供應鏈執行一系列行動，從產品設計到采購、制造、分銷、交付和客戶服務。思科AI/ML數據產品主管德瓦夫拉特·巴帕特表示：“在每一個點上，都蘊藏著AI和ML的巨大機遇。”這是因為當代AI已經非常擅長供應鏈管理所需的兩件事。第一種是預測，AI被用來預測下游需求或上游短缺。此外，算法可以檢測到他們認為是失敗前兆的一個或多個事件，然后在生產質量下降之前向裝配線操作員發出警告。

第二種是檢查，AI被用來發現制造業中的問題。它還可以用于認證材料和部件，并在整個供應鏈中對它們進行跟蹤。

最終，AI將優化供應鏈，以滿足任何給定情況下的特定客戶需求。使能技術是存在的，但剩下的挑戰是，它需要一定程度的數據共享，這是當今供應鏈中找不到的。與此同時，許多公司繼續從改進的預測和檢查中獲益。

預測

以Amcor為例，它是世界上最大的包裝公司，收入150億美元，員工4.1萬人，在全球擁有200多家工廠。他們的大部分市場是在食品和保健包裝領域。

該公司全球首席信息官喬爾·蘭欽說：“我們為你冰箱里三分之一的產品制造包裝。”Amcor在制造業面臨的一些挑戰與準確預測和適應不斷變化的需求有關。訂單通常會隨著需求的變化而在食品供應鏈領域進行修改。例如，在炎熱的天氣里，人們會喝更多的佳得樂，這可能會造成需求的突然激增，因此對瓶子的需求可能會激增10%到15%。其他類型的產品也是如此。海洋中可能會突然有更多的魚，這就增加了包裝的需求，以容納更多的魚。“即使我們試圖預測，這也是非常困難的，因為我們并不總是提前知道客戶的需求，”蘭欽說。

供應鏈的另一端也面臨著類似的挑戰。如果Amcor不能準確預測短缺，它就不能提前囤積原材料。更重要的是，該公司需要預測價格變化，這樣它才能在漲價前以更低的價格購買更多商品，或者在看起來即將下跌的情況下購買更少商品。

大約一年前，Amcor開始試驗EazyML，這是一個幫助優化客戶需求和供應方預測的平臺。他們使用來自ERP的三年數據對該工具進行了培訓，以尋找波動模式。該系統試圖找到變化的類別，以及哪些事件與不同種類的變化相關。例如，它檢查季節性波動，以及兩種或兩種以上類型的變化是否同時發生，或者它們是否相互排斥。

蘭欽說：“我們獲得的初步結果非常有希望，遠遠超出了我們的預期。”如果你能預測變化，你就能更好地預測你的原材料需求，并在必要時提前補充。

這對巴帕特來說并不令人意外，他說預測是AI顯著改進的一個領域。“過去，許多企業依賴共識預測，不同專家的加權輸入被用來得出平均預測，”他說。“研究表明，使用統計技術從歷史數據中進行推斷的統計預測方法，一貫優于共識方法。機器智能甚至比統計預測做得更好。但訣竅是確保你使用正確的數據。

檢查

AI如何被使用的另一個例子可以在英特爾找到，在那里，幾個芯片使用光刻技術印刷在一個晶片上。離晶片中心最近的那些往往具有最好的功率性能曲線。靠近外環的那些雖然仍然可靠，但性能往往會降低。英特爾有一個質量門檻，根據這個門檻來衡量芯片是應該保留還是應該扔掉。讓人工檢查晶片將是一個耗時且充滿故障的過程。

英特爾高級副總裁兼首席技術官格雷格·拉文德表示：“我們使用AI來選擇合適的高質量芯片，這使我們能夠更快地生產芯片，并以更好的質量將其推向市場。”當然，這并不是我們對AI做的唯一一件事。我有數百名AI軟件工程師向我的企業匯報工作。他們所做的一些事情被用于我們的工廠進行檢查和測試，但有時他們開發的AI是在我們的產品內部交付的，而不一定有人知道。

一個恰當的例子是英特爾如何通過提供測試惡意軟件的軟件工具來幫助他們的OEM客戶。其中一個工具是在英特爾筆記本電腦上運行的英特爾威脅檢測技術。在Windows中執行代碼時，英特爾代碼會檢查CPU中的指令流。使用自適應學習簽名算法，它可以在代碼中查找與惡意軟件簽名匹配的異常。如果找到匹配項，該工具會攔截或阻止惡意軟件，并向Windows Defender發出設備感染的警報。

Lavender說：“威脅檢測技術內置于我們所有的客戶CPU中。”這些感染通過供應鏈悄悄進入--當最終產品組裝在一起時，找到它們的唯一方法就是使用這個工具。在過去的幾年里，我們一直在提供這個和其他AI工具，但現在隨著所有關于大型語言模型的討論，更多的人正在談論它。

根據思科的Bapat的說法，檢查是供應鏈管理的一個重要組成部分，如果在產品設計時采取正確的步驟，檢查就會變得容易得多。他說：“如果在產品設計過程中，在設備中嵌入可以產生數據以幫助監控流量的儀器設備，就可以節省大量成本。”如果你考慮任何產品的材料成本，看看勞動力負擔成本，你會發現它們非常高。負擔基本上是產品質量和監督管理費用。如今，AI已經在幫助將這一成本降至最低。

優化

預測和檢查都很重要，但當供應鏈可以根據特定客戶需求量身定做時，最大的影響將到來。巴帕特從他設計他最好的AI算法之一時學到的重要教訓中吸取了教訓。它花了9個月的時間來開發和部署——最終，它仍然花了令人驚訝的長時間才使其發揮作用。回想一下哪里出了問題，他意識到，如果他不首先花時間了解最終客戶是誰，以及他們計劃如何使用應用程序，無論技術有多好，都不會產生預期的結果。他還指出，雖然他們的聲音通常最大，但高級管理層并不是最終客戶。

他說：“從那時起，我一直強調，無論是涉及銷售還是供應鏈管理，我總是從很好地理解基礎業務開始。”“一旦我對這一要求有了扎實的理解，我就會回到數據和AI領域。”

巴帕特認為這一理念應該應用到供應鏈管理中：“如果你真的關注最終消費者，AI可以通過細分和瞄準消費者及其環境來提供幫助。然后，當你通過供應鏈的方式重新工作時，看看不同的成本：勞動力、生產、稅收、庫存，并一起優化它們。

他補充說，一旦供應鏈針對流程進行了優化，你就可以開始安裝和執行預測質量和維護。從那時起，你就可以回到供應管理的采購領域。

他表示：“這支持了供應商是合作伙伴、而不是對手的觀點。”

因此，這是一個由來已久的挑戰，即供應鏈本質上是由至少三個不共享數據的獨立公司組成的。首先，他們可能有一個與一個或多個其他合作伙伴競爭的業務線。其次，它們可能是一個或多個相互競爭的供應鏈的一部分。第三，他們把信息藏在心里，以加強自己在談判桌上的實力。

當前一代的AI可以優化供應鏈-甚至可以量身定做，以合適的價格將合適的產品提供給合適的客戶。然而，這樣做將需要一定程度的數據共享，而很少有公司做好了準備。

巴帕特說：“缺少的是一些技術，這些技術允許企業充分自信地分享他們的部分數據，而他們沒有透露太多。”“我們還需要5到10年的時間才能實現這一目標。”