AI dalam Rantai Pasokan:Enam Hambatan untuk Melihat Hasil
Kecerdasan buatan memiliki potensi untuk secara radikal mengubah hampir semua hal menjadi lebih baik. Dampaknya mungkin cocok dengan listrik dan teknologi tujuan umum lainnya yang telah memperkaya kehidupan kita. Tanda-tanda awal dampaknya sudah muncul dalam uji kasus dengan kendaraan otonom, termasuk kapal dan pesawat, dan manfaatnya jauh melampaui pengurangan tenaga kerja.
Misalnya, dengan hingga 90 persen kecelakaan pelayaran yang disebabkan oleh kesalahan manusia, AI dapat mengurangi kasus tersebut secara signifikan. Diaktifkan oleh komunikasi kendaraan-ke-kendaraan, kendaraan dapat berbagi data penting seperti posisi, kecepatan, dan arah. Informasi tersebut dapat digunakan untuk memperingatkan pengemudi dan sistem otonom terhadap kemungkinan ancaman dan tabrakan, bahkan yang tidak terlihat. Ini juga dapat memperingatkan pengemudi tentang kendaraan yang kurang terlihat di jalan, seperti sepeda motor dan sepeda. V2V, dikombinasikan dengan AI, dapat mengurangi tabrakan dan kemacetan dengan secara proaktif memperingatkan pengemudi, pilot, dan kapten untuk mengantisipasi masalah dan tabrakan dengan kendaraan lain, serta bahaya lalu lintas lainnya.
Keunggulan AI dalam hal produktivitas, inovasi, dan pertumbuhan ekonomi global juga tak kalah signifikan. McKinsey &Company memperkirakan bahwa adopsi AI “memiliki potensi untuk memberikan aktivitas ekonomi global tambahan sekitar $13 triliun pada tahun 2030, atau sekitar 16 persen lebih tinggi kumulatif PDB dibandingkan dengan hari ini. Ini berarti 1,2 persen pertumbuhan PDB tambahan per tahun.” Perkiraan PwC bahkan lebih tinggi, melebihi $15 triliun.
Mengingat potensi ini, mudah untuk terbawa oleh AI dan mengabaikan masalah utama yang dihadapi perusahaan dalam mengadopsi dan menggunakannya secara efektif. Berikut adalah beberapa tantangan dan solusi yang mungkin.
Kurangnya data yang besar dan bersih. Semua proses komputasi membutuhkan data yang baik, dan kecerdasan buatan tidak terkecuali. Pembelajaran mesin (ML) khususnya membutuhkan volume besar data akurat untuk melatih algoritme dan mengembangkan model prediktif. Namun, sebagian besar perusahaan tidak memiliki kualitas maupun kuantitas data untuk mencapai hal ini.
Perusahaan perlu meningkatkan kualitas data mereka melalui manajemen data induk yang efektif, dan dengan memasukkan data waktu nyata ke dalam proses dan sistem sebanyak mungkin. Jaringan bisnis digital multi-pihak real-time mempertahankan “satu versi kebenaran” sambil terus menyinkronkan sistem eksternal, memastikan bahwa perusahaan menjalankan informasi yang paling lengkap dan terkini.
Organisasi juga harus mempertimbangkan untuk menggunakan solusi dengan algoritme berbasis ML yang telah dilatih sebelumnya yang memanfaatkan data dalam jumlah besar dari skenario dan perusahaan serupa. Karena volume transaksi yang besar, jaringan bisnis digital dapat dengan cepat mengasah algoritme yang terlatih dengan baik dan agen cerdas yang dapat dimanfaatkan oleh anggota baru jaringan.
AI yang terkotak-kotak adalah AI yang tidak cerdas. Rantai pasokan secara inheren lintas fungsi dan lintas perusahaan, dan data yang dibutuhkan untuk mengoperasikannya tersebar di antara mitra internal dan eksternal. Perusahaan yang mencoba menerapkan AI dengan cara yang terfragmentasi, sambil mengabaikan gambaran besarnya, akan mendapatkan hasil yang buruk. Tanpa akses ke semua data yang relevan, algoritme akan terus memiliki titik buta dan kehilangan peluang untuk pengoptimalan dan eksekusi.
Perusahaan harus berusaha untuk memasukkan sebanyak mungkin sistem, operasi, dan mitra dagang yang relevan untuk memperkuat akurasi, konteks, dan kelengkapan data. Tujuannya adalah untuk menghubungkan seluruh rantai pasokan ke jaringan waktu nyata, dari sumber hingga pelanggan akhir. Hanya solusi di seluruh rantai pasokan yang dapat sepenuhnya mengoptimalkan operasi penting seperti tingkat inventaris dan manajemen logistik, dengan memantau gambaran lengkap tentang permintaan dan pasokan.
Kotak hitam versus AI yang dapat dijelaskan. Teknik ML tertentu, seperti kartu skor dan pohon keputusan, mudah dipahami. Tetapi jaringan saraf lebih kompleks dan misterius. Haruskah kita bertindak berdasarkan data ini, atau mengizinkan sistem untuk bertindak secara mandiri jika kita tidak tahu bagaimana data tersebut sampai pada keputusan seperti itu?
Eksperimen Amazon dalam menggunakan AI untuk merekrut talenta menjadi serba salah ketika para peneliti memperhatikan bahwa sistem tersebut memiliki bias yang kuat untuk mempekerjakan laki-laki. Ini karena algoritme telah dilatih pada data yang didominasi laki-laki. AI akibatnya menurunkan peringkat kandidat dari dua perguruan tinggi wanita, dan membuat keputusan lain yang tidak pantas berdasarkan gender.
AI harus transparan dalam masukan, proses, dan keputusannya. Perusahaan perlu mengetahui, paling tidak dalam istilah esensial, bagaimana algoritma bekerja, bagaimana mereka sampai pada keputusan, dan bagaimana mereka menciptakan dan mendistribusikan nilai. Idealnya, sistem harus membuat alasan di balik keputusan secara eksplisit, memungkinkan pengguna untuk melihat, menyetujui, dan mengesampingkan keputusan agen otonom. Perusahaan juga harus dapat menyesuaikan algoritme untuk memenuhi kebutuhan khusus mereka.
Pengoptimalan picik. Setiap proses dan perubahan membawa biaya. Ketika tidak diperhitungkan dalam pengambilan keputusan, hasilnya terkadang bisa lebih buruk daripada jika tidak ada yang dilakukan sama sekali. Dalam rantai pasokan, yang terdiri dari banyak mitra dan sistem, mudah untuk melupakan konsekuensi jangka panjang dari suatu tindakan. Banyak solusi jatuh ke dalam perangkap ini dengan merencanakan ulang seluruh rantai pasokan, menciptakan "kegugupan" dalam sistem dan menimbulkan perubahan besar dan tidak perlu dan biaya ketika perubahan kecil atau lebih lokal akan cukup.
Untuk menghindari masalah ini, optimasi harus terus-menerus daripada sesekali, dan harus dibatasi untuk memengaruhi entitas sesedikit mungkin untuk meminimalkan gangguan pada jaringan. Seperti halnya pesawat terbang dengan autopilot, penyesuaian kecil yang terus-menerus terhadap arah dapat mengimbangi pergeseran kondisi, sekaligus menjaga pesawat tetap pada jalurnya. Alternatifnya adalah membuat satu rute ulang besar ketika pesawat keluar jalur mendekati akhir perjalanannya. Penyesuaian berkelanjutan ini menambahkan hingga peningkatan besar tanpa menyebabkan gelombang kejut yang menggelegar di seluruh rantai pasokan Anda.
Vendor AI yang terlalu antusias. Banyak vendor perangkat lunak telah mengikuti kereta musik AI. Dalam arti tertentu, ini dapat dimengerti, mengingat ketidakjelasan definisinya dan domainnya yang tidak jelas dan luas. "Pembelajaran mesin" adalah istilah yang lebih terdefinisi dengan baik, dan sering kali merupakan maksud orang ketika mereka menggunakan istilah "kecerdasan buatan."
Namun demikian, vendor perlu menjelaskan dengan jelas apa yang mereka maksud ketika mereka menggunakan istilah seperti "kecerdasan buatan", "pembelajaran mesin", "jaringan saraf", "pembelajaran mendalam", dan sejenisnya. Yang terpenting, mereka perlu menunjukkan bagaimana AI mereka memberikan lebih banyak nilai bisnis daripada algoritme heuristik tradisional. Bagaimana cara kerjanya? Apakah itu menjangkau sistem dan perusahaan untuk merangkul seluruh jaringan dan semua kondisi dan kendalanya? Atau terbatas pada beberapa fungsi atau domain? Siapa yang menggunakannya, dan hasil apa yang telah mereka capai?
Kesenjangan keterampilan AI. Banyak perusahaan yang terjebak oleh evolusi yang cepat dan kelangsungan hidup AI yang terus meningkat. Ini karena AI membutuhkan keterampilan modern yang dapat melibatkan bahasa, kerangka kerja, dan cara berpikir baru. Hanya sedikit perusahaan yang diperlengkapi untuk menangani transisi dan sepenuhnya memanfaatkan bidang yang berkembang pesat ini. Sebuah survei 2018 oleh O'Reilly menunjukkan bahwa kesenjangan keterampilan AI adalah penghalang terbesar untuk adopsi AI.
Dalam jangka panjang, pasar akan mengatasi defisit keterampilan, tetapi sampai saat itu, perusahaan harus mulai mengidentifikasi kebutuhan mereka dan calon karyawan baru. Mereka juga harus mempertimbangkan untuk melatih karyawan yang ada, dan menawarkan insentif serta jalur karier baru untuk mendukung peralihan ke teknologi ML dan AI.
Pilihan lainnya adalah bermitra dengan perusahaan teknologi yang memiliki jaringan, sumber daya, dan keahlian untuk memberi saran, menerapkan, dan memelihara solusi AI atau platform yang mendukung AI. Yang terakhir memungkinkan perusahaan untuk memulai, dan mulai menyadari keuntungan, jauh lebih cepat.
Nigel Duckworth adalah ahli strategi senior di One Network Enterprises, penyedia jaringan bisnis yang mendukung AI.
