IA en la cadena de suministro:seis barreras para ver resultados

La inteligencia artificial tiene el potencial de cambiar radicalmente casi todo para mejor. Es probable que su impacto coincida con el de la electricidad y otras tecnologías de uso general que han enriquecido nuestras vidas. Los primeros signos de su impacto ya están surgiendo en casos de prueba con vehículos autónomos, incluidos barcos y aviones, y los beneficios van mucho más allá de la reducción de la mano de obra.

Por ejemplo, con hasta el 90 por ciento de los accidentes marítimos atribuidos a errores humanos, la IA podría reducir estos casos de manera significativa. Gracias a la comunicación de vehículo a vehículo, los vehículos pueden compartir datos importantes como la posición, la velocidad y el rumbo. La información se puede utilizar para alertar a los conductores y a los sistemas autónomos sobre posibles amenazas y colisiones, incluso aquellas que están fuera de la vista. También puede alertar a los conductores sobre vehículos menos visibles en la carretera, como motocicletas y bicicletas. V2V, combinado con IA, puede reducir las colisiones y la congestión al alertar de manera proactiva a los conductores, pilotos y capitanes sobre problemas anticipados y colisiones con otros vehículos, así como otros peligros del tráfico.

Las ventajas de la IA en términos de productividad, innovación y crecimiento económico global son igualmente significativas. McKinsey &Company estima que la adopción de la IA “tiene el potencial de generar una actividad económica global adicional de alrededor de 13 billones de dólares para 2030, o aproximadamente un 16% más del PIB acumulado en comparación con el actual. Esto equivale a un crecimiento anual adicional del PIB del 1,2 por ciento ”. La estimación de PwC es aún mayor, superando los $ 15 billones.

Dado este potencial, es fácil dejarse llevar por la IA e ignorar los principales problemas a los que se enfrentan las empresas para adoptarla y utilizarla de forma eficaz. Éstos son algunos de los desafíos y posibles soluciones.

Falta de datos grandes y limpios. Todos los procesos computacionales necesitan buenos datos y la inteligencia artificial no es una excepción. El aprendizaje automático (ML), en particular, requiere grandes volúmenes de datos precisos para entrenar algoritmos y desarrollar modelos predictivos. Sin embargo, la mayoría de las empresas no tienen ni la calidad ni la cantidad de datos para lograrlo.

Las empresas necesitan mejorar la calidad de sus datos mediante una gestión eficaz de los datos maestros e incorporando datos en tiempo real en los procesos y sistemas tanto como sea posible. Las redes empresariales digitales de múltiples partes en tiempo real mantienen una "versión única de la verdad" mientras sincronizan continuamente los sistemas externos, lo que garantiza que las empresas se ejecuten con la información más completa y actualizada posible.

Las organizaciones también deben considerar el uso de soluciones con algoritmos basados ​​en ML previamente entrenados que se basan en grandes volúmenes de datos de escenarios y empresas similares. Debido a sus enormes volúmenes de transacciones, las redes comerciales digitales pueden perfeccionar rápidamente algoritmos bien entrenados y agentes inteligentes que los nuevos miembros de la red pueden aprovechar.

La IA compartimentada es una IA poco inteligente. Las cadenas de suministro son intrínsecamente multifuncionales y entre empresas, y los datos necesarios para operarlas se encuentran dispersos entre socios internos y externos. Las empresas que intenten implementar la IA de forma fragmentada, sin tener en cuenta el panorama general, obtendrán malos resultados. Sin acceso a todos los datos relevantes, los algoritmos seguirán teniendo puntos ciegos y perderán oportunidades de optimización y ejecución.

Las empresas deben buscar incluir tantos sistemas, operaciones y socios comerciales relevantes como sea posible para fortalecer la precisión, el contexto y la integridad de los datos. El objetivo debería ser conectar toda la cadena de suministro a una red en tiempo real, desde la fuente hasta el cliente final. Solo una solución para toda la cadena de suministro puede optimizar completamente las operaciones críticas, como los niveles de inventario y la gestión de la logística, al monitorear el panorama completo de la demanda y la oferta.

Caja negra versus IA explicable. Ciertas técnicas de AA, como cuadros de mando y árboles de decisión, son fáciles de entender. Pero las redes neuronales son más complejas y misteriosas. ¿Deberíamos actuar sobre estos datos o permitir que el sistema actúe de forma autónoma si no sabemos cómo llegó a tales decisiones?

El experimento de Amazon sobre el uso de inteligencia artificial para reclutar talentos salió mal cuando los investigadores notaron que el sistema tenía un fuerte sesgo para contratar hombres. Esto se debió a que los algoritmos se entrenaron con datos predominantemente masculinos. En consecuencia, AI rebajó la calificación de candidatos de dos universidades para mujeres y tomó otras decisiones inapropiadas basadas puramente en el género.

La IA debe ser transparente en sus entradas, procesos y decisiones. Las empresas necesitan saber, al menos en términos esenciales, cómo funcionan los algoritmos, cómo toman decisiones y cómo crean y distribuyen valor. Idealmente, el sistema debería hacer explícitas las razones detrás de las decisiones, permitiendo a los usuarios ver, aprobar y anular las decisiones de los agentes autónomos. Las empresas también deberían poder adaptar los algoritmos para satisfacer sus necesidades particulares.

Optimización miope. Cada proceso y cambio tiene un costo. Cuando no se tiene en cuenta en la toma de decisiones, el resultado a veces puede ser peor que si no se hubiera hecho nada en absoluto. En las cadenas de suministro, que constan de muchos socios y sistemas, es fácil perder de vista las consecuencias a largo plazo de una acción. Muchas soluciones caen en esta trampa al volver a planificar toda la cadena de suministro, creando “nerviosismo” en el sistema e incurriendo en cambios y costos importantes e innecesarios cuando un cambio menor o más local sería suficiente.

Para evitar este problema, las optimizaciones deben ser continuas en lugar de ocasionales, y deben limitarse a impactar en la menor cantidad posible de entidades para minimizar la interrupción de la red. Al igual que en el caso de una aeronave en piloto automático, los pequeños ajustes continuos de dirección pueden compensar los cambios en las condiciones, al tiempo que se mantiene el rumbo preciso del avión. La alternativa es realizar un único cambio de ruta importante cuando el avión se sale de la pista cerca del final de su viaje. Estos ajustes continuos se suman a grandes mejoras sin causar ondas de choque discordantes en toda su cadena de suministro.

Proveedores de IA demasiado entusiastas. Muchos proveedores de software se han subido al tren de la IA. En cierto sentido, esto es comprensible, dada la vaguedad de su definición y su dominio mal definido y extenso. El "aprendizaje automático" es un término más bien definido y, a menudo, es a lo que se refieren las personas cuando usan el término "inteligencia artificial".

No obstante, los proveedores deben explicar claramente a qué se refieren cuando usan términos como "inteligencia artificial", "aprendizaje automático", "redes neuronales", "aprendizaje profundo", etc. Lo más importante es que deben mostrar cómo su IA ofrece más valor comercial que los algoritmos heurísticos tradicionales. ¿Como funciona? ¿Abarca sistemas y empresas para abarcar toda la red y todas sus condiciones y limitaciones? ¿O se limita a unas pocas funciones o dominios? ¿Quién lo usa y qué resultados han obtenido?

La brecha de habilidades de IA. Muchas empresas se están quedando cortas por la rápida evolución y la creciente viabilidad de la IA. Esto se debe a que la IA requiere habilidades modernas que pueden involucrar nuevos lenguajes, marcos y formas de pensar. Pocas empresas están equipadas para manejar la transición y aprovechar al máximo este campo de rápido desarrollo. Una encuesta de 2018 de O’Reilly sugiere que la brecha de habilidades de IA es la barrera más grande para la adopción de IA.

A largo plazo, el mercado se hará cargo del déficit de habilidades, pero hasta entonces, las empresas deberían comenzar a identificar sus necesidades y posibles nuevas contrataciones. También deben considerar capacitar a los empleados existentes y ofrecer incentivos y nuevas trayectorias profesionales para respaldar el cambio a las tecnologías de ML e IA.

Otra opción es asociarse con una empresa de tecnología que tenga la red, los recursos y la experiencia para asesorar, implementar y mantener una solución de IA o una plataforma habilitada para IA. Esto último permite a las empresas comenzar y comenzar a obtener ganancias mucho más rápidamente.

Nigel Duckworth es estratega senior de One Network Enterprises, proveedor de una red empresarial habilitada para IA.