A cura di Polly Mitchell-Guthrie
La volta che ho avuto più paura in auto nella mia vita è stata una sera in estate mentre guidavo tra le montagne della Carolina del Nord, di ritorno da un’escursione più lunga del previsto. La Blue Ridge Parkway è solitamente un percorso magico tra le nuvole, ma si è trasformata in un’esperienza terrificante quando è calata la nebbia al crepuscolo, con conseguente riduzione della visibilità a soli tre metri. Davanti a me c’erano due possibilità: accelerare per uscire dalla nebbia il prima possibile oppure rallentare per evitare di sbandare e finire in un precipizio a sinistra o in un fosso a destra. Ci è voluta la massima concentrazione, nonché una presa salda sul volante, per uscire dalla nebbia sani e salvi. I CSCO hanno problemi simili quando si trovano a navigare nella fitta nebbia digitale che circonda l’intelligenza artificiale all’interno della supply chain. Pertanto, propongo cinque principi per orientarsi.
Allo stesso modo, l’arrivo di ChatGPT alla fine di novembre 2022 ha trasformato un viaggio in macchina tra le nuvole in una fitta nebbia. Le richieste di procedere più rapidamente sono numerose. Secondo uno studio condotto dall’IBM Institute for Business Value, il 66% degli amministratori delegati si sente sotto pressione da parte del proprio consiglio di amministrazione per accelerare l’adozione dell’intelligenza artificiale. Secondo uno studio di Workday per i decision-maker, l’80% ritiene che l’intelligenza artificiale sia fondamentale per restare competitivi e pertanto, il 94% sta investendo nell’intelligenza artificiale.
La pressione è aumentata dal fatto che la produttività delle aziende che adottano la tecnologia cresce del 40% in più rispetto a quella delle aziende che non lo fanno. Tuttavia, questa opportunità comporta anche dei rischi. Secondo BCG, fino al 70% delle trasformazioni digitali non va a buon fine, quindi non c’è da stupirsi che alcuni abbiamo paura di intraprendere tale trasformazione. Inoltre, la scarsa visibilità nella nebbia di tutto il clamore che circonda una tecnologia complessa e in rapida evoluzione contribuisce ad aumentare la pressione e i rischi. E quando le capacità dell’intelligenza artificiale appaiono più simili a quelle degli esseri umani, le emozioni si fanno più forti. In privato, i leader ammettono di essere turbati e confusi, in quanto non capiscono le capacità dell’intelligenza artificiale e non sanno come orientarsi nella nebbia. L’impulso a procedere con cautela è comprensibile.
Definizione dell’intelligenza artificiale all’interno della supply chain
Una definizione rappresenta il primo passo per dissipare la nebbia digitale. L’intelligenza artificiale è la scienza che si occupa di far sì che i computer imitino l’intelligenza umana per risolvere problemi. Questa scienza include numerose discipline il cui scopo è quello di migliorare la velocità, la precisione e l’eleganza del processo decisionale, individuando schemi all’interno di enormi volumi di dati. Alcuni esempi di queste discipline sono il machine learning (incluso il deep learning), l’ottimizzazione, gli algoritmi genetici, l’automazione dei processi robotici, l’intelligenza artificiale generativa e la gestione delle decisioni. Che cosa può fare questa scienza? L’intelligenza artificiale può generare raccomandazioni, prevedere e portare alla luce intuizioni, offrire velocità e scalabilità, automatizzare processi e aumentare la produttività, tutte capacità che possono essere applicate nelle supply chain. Una definizione è un punto di partenza, ma abbiamo bisogno anche di linee guida. Pertanto, di seguito sono riportati cinque principi per avere successo con l’intelligenza artificiale all’interno della supply chain.
Primo principio: l’intelligenza artificiale deve fornire supporto agli esseri umani e migliorarne le prestazioni, non sostituirli
I limiti in termini di capacità che l’intelligenza artificiale continua a superare sono davvero stupefacenti: dalla produzione di materiali creativi per scopi di marketing a complesse ricerche legali, fino a canzoni, dipinti e molto altro. Si tratta di cose semplicemente incredibili, che sono rese possibili dalla capacità di elaborare i dati e di apprendere da schemi che vanno ben oltre le capacità cognitive degli esseri umani. Grazie a questi risultati, è facile dimenticare quello che le macchine non sono in grado di fornire, ovvero ciò che io chiamo le 3 C: contesto, collaborazione e coscienza. I modelli non sono in grado di dedurre alcun significato in base al contesto, sebbene il significato sia di vitale importanza in molte aree, come quello che Kevin O’Marah, leader del pensiero Zero100, ha definito “machine whispering”. Inoltre, le macchine non sono in grado di lavorare insieme per risolvere i problemi, ad esempio, non riescono ad affrontare questioni come la sostenibilità o i diritti umani nelle supply chain.
Questa complementarità è il motivo per cui l’intelligenza artificiale deve fornire supporto agli esseri umani e migliorarne le prestazioni, non sostituirli. La combinazione più potente è che gli esseri umani e l’intelligenza artificiale lavorino insieme, come dimostrato da un sondaggio di Workday per i decision-maker, in cui il 93% dei partecipanti è convinto che sia importante coinvolgere gli esseri umani nel processo decisionale quando l’intelligenza artificiale prende decisioni importanti.
Secondo principio: la fusione esperta di intelligenza artificiale, euristica e ottimizzazione è di vitale importanza
L’intelligenza artificiale può anche modellare i problemi su scala al fine di generare raccomandazioni più precise, come previsioni più accurate relative alla domanda o previsioni migliori relative alla puntualità delle consegne. La precisione è anche un vantaggio dell’ottimizzazione, un campo dell’IA conosciuto da molti operatori delle supply chain per la sua capacità di fare il miglior uso delle risorse all’interno di vincoli per ottenere una soluzione ottimale con un obiettivo specifico, come la minimizzazione dei costi. Ma qui la scala può creare difficoltà: l’ottimizzazione di una rete di approvvigionamento può coinvolgere 200 milioni di variabili interdipendenti, il che può causare rallentamenti di diverse ore al processo di ottimizzazione, anche quando tale processo è gestito dagli esperti più veloci. Alcuni optano, invece, per l’euristica, un modello di risoluzione dei problemi che utilizza una soluzione pratica, nota anche come best practice, al fine di generare un piano d’azione rapido e fattibile, adeguato per la situazione.
I vari modelli matematici sono quindi in grado di offrire velocità, precisione ed eleganza, ma con alcuni compromessi. Tuttavia, la matematica più moderna e più sofisticata non è necessariamente la soluzione migliore, indipendentemente da quello che si sente dire nella nebbia. L’intelligenza artificiale generativa non è l’approccio giusto per la maggior parte dei problemi che incontriamo più comunemente all’interno della supply chain, per i quali l’euristica offre un’agilità impareggiabile. Il deep learning ha applicazioni altamente specializzate, che sono perfette per il problema “specifico”, ma non per la maggior parte dei problemi, soprattutto a causa della maggiore complessità.
La fusione di vari metodi, come il machine learning e l’euristica, può migliorare un modello di ottimizzazione e consentirne una risoluzione più rapida, combinando in modo creativo i punti di forza di ciascun approccio al fine di raggiungere un equilibrio tra velocità, precisione ed eleganza. È importante tenere le mani saldamente sul volante quando si guida con la nebbia ed è altrettanto importante ricordarsi che la soluzione più elegante è sempre quella che utilizza il modello giusto per il problema giusto al momento giusto, né più né meno.
Terzo principio: la concorrenza amplificata dall’intelligenza artificiale rappresenta una svolta nella gestione delle supply chain
Le supply chain collegano molte funzioni all’interno di un’azienda e non solo. Pertanto, ottimizzando una funzione non si ottimizza l’intera catena. Ad esempio, l’intelligenza artificiale può aumentare in modo significativo l’accuratezza delle previsioni, ma noi non ci accontentiamo di silos altamente efficienti. Come sostengono tre economisti canadesi, “l’intelligenza artificiale può essere usata per eliminare l’incertezza, ma a meno che ciò non si traduca in decisioni allineate lungo tutto il percorso, il problema fondamentale, ovvero che la domanda deve essere allineata all’offerta, non è stato realmente risolto”. Come il movimento di una frusta, la soluzione avrà ripercussioni in futuro”. Il potere dell’intelligenza artificiale da solo non basta.
La vera svolta non proviene dall’intelligenza artificiale, ma dalla concorrenza, che integra l’intelligenza artificiale nel flusso di lavoro al fine di allineare il processo decisionale lungo tutta la supply chain in modo da velocizzare la risposta. Vogliamo l’IA per la sua capacità di prevedere con maggiore precisione, velocità ed eleganza, e abbiamo bisogno di simultaneità per collegare le catene di fornitura per una risposta migliore e più rapida, indipendentemente dalle condizioni. Perché l’intelligenza artificiale incorporata nella concorrenza trae vantaggio dalle previsioni assorbendo l’imprevedibile volatilità derivante dalle inevitabili interruzioni che interesseranno le nostre supply chain.
Quarto principio: il potere dell’intelligenza artificiale deve essere democratizzato
Per far sì che realizzi appieno il proprio potenziale, l’intelligenza artificiale deve svincolarsi dal laboratorio degli scienziati dei dati. Avremo sempre bisogno di esperti per esplorare nuovi modi per applicare l’intelligenza artificiale. Tuttavia, consentendo a chi lavora nella supply chain di usare l’intelligenza artificiale in modo autonomo, si estenderà la portata dell’intelligenza artificiale. Pertanto, le migliori soluzioni richiedono soltanto la comprensione dei dati aziendali e del business, non competenze tecniche in materia di intelligenza artificiale o scienza dei dati.
Quindi, anche se il sondaggio di Workday ha rilevato che il 72% dei leader ritiene che le proprie organizzazioni non abbiano le competenze necessarie per la piena implementazione dell’intelligenza artificiale, l’applicazione dell’intelligenza artificiale non deve necessariamente comportare un salto nel buio. Se le soluzioni sono progettate per qualcuno con esperienza nella supply chain e conoscenza del business, tali soluzioni possono utilizzare i risultati di un modello senza sapere come il modello viene costruito. La democratizzazione dell’IA rende possibile l’utilizzo della stessa. Pertanto, è importante lavorare con un fornitore che consenta di partire dalla situazione attuale e di evolversi.
Quinto principio: l’esplicabilità è fondamentale per l’adozione dell’intelligenza artificiale
Un ulteriore compromesso dell’intelligenza artificiale si presenta quando la velocità, la precisione e l’eleganza sono fornite in “scatole nere” che neppure gli scienziati dei dati che le hanno costruite riescono a capire. La mancanza di esplicabilità rappresenta un ostacolo all’adozione, poiché se si è personalmente responsabili per una previsione, può essere difficile fidarsi di una “macchina”. I ricercatori hanno scoperto che gli esseri umani sono più indulgenti verso ciò che percepiscono come un errore commesso da altri esseri umani rispetto a un errore commesso dalle macchine e questo può portarli a sviluppare la cosiddetta “avversione agli algoritmi“.
Un approccio per superare tale avversione consiste nell’utilizzo di tecniche all’avanguardia che rendono i modelli di intelligenza artificiale a “scatola nera” più facili da capire. Ad esempio, è possibile utilizzare strumenti come il diagramma SHAP (SHapley Additive exPlanations) per prevedere la domanda al fine di aiutare un pianificatore a capire il modo in cui l’aggiunta di un segnale come le condizioni meteorologiche influisce sulle previsioni. Per rendere le persone maggiormente disponibili ad adottare il valore delle informazioni guidate dall’intelligenza artificiale, dobbiamo fornirgli le informazioni di cui hanno bisogno per spiegare le proprie decisioni e dobbiamo integrare tali informazioni in soluzioni che possano comprendere.
L’opportunità offerta dall’intelligenza artificiale nelle supply chain è enorme
Le supply chain non hanno mai avuto così tanto bisogno di aiuto e l’intelligenza artificiale non è mai stata così pronta. Pertanto, il momento giusto è adesso. Ma mentre intensifichiamo l’uso dell’intelligenza artificiale, abbiamo bisogno di un approccio centrato sugli esseri umani che amplifichi il potere della concorrenza per guidare le supply chain più intelligenti del pianeta. Quando l’intelligenza artificiale viene incorporata nella supply chain end-to-end, fondendo con sapienza le migliori tecniche disponibili, possiamo immaginare ciò che è possibile nelle nostre supply chain.
Polly Mitchell-Guthrie è VP di Industry Outreach and Thought Leadership presso Kinaxis, l’azienda leader nel garantire alle persone la possibilità di prendere con fiducia decisioni relative alla supply chain. In precedenza, ha ricoperto ruoli come direttrice di Analytical Consulting Services presso University of North Carolina Health Care System, senior manager dell’Advanced Analytics Customer Liaison Group presso la Research and Development Division della SAS e direttrice del SAS Global Academic Program.
Mitchell-Guthrie ha conseguito un MBA presso la Kenan-Flagler Business School della University of North Carolina a Chapel Hill, dove ha anche conseguito un BA in scienze politiche in qualità di Morehead Scholar. Ha ricoperto diversi ruoli all’interno di INFORMS (Institute for Operations Research and Management Sciences), tra cui quello di presidente e vicepresidente dell’Analytics Certification Board e di segretaria dell’Analytics Society.
