IA e supply chain: ecco che cosa sta già funzionando bene

Le supply chain prevedono una serie di azioni che inizia con la progettazione del prodotto e prosegue con l’approvvigionamento, la produzione, la distribuzione, la consegna, e il servizio clienti. “In ognuno di questi passaggi si possono individuare grandi opportunità per l’IA e il ML”, afferma Devavrat Bapat, responsabile dei prodotti dati IA/ML di Cisco. Questo perché l’attuale generazione di IA è già molto brava nello svolgere due cose necessarie alla gestione della catena di approvvigionamento. La prima è la previsione, in cui l’intelligenza artificiale viene utilizzata per fare stime sulla domanda a valle, o sulle carenze a monte. Inoltre, gli algoritmi possono rilevare eventi che riconoscono il possibile verificaarsi di un guasto e, quindi, avvertire gli operatori della catena prima che la qualità della produzione si riduca.

La seconda è quella delle ispezioni, in cui l’IA viene utilizzata per individuare i problemi di produzione. Può anche essere impiegata per certificare materiali e componenti e seguirli attraverso l’intera catena di fornitura.

In definitiva, l’IA ottimizzerà le supply chain per soddisfare le esigenze specifiche dei clienti in ogni situazione. La tecnologia abilitante esiste, ma la difficoltà che rimane poggia nella richiesta di un livello di condivisione dei dati che oggi, nelle catene di approvvigionamento, non si trova. Nel frattempo, molte aziende continuano a raccogliere i benefici di previsioni e ispezioni migliorate.

Le previsioni

Prendiamo ad esempio Amcor, la più grande azienda di imballaggi al mondo, con 15 miliardi di dollari di fatturato, 41.000 dipendenti e oltre 200 stabilimenti su tutto il Pianeta. La maggior parte del loro mercato è costituita dagli imballaggi per alimenti e per la sanità.

“Produciamo gli imballaggi per circa un terzo dei prodotti presenti nel vostro frigorifero”, osserva Joel Ranchin, CIO globale dell’azienda. Alcune delle problematiche che Amcor deve affrontare nella produzione riguardano la previsione accurata e l’adattamento ai cambiamenti della domanda. Nella catena di approvvigionamento alimentare gli ordini vengono spesso modificati a seconda delle esigenze. Quando fa caldo, per esempio, le persone bevono più Gatorade, il che può creare un’improvvisa esplosione della domanda, per cui potrebbe verificarsi un’impennata del 10-15% nella richiesta di bottiglie. Lo stesso vale per altri tipi di prodotti. All’improvviso potrebbero esserci più pesci nell’Oceano, il che fa aumentare la domanda di imballaggi per ospitarne ulteriori tonnellate. “Anche se cerchiamo di fare previsioni, è molto difficile perché non sempre conosciamo in anticipo le esigenze dei nostri clienti”, sottolinea Ranchin.

Le sfide sono simili anche dall’altra parte della supply chain. Se Amcor non è in grado di prevedere con precisione le carenze, non può rifornirsi in anticipo di materie prime. Ma soprattutto, l’azienda deve prevedere le variazioni dei prezzi, in modo da poterne acquistare di più a costi più bassi prima di un aumento, o di meno se sembra che ci sia un calo all’orizzonte.

Circa un anno fa, Amcor ha iniziato a sperimentare EazyML, una piattaforma che aiuta a ottimizzare le previsioni sia per la domanda dei clienti che per l’offerta. Lo strumento è stato addestrato utilizzando tre anni di dati provenienti dall’ERP per cercare modelli nelle varie fluttuazioni. Il sistema cerca di individuare le categorie di cambiamento e gli eventi correlati ai diversi tipi di cambiamento. Per esempio, controlla le fluttuazioni stagionali, e se due o più tipi di cambiamento si verificano insieme o se si escludono a vicenda.

“I primi risultati che abbiamo ottenuto sono molto promettenti, molto più di quanto ci aspettassimo”, dichiara Ranchin. “Se si riesce a prevedere il cambiamento, si può anticipare meglio il fabbisogno di materie prime e integrarlo in anticipo, se necessario”.

Questo non sorprende Bapat, secondo il quale le previsioni sono un’area che l’IA ha migliorato in modo significativo. “In passato, molte aziende si affidavano alle consensus forecast, in cui si utilizzavano i dati ponderati di diversi esperti per ottenere una stima media”, spiega. “Gli studi hanno dimostrato che le previsioni statistiche, in cui si utilizzano tecniche per estrapolare i dati storici, superano costantemente i metodi basati sul consensus. E l’intelligenza artificiale fa ancora meglio delle previsioni statistiche. Ma il trucco è assicurarsi che si stanno utilizzando i dati giusti”.

L’ispezione

Un altro esempio di utilizzo dell’intelligenza artificiale è quello di Intel, dove diversi chip vengono stampati su un singolo wafer mediante litografia. Quelli più vicini al centro del wafer tendono ad avere un profilo di potenza migliore. Quelli vicini all’anello esterno, pur rimanendo affidabili, tendono ad avere prestazioni ridotte. Intel ha una procedura di controllo che prevede la misurazione dei chip per determinare se devono essere conservati o eliminati. L’ispezione dei wafer da parte di un uomo sarebbe un processo lungo e pieno di errori.

“Usiamo l’IA per selezionare i chip di alta qualità e questo ci permette di produrli molto più velocemente i chip e di immetterli sul mercato con una qualità migliore”, tiene a precisare Greg Lavender, SVP e CTO di Intel. “Naturalmente, questa non è l’unica cosa che facciamo con l’intelligenza artificiale. Ho un paio di centinaia di ingegneri software specializzati in intelligenza artificiale che fanno capo alla mia organizzazione. Alcune delle loro attività vengono utilizzate nelle nostre fabbriche per le ispezioni e i test, ma a volte sviluppano l’AI prevista all’interno dei nostri prodotti, senza che nessuno ne sia. Necessariamente, a conoscenza”.

Un esempio è il modo in cui Intel aiuta i suoi clienti OEM fornendo strumenti software che verificano la presenza di malware. Uno di questi è l’Intel Threat Detection Technology che viene eseguito sui computer portatili. In Windows, il codice Intel esamina il flusso di istruzioni della CPU e utilizzando algoritmi di firma adattiva, cerca le anomalie che corrispondono a malware. Se viene trovata una corrispondenza, lo strumento intercetta o blocca il software malevolo e avvisa Windows Defender di un’infezione nel dispositivo.

“Threat Detection Technology è integrata in tutte le CPU dei nostri clienti”, spiega Lavender. “Queste infezioni si insinuano attraverso la supply chain e quando il prodotto finale è pronto, l’unico modo per trovarle è rappresentato da questo strumento. Integriamo da anni il tool in questione e altri analoghi basati sull’intelligenza artificiale, ma oggi, con tutto il parlare di modelli linguistici di grandi dimensioni, sempre più persone ne parlano”.

Secondo Bapat di Cisco, l’ispezione è una parte importante della gestione della catena di fornitura e diventa molto più semplice se si adottano le giuste misure durante la progettazione del prodotto. “Si possono risparmiare molti costi se si inserisce nell’apparecchiatura una strumentazione in grado di generare dati che aiutano a monitorare il flusso”, sottolinea. “Se si prende la distinta base di qualsiasi prodotto e si esaminano i costi della manodopera, ci si accorge che sono molto elevati e l’onere riguarda, principalmente, la qualità del prodotto e le spese generali di supervisione. L’intelligenza artificiale sta già aiutando a minimizzarli “.

L’ottimizzazione

Le previsioni e le ispezioni sono entrambe importanti, ma l’impatto maggiore si avrà quando le supply chain potranno essere adattate alle esigenze specifiche dei clienti. Bapat trae spunto da una lezione importante che ha imparato quando ha progettato uno dei suoi migliori algoritmi di IA. Ci sono voluti nove mesi per svilupparlo e implementarlo, e alla fine ci è voluto un tempo sorprendentemente lungo per farlo funzionare. Ripensando a ciò che è andato storto, si è reso conto che, per quanto buona fosse la tecnologia, non avrebbe prodotto il risultato desiderato se prima non si fosse preso il tempo di capire chi era il cliente finale e come intendeva utilizzare l’applicazione. Ha anche osservato che, pur avendo generalmente la voce più alta, l’alta direzione non è il cliente finale.

“Da allora, mi sono imposto di iniziare sempre con una buona comprensione dell’attività sottostante, che si tratti di vendite o di gestione della catena di approvvigionamento”, spiega. “Una volta acquisita una solida comprensione dei requisiti, mi dedico ai dati e all’intelligenza artificiale”.

Bapat ritiene che questa filosofia debba essere applicata alla gestione della supply chain: “Se si guarda veramente al consumatore finale, l’intelligenza artificiale può aiutare a segmentare i consumatori e il loro ambiente. Poi, quando si procede a ritroso lungo la catena di fornitura, si considerano i diversi costi: lavoro, produzione, tasse, inventario, e li si ottimizza insieme”.’

Una volta che la si è ottimizzata per il flusso, precisa, si può iniziare ad aggiungere la qualità e la manutenzione predittiva. Da lì, si può tornare all’approvvigionamento per la gestione delle forniture.

“Questo sostiene il concetto che i fornitori sono partner, non avversari”, afferma.

Ecco quindi l’annosa questione: le supply chain sono, per loro natura, composte da aziende separate che hanno almeno tre motivi per non condividere i dati. In primo luogo, perché potrebbero avere una linea di business in concorrenza con uno o più dei loro partner. Inoltre, potrebbero far parte di una o più catene di fornitura concorrenti. Infine, tengono per sé le informazioni per rafforzare la propria posizione al tavolo delle trattative.

L’attuale generazione di IA può ottimizzare le catene di approvvigionamento e persino personalizzarle per fornire il prodotto giusto al cliente giusto al prezzo giusto. Tuttavia, ciò richiederebbe un livello di condivisione dei dati per il quale poche aziende sono pronte.

“Mancano tecniche che permettano di condividere una parte delle informazioni con la certezza di non averne cedute troppe”, conclude Bapat. “Perché ciò avvenga, ci vorranno ancora lontani cinque o dieci anni da questo”.