La cadena de suministro es el proceso que va desde el diseño del producto hasta el servicio al cliente, incluyendo el abastecimiento, la fabricación, la distribución y la entrega. Según Devavrat Bapat, director de productos de inteligencia artificial y aprendizaje automático de Cisco, "cada uno de estos pasos está lleno de oportunidades para la inteligencia artificial y el aprendizaje automático". Estas tecnologías ya son muy eficaces para pronosticar la demanda o la escasez, por ejemplo. También ayudan a monitorear eventos que potencialmente indican una falla futura en el proceso y alertan directamente a los operadores de la línea de ensamblaje antes de que la calidad de la producción se vea afectada. La IA también garantiza el buen funcionamiento de esta propia cadena de producción. También se puede utilizar para certificar materiales y componentes a lo largo de la cadena de suministro.
Pero la IA debería llegar incluso a optimizar el complejo proceso de la cadena de suministro para satisfacer las necesidades específicas de los clientes, sea cual sea la situación. Para ello existe la tecnología, pero el nivel de intercambio de datos necesario entre todas las empresas involucradas a lo largo del proceso está lejos de alcanzarse. Aún así, muchas empresas ya están cosechando los beneficios de una mejor previsión y control a través de la IA.
Amcor anticipa variaciones de demanda y escasez
Por eso, el gigante suizo del embalaje Amcor está recurriendo a la IA para perfeccionar sus previsiones de suministro. La mayor parte de su mercado se compone de envases alimentarios y sanitarios. Tiene una facturación de 15.000 millones de dólares, emplea a 41.000 personas y cuenta con más de 200 fábricas en todo el mundo. "Fabricamos el embalaje de aproximadamente un tercio de los productos que se encuentran en su frigorífico", revela el CIO Joel Ranchin. Algunos de los desafíos que enfrentamos en la fabricación se relacionan con la precisión de los pronósticos y la adaptación de nuestros procesos a la demanda cambiante. En climas cálidos, por ejemplo, el consumo de bebidas tipo Gatorade se disparará repentinamente, lo que provocará un aumento del 10 al 15% en la demanda de botellas, por ejemplo. Por supuesto, intentamos hacer previsiones, pero sigue siendo muy difícil. » Mismo tipo de desafíos en el otro extremo de la cadena. Si Amcor no anticipa con precisión la escasez o, lo que es más importante, los cambios en los precios del mercado, no podrá abastecerse de materias primas con antelación y a precios razonables.
Por todas estas razones, hace aproximadamente un año, Amcor comenzó a experimentar con EazyML, una plataforma de optimización de aprendizaje automático para pronósticos de oferta y demanda de los clientes. El grupo entrenó el sistema con 3 años de datos de su ERP para identificar patrones recurrentes de fluctuaciones. A partir de esta base, el sistema intenta encontrar las categorías amplias de perturbaciones de la demanda y los eventos correlacionados con ellas. Por ejemplo, estudia las fluctuaciones estacionales, pero también analiza si determinados tipos de cambios se producen simultáneamente o, por el contrario, si son mutuamente excluyentes.
"Los primeros resultados son mucho más prometedores de lo que esperábamos", observa el CIO del gigante del embalaje. Esto no sorprende a Devavrat Bapat de Cisco, quien afirma que la previsión es un área en la que la IA ha logrado avances significativos. “En el pasado”, explica, “muchas empresas se basaban en pronósticos de consenso, basados en opiniones ponderadas de expertos para obtener un pronóstico promedio. Sin embargo, los estudios han demostrado que los pronósticos que se basan en técnicas estadísticas para extrapolar datos históricos son siempre más eficientes que estos métodos de consenso. Pero la IA lo hace aún mejor. La clave para la precisión en este caso es garantizar que se utilicen los datos correctos en primer lugar. »
Control de calidad de chips en Intel
Otro ejemplo del uso de la IA en la cadena de suministro es el control de calidad de los procesadores en Intel. En la industria electrónica, se imprimen varios chips mediante litografía en una misma oblea de silicio. Se considera que los chips extraídos del centro de este último ofrecen mejores prestaciones que los situados cerca de la periferia, aunque estos últimos siguen siendo fiables. Como todos los fundadores, Intel define un umbral de calidad por debajo del cual no se mantendrá un chip. Pero pedirle a un operador que inspeccione los chips llevaría mucho tiempo y sería propenso a errores.
"Utilizamos la IA primero para seleccionar los chips de mayor calidad, pero también nos permite producir mucho más rápido", explica Greg Lavender, vicepresidente y director de tecnología de Intel. Tengo unos cientos de ingenieros de IA en mis equipos. Trabajan en el control y las pruebas de productos, pero también desarrollan IA que se integra directamente en nuestros chips, sin que nadie lo sepa necesariamente. » La empresa también proporciona a sus fabricantes de equipos originales software de prueba antimalware basado en IA. La tecnología Intel ThreatDetection examina el flujo de instrucciones ejecutadas en el procesador de la PC en la que está instalada. Algoritmos de aprendizaje adaptativo que buscan anomalías en el código que coinciden con una firma de malware. Si se encuentra una coincidencia, la herramienta la intercepta o la bloquea.
Optimizar todo el proceso
El impacto de la IA en la previsión y el control ya es significativo. Pero es cuando realmente permite adaptar la cadena de suministro a las necesidades específicas de los clientes cuando su beneficio será mayor para las empresas. Devavrat Bapat nos recuerda que por muy cualitativa que sea la tecnología, no genera el resultado esperado si no se tienen en cuenta las necesidades del cliente final. Una filosofía que, para él, debería aplicarse a la gestión de toda la cadena de suministro: “La IA puede ayudar a segmentar y dirigirse a los consumidores finales y a describir mejor su entorno”, continúa el director de productos de IA y aprendizaje automático de Cisco. Luego, ascendiendo en la cadena de suministro, le permite examinar los diferentes costos (mano de obra, producción, impuestos, inventario) y optimizarlos en su conjunto. Una vez que se hayan optimizado los flujos de la cadena de suministro, la empresa puede comenzar a instalar e implementar enfoques de mantenimiento predictivo y de calidad”.
Un intercambio esencial de datos entre los actores de una misma cadena de valor.
Finalmente, para que estos enfoques den frutos, los proveedores deben ser considerados socios y no adversarios. Sin embargo, por su naturaleza, las cadenas de suministro involucran a muchas empresas distintas que tienen, al menos, tres razones para no compartir sus datos. En primer lugar, pueden competir con uno o más proveedores. En segundo lugar, pueden ser parte de una o más cadenas de suministro competidoras. Por último, generalmente prefieren guardarse la información para fortalecer su posición en la mesa de negociaciones.
La generación actual de IA ya podría ayudar a optimizar y adaptar las cadenas de suministro para entregar el producto adecuado al cliente adecuado, al precio adecuado. Sin embargo, esto requeriría un nivel de intercambio de datos para el que muy pocas de estas empresas están preparadas. "Nos faltan tecnologías fiables que den a las empresas interesadas la seguridad de que sólo comparten la cantidad de datos necesaria para este proceso", confiesa Devavrat Bapat. Probablemente se necesitarán otros 5 a 10 años para llegar allí. »
Otras noticias que te pueden interesar