공급망의 AI:결과를 보는 데 방해가 되는 6가지 요소

인공 지능은 더 나은 방향으로 모든 것을 근본적으로 바꿀 수 있는 잠재력을 가지고 있습니다. 그 영향은 우리 삶을 풍요롭게 한 전기 및 기타 범용 기술의 영향과 일치할 것입니다. 그 영향의 초기 징후는 선박과 비행기를 포함한 자율주행 차량의 테스트 사례에서 이미 나타나고 있으며 이점은 인력 감소를 훨씬 능가합니다.

예를 들어, 항해 사고의 최대 90%가 인적 오류로 인한 것이므로 AI는 그러한 경우를 크게 줄일 수 있습니다. 차량 대 차량 통신을 통해 차량은 위치, 속도 및 방향과 같은 중요한 데이터를 공유할 수 있습니다. 이 정보는 운전자와 자율 시스템에 보이지 않는 위협과 충돌에 대해 경고하는 데 사용할 수 있습니다. 또한 오토바이 및 자전거와 같이 도로에서 잘 보이지 않는 차량에 대해 운전자에게 경고할 수도 있습니다. AI와 결합된 V2V는 예상되는 문제와 다른 차량과의 충돌 및 기타 교통 위험에 대해 운전자, 조종사 및 기장에게 사전에 경고하여 충돌 및 혼잡을 줄일 수 있습니다.

생산성, 혁신 및 글로벌 경제 성장 측면에서 AI의 이점은 동등하게 중요합니다. McKinsey &Company는 AI의 채택이 "2030년까지 약 13조 달러의 추가 글로벌 경제 활동을 제공할 가능성이 있거나 현재와 비교하여 약 16% 더 높은 누적 GDP를 제공할 가능성이 있습니다. 이는 연간 1.2%의 추가 GDP 성장률에 해당합니다.” PwC의 추정치는 15조 달러를 초과하여 훨씬 더 높습니다.

이러한 잠재력을 감안할 때 AI에 도취되어 기업이 AI를 효과적으로 채택하고 사용하는 데 직면하는 주요 문제를 무시하기 쉽습니다. 다음은 몇 가지 과제와 가능한 솔루션입니다.

크고 깨끗한 데이터가 부족합니다. 모든 계산 프로세스에는 좋은 데이터가 필요하며 인공 지능도 예외는 아닙니다. 특히 머신 러닝(ML)은 알고리즘을 훈련하고 예측 모델을 개발하기 위해 방대한 양의 정확한 데이터를 필요로 합니다. 그러나 대부분의 기업은 이를 달성하기 위한 데이터의 질이나 양이 부족합니다.

기업은 효과적인 마스터 데이터 관리와 실시간 데이터를 최대한 프로세스 및 시스템에 통합하여 데이터 품질을 개선해야 합니다. 실시간 다자간 디지털 비즈니스 네트워크는 "단일 버전의 진실"을 유지하면서 외부 시스템을 지속적으로 동기화하여 회사가 가능한 가장 완전하고 최신 정보를 기반으로 운영되도록 합니다.

조직은 또한 유사한 시나리오 및 회사에서 대량의 데이터를 사용하는 사전 훈련된 ML 기반 알고리즘이 포함된 솔루션 사용을 고려해야 합니다. 엄청난 양의 트랜잭션으로 인해 디지털 비즈니스 네트워크는 네트워크의 새로운 구성원이 활용할 수 있는 잘 훈련된 알고리즘과 지능형 에이전트를 빠르게 연마할 수 있습니다.

구분화된 AI는 지능적이지 않은 AI입니다. 공급망은 본질적으로 교차 기능 및 기업 간이며, 공급망을 운영하는 데 필요한 데이터는 내부 및 외부 파트너 사이에 흩어져 있습니다. 큰 그림을 무시하고 파편화된 방식으로 AI를 구현하려는 기업은 좋지 않은 결과를 얻게 될 것입니다. 모든 관련 데이터에 액세스하지 못하면 알고리즘은 계속해서 사각 지대가 있고 최적화 및 실행 기회를 놓치게 됩니다.

기업은 데이터의 정확성, 맥락 및 완전성을 강화하기 위해 가능한 한 많은 관련 시스템, 운영 및 거래 파트너를 포함해야 합니다. 목표는 소스에서 최종 고객에 이르기까지 전체 공급망을 실시간 네트워크에 연결하는 것이어야 합니다. 공급망 전반에 걸친 솔루션만이 수요 및 공급의 전체 그림을 모니터링함으로써 재고 수준 및 물류 관리와 같은 중요한 운영을 완전히 최적화할 수 있습니다.

블랙박스 대 설명 가능한 AI. 스코어카드 및 의사결정 트리와 같은 특정 ML 기술은 이해하기 쉽습니다. 그러나 신경망은 더 복잡하고 신비합니다. 이 데이터에 대해 조치를 취해야 합니까, 아니면 시스템이 어떻게 그러한 결정에 도달했는지 모르는 경우 시스템이 자율적으로 작동하도록 허용해야 합니까?

AI를 사용하여 인재를 모집하려는 Amazon의 실험은 연구원들이 시스템이 남성을 고용하는 데 강한 편견을 가지고 있다는 사실을 알아차렸을 때 실패했습니다. 이는 알고리즘이 주로 남성 데이터로 훈련되었기 때문입니다. AI는 결과적으로 두 여자 대학의 후보자를 강등하고 순전히 성별에 근거하여 다른 부적절한 결정을 내렸습니다.

AI는 입력, 프로세스 및 결정에서 투명해야 합니다. 기업은 알고리즘이 어떻게 작동하는지, 어떻게 결정에 도달하는지, 어떻게 가치를 창출하고 배포하는지에 대해 최소한 본질적인 용어로 알아야 합니다. 이상적으로, 시스템은 사용자가 자율 에이전트의 결정을 보고 승인하고 무시할 수 있도록 결정 뒤에 이유를 명시해야 합니다. 회사는 또한 특정 요구 사항을 충족하도록 알고리즘을 조정할 수 있어야 합니다.

근시 최적화. 모든 프로세스와 변경에는 비용이 따릅니다. 그것이 의사 결정에 고려되지 않을 때, 결과는 때때로 아무 것도 하지 않았을 때보다 더 나쁠 수 있습니다. 많은 파트너와 시스템으로 구성된 공급망에서는 행동의 장기적인 결과를 놓치기 쉽습니다. 많은 솔루션이 전체 공급망을 다시 계획하고 시스템에 "긴장"을 일으키고 사소한 또는 더 많은 국부적 변경으로 충분할 때 중요하고 불필요한 변경과 비용을 초래함으로써 이 함정에 빠집니다.

이 문제를 방지하려면 최적화가 가끔이 아니라 지속적이어야 하며 네트워크 중단을 최소화하기 위해 가능한 한 최소한의 엔터티에 영향을 미치도록 제한해야 합니다. 자동 조종 장치를 사용하는 항공기의 경우와 마찬가지로 방향을 지속적으로 약간만 조정하면 비행기가 코스를 정확하게 유지하면서 조건의 변화를 보상할 수 있습니다. 대안은 비행기가 여정이 거의 끝나갈 무렵 궤도를 벗어날 때 단일 주요 경로를 변경하는 것입니다. 이러한 지속적인 조정을 통해 공급망 전체에 충격파를 일으키지 않으면서 크게 개선할 수 있습니다.

지나치게 열광적인 AI 공급업체. 많은 소프트웨어 공급업체가 AI 대세에 뛰어들었습니다. 어떤 의미에서 이것은 그 정의의 모호함과 잘못 정의되고 확장되는 영역을 고려할 때 이해할 수 있습니다. "머신 러닝"은 보다 잘 정의된 용어이며 사람들이 "인공 지능"이라는 용어를 사용할 때 종종 의미하는 바입니다.

그럼에도 불구하고 벤더는 "인공 지능", "머신 러닝", "신경망", "딥 러닝" 등과 같은 용어를 사용할 때 의미를 명확하게 설명해야 합니다. 가장 중요한 것은 AI가 기존의 휴리스틱 알고리즘보다 더 많은 비즈니스 가치를 제공하는 방법을 보여줘야 한다는 것입니다. 어떻게 작동합니까? 전체 네트워크와 모든 조건과 제약을 수용하기 위해 시스템과 기업에 걸쳐 있습니까? 아니면 몇 가지 기능이나 영역으로 제한되어 있습니까? 누가 그것을 사용하고 있으며 어떤 결과를 얻었습니까?

AI 기술 격차. 많은 기업들이 AI의 급속한 진화와 성장하는 생존 가능성에 발목을 잡고 있습니다. AI에는 새로운 언어, 프레임워크 및 사고 방식이 포함될 수 있는 현대적인 기술이 필요하기 때문입니다. 전환을 처리하고 빠르게 발전하는 이 분야를 완전히 활용할 수 있는 회사는 거의 없습니다. O'Reilly의 2018년 설문 조사에 따르면 AI 기술 격차가 AI 채택의 가장 큰 장벽이라고 합니다.

장기적으로 시장은 기술 부족을 해결할 것이지만 그때까지 기업은 필요와 잠재적인 신규 고용을 파악하기 시작해야 합니다. 또한 기존 직원을 교육하고 ML 및 AI 기술로의 전환을 지원하기 위해 인센티브와 새로운 경력 경로를 제공하는 방법도 살펴봐야 합니다.

또 다른 옵션은 네트워크, 리소스 및 전문 지식을 갖춘 기술 회사와 협력하여 AI 솔루션 또는 AI 지원 플랫폼을 조언, 구현 및 유지 관리하는 것입니다. 후자를 통해 기업은 훨씬 더 빨리 시작하고 이익을 실현할 수 있습니다.

Nigel Duckworth는 AI 지원 비즈니스 네트워크 제공업체인 One Network Enterprises의 수석 전략가입니다.