AI 如何解决“脏”数据的问题
降低运营风险是供应链的关键。为了实现可靠而精益的方法，供应链必须同时具有敏捷性和弹性。但是这两种品质历来都依赖于“干净”的数据。在去年春天全球 COVID-19 大流行开始时，对个人防护设备 (PPE) 和卫生纸的需求猛增，许多组织都没有做好准备。商界领袖迫不及待地等待数月进行适当的数据清理，以满足大量的即时供应请求。数据必须既可用又可操作。随着制造商努力满足不断变化的需求，供应链的效率变得势在必行。
在传统情况下，需要进行数据清理，但手动清理非常耗时。甚至在 COVID-19 之前，这个过程就阻碍了供应链的效率，但是一旦大流行全面展开，就不再可以选择缓慢了。传统的数据清理已经不再有用，现在是继续前进的时候了。是时候让人工智能和机器学习来消除大数据产生的噪音了。
了解整个业务
退后一步，看看整个业务运作。虽然可能对当前设施的供应有一个大致准确的视图，但对其他连接设施的可见性状态如何？此外，对其他供应商的库存了解多少，以及他们可以多快地满足生产需求？
也许是 I.T.部门有一个工具可以为其他地方的姐妹工厂提供一些洞察力，但几乎没有办法同时了解您的供应商拥有什么。解决这个问题的唯一方法是增加手头的材料以备不时之需，即使它们现在并不完全是需要的。但是这种方法通常会导致一种类型的库存过多而另一种类型的库存不足。没有足够的实时信息来进行有意义的采购调整以满足生产需求。
收集所有这些信息的长期后备是数据清理。
让算法来决定
各地的组织都受到基于项目的数据清理的束缚。它们既昂贵又耗时，并且会损害长期的投资回报率。这不是一个可持续的策略，而且这个过程通常必须每隔几年重复一次。
甚至在大流行之前，数据清理就减慢了供应链流程，降低了业务运营。在数据清理上花费 50 万美元（预计需要长达一年的时间）对组织几乎没有好处。即使使用最好的技术，同样的糟糕过程也会重复发生。
进入人工智能和机器学习。经济高效、快速且简单的实验是创新业务流程的关键。在这种情况下，这意味着用机器学习算法取代旧的数据清理，从而将长达一年的过程减少到几周。
AI 使用现有数据实施，以做出更好的决策并立即创建智能，而无需使用数据清理过程。 AI 流程将数据从孤岛中取出，因此组织可以从一对一的关系转变为整个供应链网络的全局概览。机器学习生成的算法提供了一个新的可见性水平，并为供应链网络中的其他人分享有价值的数据打开了大门。
使用人工智能和机器学习为更好地使用数据开辟了几个新的机会。一是能够同时处理数据的多项任务。例如，如果经理说是时候减少库存了，您通常会犹豫是否这样做，因为在需要时可能会没有库存。但在这种新模式中，这不再是问题，因为您可以更好地优化与库存相关的营运资金——不仅在您的设施中，而且在您网络内的组织中。这降低了风险，因为您现在拥有所需的情报和信心，无论何时何地都需要。
这种范式允许更平稳地过渡到工业 4.0 流程。如果一台机器出现传感器问题，供应商会收到警报并提供零件。数据的实时使用消除了长时间的停机时间。
不应再允许脏数据和冗余数据拖慢供应链运营。机器学习生成的算法可让您利用数据做出更好的决策，从而让供应链在各个层面保持运转。
Paul Noble 是 Verusen 的创始人兼首席执行官，
工业技术