費用激增並佔用內部部署資源。
在全球物流網路中大規模營運及管理 AI 系統，並不是一勞永逸的工作。在運行階段，雖然 AI 系統並不像訓練階段那樣需要高強度運算，但這是一個持續的流程，需要強大的平台，例如邊緣伺服器或雲端型虛擬機器。這些雲端解決方案讓 AI 技術更易於獲取且經濟實惠。有些雲端基礎架構供應商提供託管資料科學平台，可簡化建置 ML 模型、自動化發展及管理 AI 工作流程。 - 複雜的系統：AI 系統由許多移動的元件組成，其中包括傳輸即時資料流的裝置和感測器，用於 ML 模型的初始和進化訓練的 GPU 驅動伺服器，在生產中執行這些模型的邊緣和雲端伺服器，以及根據發現的模式或建議方案採取行動的應用程式。企業必須將這些元素整合到全球供應鏈的每個節點中。企業還必須持續監控這些系統，調整系統效能，並識別和修復故障。
供應鏈中的 AI 範例
假設一家美國汽車製造商需要在密西根州的工廠組裝三個熱門車型。這個過程涉及數以萬計的零件和元件，例如鋼材、輪胎、火星塞和儀表針。這些零件採購自美國十幾個州以及加拿大、中國、德國、日本和墨西哥的工廠和製造中心。有些元件是在企業擁有和經營的工廠生產的，其他則來自第三方經銷商。
如果這家汽車企業經常收到大量貨物，其中一些是從海外運來的，另一些則是從州外或北美邊境運來的。這些供應品最終在密西根工廠組裝成休旅車、卡車或轎車。但在此之前，製造商需要訂購、支付、追蹤、接收這些元件並將其儲存在工廠附近的大型倉庫中。
除了要經營如此龐大且複雜的供應鏈，這家汽車企業還必須應對通貨膨脹所造成的供應成本上漲問題，以及能源成本增加導致利潤被侵蝕。提高整車價格可能會有所幫助，但該企業銷售主管認為這會抑制客戶需求。此外，在疫情爆發後，該企業必須滿足新的工廠環境管理法規，其中包括強制使用個人防護裝備。
憂心忡忡的主管紛紛向技術顧問瞭解企業是否能夠從 AI 中受益，以及 AI 可以改善供應鏈的哪個環節。技術顧問的答案是肯定的 — AI 幾乎可以應用於任何地方。
首先，在根據趨勢預測每種車型的銷售量方面，AI 的表現勝過企業的基本軟體。AI 還可以更準確地模擬天然氣價格上漲或電動車突然滲透市場等情況對銷售量的影響。這些智慧型預測對供應鏈規劃員來說是絕佳選擇，可以協助他們採購適量的供應品來滿足需求，而不會產生額外的訂購成本、造成庫存過量或持有成本過高。藉助預測結果，規劃員更有信心做出決策，包括透過增減生產線來控制資金，並為這些生產線配置適當的人員。
連接到 AI 視覺模型的攝影機可監控汽車企業的生產線和配銷設施，以確保員工遵守安全和環境協議。經過 ML 訓練的其他模型可以分析物流資料，協助將出貨路線、貨物裝載和倉庫運營最佳化，進而大幅提升及時交付量。最後，AI 和決策模型能夠自動化重複流程，不僅可以處理實體供應，還可以維護必要的庫存和交易記錄，以確保供應鏈中的所有各方都獲得公平待遇並按時收到付款。
如今，汽車企業致力於提高效率、減少錯誤、提高會計準確度，並重新調整人員分配以更好地支援業務需求，從而在供應鏈營運的幾乎每個方面節省成本。 以 Mazda Motor Logistics 為例，該公司使用 Oracle Transportation Management 來協助確定在整個歐洲配送汽車和汽車零件的理想承運商、路線和服務水平，從而提高準時交貨率。
供應鏈如何做好準備，擁抱 AI 技術
企業通常會發現，在生產環境中完全採用 AI 具有挑戰性且成本高昂。在某些情況下，企業甚至可以在確定特定專案之前，先採取以下步驟，讓傳統供應鏈規劃和管理系統能夠更具智慧地執行。
1. 創造稽核值
在決定在供應鏈中的特定節點使用 AI 進行增強之前，製造商可能會發現稽核整個物流網路很有用，有助於找出瓶頸、生產力下降和容易出錯的流程。透過稽核，業務規劃員可確定 AI 和其他技術投資在哪些方面能夠產生最大價值。
2. 制定策略和藍圖
供應鏈現代化計畫通常不僅涉及多個需要解決的問題，還包括企業希望獲得的優勢以及高階主管的訴求。然而，大多數製造商無法負擔一次性升級所有產品的費用，也不能接受所需的停機時間。在概述特定專案之前，企業需確定優先順序，然後制定能夠產生深遠影響的轉型策略，解決早期階段最迫切的問題。企業需建立藍圖，確保沿途的每個專案都能推動下一個專案，同時擁有足夠的資金。
3. 設計解決方案
在確定供應鏈營運中最能從 AI 受益的具體方面後，設計解決方案的工作就開始了。企業應考慮所需的系統類型，例如雲端應用程式、邊緣伺服器、資料科學平台、網際網路連線裝置和感測器，以及這些系統需要如何相互整合並與現有的 IT 資源整合。此時，尚未採用這些系統的大多數企業都會選擇聘請系統整合商或其他具有行業專業知識的顧問公司。
4. 選擇供應商
許多技術供應商提供供應鏈解決方案，其中大多數聲稱他們的產品內建了某種形式的 AI 技術。但由於 AI 是一個廣泛的術語，描述了一系列不同的功能，因此產品之間存在重大差異。選擇技術供應商就像致力於建立長期合作關係，而這種合作關係有望在當前專案結束後持續維持。製造商應根據系統整合商的建議，仔細評估每個投標者的技術能力、價格、支援模型，以及其企業文化，以找到適合的選擇。
5. 導入與整合
企業選擇了技術供應商，就會開始進行導入和整合流程。系統整合商通常與內部 IT 團隊和供應商緊密合作，以安裝系統並將其與現有系統整合，並在部署到生產環境之前進行測試。導入階段通常需要停機一段時間，而且完成後也需要投入一段時間進行員工培訓。不過，如果謹慎安排並有效執行，從測試到生產的過程可以在最少干擾的情況下完成。
6. 進行變革管理
對於長期以同樣方式完成工作的員工來說，即使工作是勞力密集且效率不彰的，改變可能會令人不安。在導入新的 AI 解決方案之前，企業需制定策略，做好準備。在計畫中，企業應與員工進行溝通，討論推動 AI 採用的問題或目標、企業希望實現的生產力效益，以及領導者用來評估專案成功的基準。
7. 監控與調整
在某些方面，AI 專案永遠有進步的空間。AI 是一種動態技術，透過監控和調整的回饋循環不斷改進。即使 AI 系統看起來運作良好，團隊也應該嘗試修改並收集追蹤結果的資料，以進一步改善效能。
藉助 Oracle 在供應鏈中投資於 AI 技術
製造商的供應鏈橫跨地理分散且營運孤立的設施 (通常由多個獨立合作夥伴管理)，以及連接其中的配銷路線。從原料或子部件到成品的每個階段都需要不同的技術解決方案。這些解決方案負責採購、規劃、運輸、庫存、維護和分析等功能，而且都可從 AI 中受益。
雖然這些多方面的系統執行截然不同的工作，但它們不能是孤立的；資料必須隨著產品的流動在整個物流網路中傳輸。Oracle Fusion Cloud Supply Chain & Manufacturing (SCM) 是全方位的應用程式套件，可處理並緊密連結供應鏈的各個階段。這些 SCM 應用程式使用內建的機器學習來協助改善自動化、預測及洞察力。雲端軟體還促進了企業內部以及與外部分包商和合作夥伴的協作。
供應鏈中的 AI 常見問題
AI 會隨著時間的推移而越來越進步嗎？
AI 是一項獨特的技術，能夠隨著使用而改進。例如，透過機器學習模型執行的資料越多，該模型就越能為供應鏈規劃員提供有用的功能和洞察。
AI 如何為製造業節省時間和精力？
製造商經常使用 AI 從大量資料中獲取洞察，協助他們提高組裝流程、物流網路和工作流程的效率。這項技術還可以幫助自動化重複任務，減少人力需求。
AI 是供應鏈的未來嗎？
事實證明，AI 非常擅長改善供應鏈規劃、管理和營運。這項技術已經內嵌到供應鏈營運的幾乎每個方面，並且新的使用案例也不斷出現。AI 必將成為未來所有供應鏈管理系統不可或缺的一部分。
為什麼 AI 在供應鏈管理中很重要？
近年來，供應鏈變得越來越複雜、相互連結且具有擴展性，因此製造商要管理供應鏈變得也越來越具挑戰性。AI 可以透過分析現代供應鏈產生的大量資料來提供幫助，並使用這些資料來進行非常準確的預測，提供營運見解，並提高涉及多個獨立合作夥伴的龐大物流網路的儲存和運輸流程的效率。
如何將 AI 應用於供應鏈？
AI 可為現代供應鏈的幾乎所有功能提供協助，包括規劃、庫存和倉儲管理、交易處理、運輸、監控和檢查。同時，這項多功能技術的新使用案例仍在不斷開發中。