AI di Rantai Pasok: Mengatasi Enam Hambatan Kunci untuk Hasil Nyata

Kecerdasan buatan memiliki potensi untuk secara radikal mengubah hampir semuanya untuk lebih baik. Dampaknya kemungkinan akan cocok dengan listrik dan teknologi tujuan umum lainnya yang telah melengkapi kehidupan kita. Tanda awal dampaknya sudah muncul dalam studi kasus dengan kendaraan otonom, termasuk kapal dan pesawat, dan manfaatnya jauh melampaui pengurangan tenaga kerja.

Misalnya, dengan hingga 90 persen kecelakaan laut diyakibatkan oleh kesalahan manusia, AI dapat mengurangi kasus semacam itu secara signifikan. Didukung 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 tentang ancaman dan tabrakan yang mungkin terjadi, bahkan yang tidak terlihat. Ini juga dapat memperingatkan pengemudi tentang kendaraan yang kurang terlihat di jalan, seperti sepeda motor dan sepeda. V2V, bersama dengan AI, dapat mengurangi tabrakan dan kemacetan dengan secara proaktif memperingatkan pengemudi, pilot, dan kapten tentang masalah dan tabrakan yang diantisipasi dengan kendaraan lain, serta bahaya lalu lintas lainnya.

Keuntungan AI dalam hal produktivitas, inovasi, dan pertumbuhan ekonomi global sama signifikan. McKinsey & Company mengestimasi bahwa adopsi AI "memiliki potensi untuk memberikan aktivitas ekonomi global tambahan sekitar $13 triliun pada tahun 2030, atau sekitar 16 persen lebih tinggi kumulatif GDP dibandingkan saat ini. Ini berarti pertumbuhan GDP tambahan 1,2 persen per tahun." Estimasi PwC bahkan lebih tinggi, melebihi $15 triliun.

Mengingat potensi ini, mudah terpancung dengan AI dan mengabaikan masalah besar yang dihadapi perusahaan dalam mengadopsi dan menggunakannya secara efektif. Berikut adalah beberapa tantangan dan solusi yang mungkin.

Kurangnya data besar dan bersih. Semua proses komputasi membutuhkan data yang baik, dan kecerdasan buatan tidak merupakan pengecualian. Pembelajaran mesin (ML) khususnya membutuhkan volume data yang akurat untuk melatih algoritma dan mengembangkan model prediktif. Namun, sebagian besar perusahaan tidak memiliki kualitas atau kuantitas data untuk mencapai ini.

Perusahaan perlu meningkatkan kualitas data mereka melalui manajemen data master yang efektif, dan dengan menyatukan data real-time ke dalam proses dan sistem sebanyak mungkin. Jaringan bisnis digital multi-pihak real-time mempertahankan "satu versi kebenaran" sambil terus menyinkronkan sistem eksternal, memastikan perusahaan beroperasi dengan informasi yang paling lengkap dan terbaru yang mungkin.

Organisasi juga harus mempertimbangkan untuk menggunakan solusi dengan algoritma ML yang telah dilatih sebelumnya yang menarik volume data besar dari skenario dan perusahaan yang serupa. Karena volume transaksi yang besar, jaringan bisnis digital dapat dengan cepat mengasah algoritma dan agen cerdas yang terlatih yang anggota baru jaringan dapat memanfaatkan.

AI yang terkompartemen adalah AI yang tidak cerdas. Rantai pasok secara inherent lintas fungsi dan lintas perusahaan, dan data yang diperlukan untuk mengoperasikannya terserak di antara mitra internal dan eksternal. Perusahaan yang mencoba menerapkan AI secara terpenggal, sambil mengabaikan gambaran besar, akan mendapatkan hasil buruk. Tanpa akses ke semua data yang relevan, algoritma akan terus memiliki titik blind dan melewatkan kesempatan untuk optimasi dan eksekusi.

Perusahaan harus mencoba untuk menyertakan sebanyak mungkin sistem, operasi, dan mitra dagang yang relevan untuk memperkuat akurasi, konteks, dan kelengkapan data. Tujuannya harus untuk menghubungkan seluruh rantai pasok ke jaringan real-time, dari sumber ke pelanggan akhir. Hanya solusi yang mencakup seluruh rantai pasok yang dapat sepenuhnya mengoptimalkan operasi penting seperti tingkat inventaris dan manajemen logistik, dengan memantau gambaran penuh permintaan dan pasokan.

Black box versus AI yang dapat dijelaskan. Beberapa teknik ML, seperti kartu skor dan pohon keputusan, mudah dipahami. Namun jaringan saraf lebih kompleks dan misterius. Apakah kita harus bertindak berdasarkan data ini, atau membiarkan sistem bertindak secara otonom jika kita tidak tahu bagaimana ia sampai pada keputusan tersebut?

Eksperimen Amazon dalam menggunakan AI untuk merekrut talenta berakhir buruk ketika peneliti memperhatikan bahwa sistem memiliki bias yang kuat untuk merekrut pria. Ini karena algoritma telah dilatih dengan data yang terutama pria. Akibatnya AI menurunkan calon dari dua perguruan tinggi perempuan, dan membuat keputusan tidak tepat lainnya berdasarkan jenis kelamin saja.

AI perlu transparan dalam input, proses, dan keputusannya. Perusahaan perlu mengetahui, setidaknya dalam istilah penting, bagaimana algoritma bekerja, bagaimana ia sampai pada keputusan, dan bagaimana ia menciptakan serta mendistribusikan nilai. Idealnya, sistem harus membuat alasan di balik keputusan eksplisit, memungkinkan pengguna untuk melihat, menyetujui dan mengganti keputusan agen otonom. Perusahaan juga harus dapat menyesuaikan algoritma untuk memenuhi kebutuhan spesifik mereka.

Optimisasi pendek pendek. Setiap proses dan perubahan membawa biaya. Ketika tidak diperhitungkan dalam pengambilan keputusan, hasilnya terkadang bisa lebih buruk daripada jika tidak melakukan apa pun. Dalam rantai pasok, yang terdiri dari banyak mitra dan sistem, mudah untuk kehilangan pengawasan terhadap konsekuensi jangka panjang dari suatu tindakan. Banyak solusi jatuh ke jebakan ini dengan merencanakan ulang seluruh rantai pasok, menciptakan "keguncangan" dalam sistem dan menimbulkan perubahan serta biaya besar dan tidak perlu ketika perubahan kecil atau lebih lokal sudah cukup.

Untuk menghindari masalah ini, optimisasi harus berkelanjutan daripada sesekali, dan harus terbatas untuk mempengaruhi sejumlah entitas yang mungkin paling sedikit untuk meminimalkan gangguan pada jaringan. Seperti kasus pesawat pada autopilot, penyesuaian kecil berkelanjutan pada arah dapat mengkompensasi perubahan kondisi, sambil menjaga pesawat tetap tepat di jalur. Alternatifnya adalah melakukan satu pengalihan rute besar ketika pesawat jauh dari jalur di akhir perjalanannya. Penyesuaian berkelanjutan ini bertambah menjadi perbaikan besar tanpa menyebabkan getaran hebat di seluruh rantai pasok Anda.

Vendor AI yang terlalu antusias. Banyak vendor perangkat lunak telah melompat ke bandwagon AI. Dalam segi ini, ini dapat dipahami, mengingat definisi yang samar dan domain yang tidak terdefinikan dan luas. "Pembelajaran mesin" adalah istilah yang lebih terdefinikan, dan seringkali yang dimaksud orang ketika mereka menggunakan istilah "kecerdasan buatan."

Namun, vendor perlu menjelaskan dengan jelas apa yang dimaksudkannya ketika mereka menggunakan istilah seperti "kecerdasan buatan," "pembelajaran mesin," "jaringan saraf," "pembelajaran dalam," dan sebagainya. Yang terpenting, mereka perlu menunjukkan bagaimana AI mereka memberikan lebih banyak nilai bisnis daripada algoritma heuristik tradisional. Bagaimana caranya bekerja? Apakah itu melintasi sistem dan perusahaan untuk merangkumi seluruh jaringan dan semua kondisi serta batasannya? Apakah itu terbatas pada beberapa fungsi atau domain? Siapa yang menggunakannya, dan apa hasil yang telah mereka capai?

Kesenjakan keterampilan AI. Banyak perusahaan ditangkap tidak siap oleh evolusi yang cepat dan kelayakan yang meningkat dari AI. Ini karena AI memerlukan keterampilan modern yang dapat melibatkan bahasa, kerangka kerja, dan cara berpikir yang baru. Sedikit perusahaan yang siap untuk menangani transisi dan sepenuhnya mengeksploitasi bidang yang berkembang cepat ini. Survei O'Reilly tahun 2018 mengusulkan bahwa kesenjakan keterampilan AI adalah hambatan terbesar bagi adopsi AI.

Di jangka panjang, pasar akan mengatasi deficit keterampilan, tetapi sampai saat itu, perusahaan harus mulai mengidentifikasi kebutuhan mereka dan potensi karyawan baru. Mereka juga harus mempertimbangkan pelatihan karyawan yang ada, dan menawarkan insentif serta jalur karir baru untuk mendukung peralihan ke teknologi ML dan AI.

Opsi lain adalah bekerjasama dengan perusahaan teknologi yang memiliki jaringan, sumber daya, dan keahlian untuk menasihati, menerapkan, dan memelihara solusi AI atau platform yang didukung AI. Yang terakhir memungkinkan perusahaan untuk memulai, dan mulai meraih keuntungan, dengan jauh lebih cepat.

Nigel Duckworth adalah senior strategist di One Network Enterprises, penyedia jaringan bisnis yang didukung AI.