サプライチェーンにおけるAI：結果を確認するための6つの障壁

人工知能は、ほぼすべてのものを根本的に改善する可能性を秘めています。その影響は、私たちの生活を豊かにしてきた電気やその他の汎用技術の影響と一致する可能性があります。その影響の初期の兆候は、船や飛行機などの自動運転車のテストケースですでに現れており、そのメリットは人員の削減をはるかに超えています。

たとえば、人為的ミスに起因する船乗り事故の最大90％で、AIはそのようなケースを大幅に減らすことができます。車車間通信により、車は位置、速度、進行方向などの重要なデータを共有できます。この情報を使用して、ドライバーや自律システムに、見えない場所であっても、起こりうる脅威や衝突を警告することができます。また、オートバイや自転車など、道路上で目立たない車両についてドライバーに警告することもできます。 V2VをAIと組み合わせると、ドライバー、パイロット、キャプテンに、予想される問題や他の車両との衝突、および他の交通事故について積極的に警告することで、衝突や渋滞を減らすことができます。

生産性、イノベーション、世界経済成長の観点から見たAIの利点も同様に重要です。 McKinsey＆Companyは、AIの採用により、「2030年までに約13兆ドル、つまり現在と比較して累積GDPが約16％高い追加の世界経済活動を実現できる可能性がある」と推定しています。これは、年間1.2％の追加GDP成長に相当します。」 PwCの見積もりはさらに高く、15兆ドルを超えています。

この可能性を考えると、AIに夢中になり、企業がAIを採用して効果的に使用する際に直面する主要な問題を無視するのは簡単です。ここにいくつかの課題と可能な解決策があります。

大きくてクリーンなデータの欠如。 すべての計算プロセスには優れたデータが必要であり、人工知能も例外ではありません。特に機械学習（ML）は、アルゴリズムをトレーニングして予測モデルを開発するために、大量の正確なデータを必要とします。ただし、ほとんどの企業には、これを実現するためのデータの質も量もありません。

企業は、効果的なマスターデータ管理を通じて、またリアルタイムデータをプロセスとシステムに可能な限り組み込むことによって、データの品質を向上させる必要があります。リアルタイムのマルチパーティデジタルビジネスネットワークは、外部システムを継続的に同期しながら「真実の単一バージョン」を維持し、企業が可能な限り最も完全で最新の情報を実行できるようにします。

組織は、同様のシナリオや企業からの大量のデータを利用する、事前にトレーニングされたMLベースのアルゴリズムを備えたソリューションの使用も検討する必要があります。大量のトランザクションがあるため、デジタルビジネスネットワークは、ネットワークの新しいメンバーが活用できる、十分に訓練されたアルゴリズムとインテリジェントエージェントをすばやく磨くことができます。

コンパートメント化されたAIはインテリジェントでないAIです。 サプライチェーンは本質的に部門の枠を超えて企業を超えており、それらを運用するために必要なデータは社内外のパートナーに分散しています。全体像を無視しながら、断片化された方法でAIを実装しようとする企業は、悪い結果を得るでしょう。関連するすべてのデータにアクセスできない場合、アルゴリズムには引き続き死角があり、最適化と実行の機会を逃します。

企業は、データの正確性、コンテキスト、および完全性を強化するために、可能な限り多くの関連するシステム、運用、および取引パートナーを含めるように努める必要があります。目標は、ソースからエンドカスタマーまで、サプライチェーン全体をリアルタイムネットワークに接続することです。需要と供給の全体像を監視することにより、在庫レベルやロジスティクス管理などの重要な運用を完全に最適化できるのは、サプライチェーン全体のソリューションだけです。

ブラックボックスと説明可能なAI。 スコアカードや決定木などの特定のML手法は、理解しやすいものです。しかし、ニューラルネットワークはもっと複雑で神秘的です。このデータに基づいて行動する必要がありますか、それとも、そのような決定にどのように到達したかわからない場合は、システムが自律的に行​​動できるようにする必要がありますか？

AIを使用して人材を採用するというアマゾンの実験は、システムが男性を採用することに強い偏見を持っていることに研究者が気付いたときに失敗しました。これは、主に男性のデータでアルゴリズムがトレーニングされたためです。その結果、AIは2つの女子大学の候補者を格下げし、純粋に性別に基づいて他の不適切な決定を下しました。

AIは、入力、プロセス、および決定において透過的である必要があります。企業は、少なくとも本質的な観点から、アルゴリズムがどのように機能するか、どのように意思決定に到達するか、そしてどのように価値を創造し分配するかを知る必要があります。理想的には、システムは決定の背後にある理由を明確にし、ユーザーが自律エージェントの決定を表示、承認、およびオーバーライドできるようにする必要があります。企業はまた、特定のニーズを満たすためにアルゴリズムを適応させることができるはずです。

近視眼的な最適化。 すべてのプロセスと変更にはコストがかかります。意思決定に考慮されていない場合、何もしなかった場合よりも結果が悪化することがあります。多くのパートナーとシステムで構成されるサプライチェーンでは、行動の長期的な結果を見失うことは簡単です。多くのソリューションは、サプライチェーン全体を再計画し、システムに「神経質」を生み出し、小規模またはそれ以上のローカルな変更で十分な場合に、大規模で不要な変更とコストを発生させることで、この罠に陥ります。

この問題を回避するには、最適化を不定期ではなく継続的に行う必要があり、ネットワークの中断を最小限に抑えるために、可能な限り少数のエンティティに影響を与えるように制限する必要があります。オートパイロットの航空機の場合と同様に、方向を継続的に微調整することで、飛行機を正確にコース上に保ちながら、状態の変化を補正できます。別の方法は、飛行機がその旅の終わり近くで軌道から外れたときに、単一の主要な再ルーティングを行うことです。これらの継続的な調整により、サプライチェーン全体に不快な衝撃波を発生させることなく、大幅な改善が実現します。

熱狂的なAIベンダー。 多くのソフトウェアベンダーがAIの時流に乗っています。ある意味で、これは、その定義のあいまいさと、その定義が不十分で広大なドメインを考えると、理解できます。 「機械学習」はより明確な用語であり、「人工知能」という用語を使用するときに人々が意味することがよくあります。

それでも、ベンダーは、「人工知能」、「機械学習」、「ニューラルネットワーク」、「ディープラーニング」などの用語を使用する場合、その意味を明確に説明する必要があります。最も重要なことは、AIが従来のヒューリスティックアルゴリズムよりも多くのビジネス価値をどのように提供するかを示す必要があります。それはどのように機能しますか？ネットワーク全体とそのすべての条件および制約を受け入れることは、システムと企業にまたがっていますか？それとも、いくつかの機能やドメインに限定されていますか？誰がそれを使用し、どのような結果を達成しましたか？

AIスキルのギャップ。 多くの企業は、AIの急速な進化と実行可能性の高まりに悩まされています。これは、AIには、新しい言語、フレームワーク、考え方を含むことができる最新のスキルが必要なためです。移行を処理し、この急速に発展している分野を十分に活用できる企業はほとんどありません。 O’Reillyによる2018年の調査では、AIスキルのギャップがAI採用の最大の障壁であることが示唆されています。

長期的には、市場はスキルの不足に対処しますが、それまでは、企業はニーズと潜在的な新入社員を特定し始める必要があります。また、既存の従業員をトレーニングし、MLおよびAIテクノロジーへの移行をサポートするためのインセンティブと新しいキャリアパスを提供することも検討する必要があります。

もう1つのオプションは、AIソリューションまたはAI対応プラットフォームのアドバイス、実装、および保守を行うためのネットワーク、リソース、および専門知識を備えたテクノロジー企業と提携することです。後者は、企業がより迅速に開始し、利益を実現し始めることを可能にします。

Nigel Duckworthは、AI対応のビジネスネットワークのプロバイダーであるOne NetworkEnterprisesのシニアストラテジストです。