供应链中的人工智能：看到结果的六大障碍

人工智能有可能从根本上改变一切，让一切变得更好。它的影响可能与丰富我们生活的电力和其他通用技术的影响相匹配。其影响的早期迹象已经出现在自动驾驶汽车（包括船舶和飞机）的测试案例中，其好处远不止减少人力。

例如，高达 90% 的航海事故归因于人为错误，人工智能可以显着减少此类情况。通过车对车通信，车辆可以共享位置、速度和航向等重要数据。这些信息可用于提醒驾驶员和自动系统注意可能的威胁和碰撞，甚至是那些看不见的威胁和碰撞。它还可以提醒驾驶员注意道路上不太明显的车辆，例如摩托车和自行车。 V2V 与人工智能相结合，可以通过主动提醒驾驶员、飞行员和机长注意预期的问题和与其他车辆的碰撞以及其他交通危险，从而减少碰撞和拥堵。

人工智能在生产力、创新和全球经济增长方面的优势同样显着。麦肯锡公司估计，人工智能的采用“有可能在 2030 年之前增加约 13 美元的全球经济活动，或与今天相比，累计 GDP 高出约 16%。这相当于每年 1.2% 的 GDP 额外增长。”普华永道的估计更高，超过 $15 tr。

鉴于这种潜力，很容易被人工智能冲昏头脑而忽略公司在有效采用和使用它时面临的主要问题。以下是一些挑战和可能的解决方案。

缺乏大而干净的数据。 所有的计算过程都需要好的数据，人工智能也不例外。机器学习 (ML) 尤其需要大量准确数据来训练算法和开发预测模型。然而，大多数公司既没有质量也没有数量的数据来实现这一目标。

公司需要通过有效的主数据管理以及尽可能将实时数据整合到流程和系统中来提高数据质量。实时的、多方的数字业务网络保持“单一版本的真相”，同时不断同步外部系统，确保公司运行在最完整和最新的信息上。

组织还应考虑使用具有预先训练的、基于机器学习的算法的解决方案，这些算法利用来自类似场景和公司的大量数据。由于交易量巨大，数字业务网络可以快速磨练训练有素的算法和智能代理，网络的新成员可以利用。

隔离的人工智能是非智能的人工智能。 供应链本质上是跨职能和跨企业的，运营所需的数据分散在内部和外部合作伙伴之间。试图以分散的方式实施人工智能的公司，而忽视大局，将获得糟糕的结果。如果无法访问所有相关数据，算法将继续存在盲点并错过优化和执行的机会。

公司应寻求包括尽可能多的相关系统、运营和贸易伙伴，以加强数据的准确性、上下文和完整性。目标应该是将整个供应链连接到一个实时网络，从源头到最终客户。只有供应链范围的解决方案才能通过监控需求和供应的全貌来全面优化关键运营，例如库存水平和物流管理。

黑匣子与可解释的人工智能。 某些 ML 技术，例如记分卡和决策树，很容易理解。但神经网络更加复杂和神秘。我们应该根据这些数据采取行动，还是在我们不知道系统如何做出此类决定的情况下允许系统自主行动？

亚马逊使用人工智能招聘人才的实验出了差错，因为研究人员注意到该系统对招聘男性有很强的偏见。这是因为算法主要是针对男性数据进行训练的。人工智能因此降级了两所女子学院的候选人，并做出了其他纯粹基于性别的不当决定。

人工智能需要在其输入、流程和决策方面保持透明。公司至少在本质上需要知道算法是如何工作的，它们如何做出决策，以及它们如何创造和分配价值。理想情况下，系统应该明确决策背后的原因，允许用户查看、批准和覆盖自主代理的决策。公司还应该能够调整算法以满足他们的特定需求。

短视的优化。 每一个过程和变化都会带来成本。当它没有被纳入决策时，结果有时会比什么都不做更糟糕。在由许多合作伙伴和系统组成的供应链中，很容易忽视一项行动的长期后果。许多解决方案通过重新规划整个供应链而陷入这个陷阱，在系统中制造“紧张”，并在较小或更局部的更改就足够时导致重大和不必要的更改和成本。

为了避免这个问题，优化应该是持续的而不是偶尔的，并且应该限制在影响尽可能少的实体，以尽量减少对网络的干扰。与自动驾驶飞机的情况一样，不断对方向进行微调可以补偿条件的变化，同时保持飞机精确地在航线上。另一种选择是在飞机接近旅程结束时偏离轨道时进行一次主要的改道。这些持续的调整加起来可以带来巨大的改进，而不会在您的整个供应链中造成不和谐的冲击波。

过于热情的 AI 供应商。 许多软件供应商都加入了人工智能的潮流。从某种意义上说，这是可以理解的，因为它的定义含糊不清，而且领域定义不明确且范围广阔。 “机器学习”是一个定义更明确的术语，人们在使用“人工智能”这个术语时通常就是这个意思。

然而，供应商在使用“人工智能”、“机器学习”、“神经网络”、“深度学习”等术语时需要清楚地解释他们的意思。最重要的是，他们需要展示他们的 AI 如何提供比传统启发式算法更多的业务价值。它是如何工作的？它是否跨越系统和企业以拥抱整个网络及其所有条件和约束？还是仅限于少数功能或领域？谁在使用它，他们取得了什么成果？

人工智能技能差距。 人工智能的快速发展和日益增长的可行性使许多公司陷入困境。这是因为人工智能需要现代技能，这些技能可能涉及新的语言、框架和思维方式。很少有公司有能力应对转型并充分利用这个快速发展的领域。 O'Reilly 2018 年的一项调查表明，人工智能技能差距是人工智能采用的最大障碍。

从长远来看，市场会解决技能短缺问题，但在那之前，公司应该开始确定他们的需求和潜在的新员工。他们还应该考虑培训现有员工，并提供激励措施和新的职业道路，以支持向机器学习和人工智能技术的转变。

另一种选择是与拥有网络、资源和专业知识的技术公司合作，为人工智能解决方案或支持人工智能的平台提供建议、实施和维护。后者使公司能够更快地起步并开始实现收益。

奈杰尔·达克沃斯 (Nigel Duckworth) 是 One Network Enterprises 的高级策略师，该公司提供支持人工智能的业务网络。