Роль автоматизации в «компрессии процессов» цепей поставок. Аналогия становления технологии с автоматизацией транспорта.

Сжатие в цепочках поставок может происходить как за счет действий человека, так и за счет машин, которые повышают скорость перемещения материалов и принятия решений. В типичной современной цепочке поставок люди в первую очередь ответственны за выполнение действий по сокращению запасов на протяжении всей их траектории. Они управляются основными целевыми функциями, включая повышение уровня удовлетворенности клиентов, увеличение выручки или свободного денежного потока. По сути, именно люди, работающие в этом направлении, сегодня приводят в движение цепочки поставок.

Однако с развитием искусственного интеллекта взаимодействие между людьми станет менее важным. Это связано с тем, что люди неэффективны, когда дело доходит до выполнения повторяющихся действий, в то время как машины превосходно справляются с ними. Машины могут работать круглосуточно и без выходных (прим., а «питаются электричеством»). Получив конкретные инструкции, они будут выполнять их без эмоций и сомнений. Следующая волна усовершенствований цепочки поставок будет опираться на растущее число интерфейсов прикладного программирования (API) для снижения неэффективности человеческого труда. Эти силы будут работать независимо — для повышения скорости работы. API-интерфейсы упрощают и ускоряют для разработчиков создание продуктов и сервисов и интеграцию их с другими решениями. API-интерфейсы играют важную роль как в облачной, так и в цифровой трансформации. Они меняют способы взаимодействия компаний с деловыми партнерами.

Рассмотрим следующий пример. Менеджер по планированию должен ввести информацию в систему планирования потребностей в материалах (MRP), используя спецификацию. Это позволяет компьютеру получать информацию о том, сколько компонентов и составных частей входит в состав изделия, откуда они берутся и сколько времени требуется для получения каждого из них после его заказа. Как только эта информация загружается в систему, заказ на этот продукт запускает набор запросов на эти компоненты и вычитает компоненты из существующих запасов. Когда запускается точка повторного заказа, система выдает запрос на пополнение запасов для всех компонентов в системе.

Эта технология используется уже много десятилетий, и она срабатывает всякий раз, когда количество заказов меняется с четырех на этой неделе на пять на следующей. Но в цепочках поставок все постоянно развивается и меняется. Возможно, в какой-то части страны произошло наводнение или у поставщика комплектующих произошла поломка оборудования, из-за чего отгрузка продукции задерживается на четыре-шесть недель. Когда это происходит, система должна быть уведомлена о том, что время выполнения заказа на данный товар изменилось; возможно, также необходимо скорректировать минимальное количество заказа (MOQ).

Машины могут быть способны делать это по мере развития методологий машинного обучения. Эта возможность должна поддерживаться технологией сканирования физических запасов в канале доставки, измерения того, что находится в распределительном центре, оценки того, что доступно для покупки, и определения того, что поступает от поставщиков во входящих поставках. Затем система могла бы выявить пробелы, которые могли бы показать, насколько низкий уровень запасов в одной системе может не соответствовать объему запасов в другой части системы.

Способность обнаруживать аномалии, возможности для оптимизации, а также сбои или неполадки в работе партнеров по цепочке поставок , которые указывают на потенциальную проблему, — это то, что машины в конечном итоге смогут выполнять автономно. Для сравнения, операторы-люди часто выполняют этот процесс медленно. Возможно , сначала они отправляют электронное письмо, в котором требуют согласия старшего руководителя на изменение сроков выполнения заказа или минимального заказа. Затем они должны дождаться ответа от этого сотрудника, созвать совещание для обсуждения проблемы и через две недели, наконец, внести изменения. Тем временем, материал накапливается, и дефицит становится еще более неизбежным. Благодаря машинам, выполняющим всю работу, людям больше не нужно будет следить за временем поставки сырья, уставившись в экраны компьютеров, которые затем должны проверять запасы и прогнозировать увеличение или сокращение спроса. Одна машина могла бы заменить нескольких человек, выполняющих такую работу, отслеживая все продукты и их номенклатуру, что значительно повысило бы эффективность работы. И хотя машины не могут принимать важные решения, они могут быстро обобщать информацию таким образом, чтобы люди могли принимать правильные решения. окончательное решение. Когда компании перейдут на станки и сроки их выполнения сократятся, им не понадобится так много резервных запасов при минимальном заказе. Например, если у компании есть на складе 10 деталей на 30 дней, а использование станков может сократить время выполнения заказа до 15 дней, в результате ее минимальный заказ сократится.

Такой уровень контроля за работой оборудования не произойдет в одночасье. Как API-интерфейсы станут более интегрированными, алгоритмы машинного обучения будут управляться людьми, которые, по сути , научат их выполнять свою работу. Изменения будут происходить постепенно, во многом так же, как сегодня происходит автоматизация транспортных средств. Многие автомобили теперь оснащены автоматическими направляющими полосы движения, которые могут саморегулироваться при приближении к автомобилю с включенным круиз-контролем и могут автоматически тормозить , если сзади приближается другой автомобиль, когда автомобиль дает задний ход. Автомобили пока не являются автономными, но некоторые этапы их эксплуатации становятся автоматизированными. Постепенно цепочки поставок также станут автономными. Психолог Д.К. Саймонтон описывает человеческий интеллект как “совокупность когнитивных способностей, которые приводят к успешной адаптации к широкому спектру условий”. Аналогичным образом, машинный интеллект должен развиваться путем постоянного воздействия внешней среды; однако на замену когнитивных способностей человеческого мозга к распознаванию потребуются годы.

Flow, pp. 111-114.