Como a IA generativa melhora o gerenciamento da cadeia de suprimentos

Resumo da ideia O problema Apesar dos avanços na digitalização do gerenciamento da cadeia de suprimentos e na tomada de decisões orientadas por dados, os planejadores e executivos de negócios ainda gastam tempo e esforço significativos para entender as recomendações de seus sistemas e atualizar seus modelos subjacentes. A solução Conforme demonstrado pelos negócios em nuvem da Microsoft, a IA generativa - especificamente, os modelos de linguagem ampla (LLMs) - pode automatizar a descoberta de dados, a geração de insights e a análise de cenários, reduzindo significativamente o tempo de tomada de decisões. Os benefícios A tecnologia baseada em LLM permite que os planejadores interajam diretamente com as ferramentas de gerenciamento da cadeia de suprimentos sem a assistência de cientistas de dados e, um dia, poderá permitir que as empresas automatizem os principais processos e criem novos. As empresas enfrentam uma série de desafios complexos ao projetar e otimizar suas cadeias de suprimentos. Aumentar a resiliência, reduzir custos e melhorar a qualidade do planejamento são apenas alguns deles. Nas últimas décadas, os avanços nas tecnologias da informação permitiram que as empresas passassem da tomada de decisões com base na intuição e na experiência para métodos mais automatizados e orientados por dados. Como resultado, as empresas obtiveram ganhos de eficiência, reduções substanciais de custos e melhor atendimento ao cliente. Infelizmente, os planejadores e executivos de negócios ainda precisam dedicar tempo e esforço consideráveis para entender as recomendações que saem de seus sistemas, analisar vários cenários e realizar análises hipotéticas. A atualização dos modelos matemáticos das ferramentas de gerenciamento da cadeia de suprimentos para refletir as mudanças no ambiente de negócios também consome muito tempo. Para resolver esses problemas, os planejadores e executivos tiveram que recorrer às equipes de ciência de dados ou aos fornecedores de tecnologia para explicar os resultados ou fazer alterações no sistema. Avanços recentes em modelos de linguagem ampla (LLMs), um tipo de IA generativa, estão possibilitando a realização dessas atividades sem esse suporte, reduzindo o tempo de tomada de decisões de dias e semanas para minutos e horas e aumentando drasticamente a produtividade e o impacto dos planejadores e executivos. Neste artigo, exploraremos como os LLMs podem ser usados para gerar insights a partir de dados que darão aos executivos uma melhor compreensão do estado de suas cadeias de suprimentos, responderão a perguntas hipotéticas e atualizarão as ferramentas de gerenciamento da cadeia de suprimentos para levar em conta o ambiente de negócios atual. Também destacaremos os desafios que as empresas precisam superar para adotar os LLMs e as oportunidades de expandir suas aplicações no futuro. As experiências que compartilharemos foram extraídas principalmente do emprego pela Microsoft de um sistema baseado em LLM para gerenciar o fornecimento de servidores e outros hardwares para mais de 300 data centers em todo o mundo, em apoio aos seus serviços em nuvem. A Microsoft pilotou seu sistema baseado em LLM de março de 2023 a outubro de 2023 antes de implantá-lo totalmente em novembro de 2023. Desde então, o sistema teve um impacto notável sobre a eficiência e a produtividade, medido pelo tempo de resposta a incidentes e pela velocidade na tomada de decisões, e espera-se que esses ganhos aumentem à medida que o sistema for sendo ainda mais refinado ao longo do tempo. No entanto, os recursos que discutimos não dependem do uso de um produto da Microsoft; uma ampla variedade de LLMs de alta qualidade disponíveis atualmente poderia ser usada para alcançá-los. Agora vamos explorar os benefícios que os LLMs podem oferecer. Considere uma cadeia de suprimentos clássica com um determinado número de fornecedores de matérias-primas, fábricas para a produção de produtos e varejistas que vendem esses produtos. Com um LLM, um planejador pode fazer perguntas em linguagem simples, como "Qual é a quantidade de matéria-prima do tipo T que o fornecedor S tem hoje?" ou "Qual é a opção mais barata para enviar itens da fábrica F para o varejista R?" O LLM pode traduzir essas perguntas em consultas de ciência de dados que, por sua vez, são alimentadas no repositório de dados da empresa (por exemplo, um banco de dados SQL) e, em seguida, fornecem uma resposta em uma frase completa. De forma significativa, do ponto de vista da privacidade, o LLM pode ser utilizado como um serviço em nuvem, o que significa que os dados de propriedade não precisam ser transferidos para um LLM de terceiros. Além de servir como ferramenta para entender o estado atual da cadeia de suprimentos de uma empresa, o LLM pode ser usado para explicar as decisões tomadas pelo sistema da cadeia de suprimentos e fornecer insights adicionais, como informações sobre tendências. Por exemplo, um planejador poderia fazer perguntas sobre tendências recentes - "Qual fábrica foi a mais produtiva na semana passada?" ou "Qual foi o número ou a porcentagem de ocorrências no mês passado em que o custo total de remessa excedeu US$ 50.000?" A seguir, fornecemos exemplos concretos dos primeiros usuários de LLMs para descoberta de dados e insights. Acompanhamento da mudança de demanda. A computação em nuvem é um negócio multibilionário que exige que provedores como Amazon, Microsoft, Google e outros façam grandes investimentos na construção de data centers, equipando-os com hardware e operando-os para que sua capacidade esteja prontamente disponível. Eles precisam atender constantemente à crescente demanda por esses serviços e, ao mesmo tempo, minimizar os custos operacionais e de hardware. Para isso, os provedores de serviços em nuvem tomam periodicamente decisões de implementação de hardware que levam em conta muitas considerações de custo, como remessa e depreciação de hardware, e considerações operacionais, como compatibilidade de hardware, inventário e pessoal disponível para realizar implementações de servidores. Na Microsoft, a demanda por servidores vem de grupos de negócios internos que possuem diferentes ofertas de nuvem (por exemplo, Armazenamento do Azure, Máquinas Virtuais do Azure e Microsoft 365). Uma demanda é especificada por meio de uma solicitação, que inclui o tipo e o número de servidores necessários, a região onde os servidores devem ser acoplados e a data ideal de acoplamento. Usando essas solicitações como entradas, a equipe da cadeia de suprimentos gera regularmente um único plano de demanda. Os engenheiros da Microsoft executam periodicamente uma ferramenta de otimização computadorizada para produzir um plano de atendimento que atribui o hardware real dos armazéns de suprimentos e especifica quando eles serão enviados para os data centers. Os planejadores da Microsoft supervisionam o plano de atendimento. Suas tarefas incluem a confirmação de que o plano de atendimento atende às necessidades das empresas e a garantia de que os servidores foram implantados de acordo com o plano de atendimento. Os servidores implementados são normalmente utilizados pelo grupo empresarial por vários anos até serem desativados. O LLM pode ser usado para explicar as decisões tomadas pelo sistema da cadeia de suprimentos e fornecer percepções adicionais, como informações sobre tendências. Os planejadores também monitoram as mudanças no plano de demanda, chamadas de desvio de demanda, mensalmente, para garantir que o plano revisado atenda a todas as exigências do cliente e esteja dentro das diretrizes orçamentárias. A tarefa de avaliar o desvio da demanda é tradicionalmente realizada pelos planejadores, que geralmente envolvem cientistas de dados e engenheiros de diferentes unidades de negócios no processo. Depois que as mudanças são compreendidas, os planejadores preparam um resumo executivo para explicar as mudanças em cada região. A tecnologia baseada no LLM agora faz tudo isso. A TI gera automaticamente um relatório por e-mail que detalha quem fez cada alteração e o motivo. A TI também aponta possíveis erros que os planejadores podem revisar. Por exemplo, suponha que a demanda (o número total de servidores) no novo plano seja menor do que no antigo. O e-mail pode indicar o motivo exato da redução da demanda - por exemplo, a introdução de uma nova geração de hardware mais eficiente que permite o uso de menos servidores. Essa ferramenta do LLM permite que os planejadores concluam a análise de desvio de demanda por conta própria em minutos; anteriormente, levaria cerca de uma semana. Aplicação de contratos. No setor automotivo, os fabricantes de equipamentos originais (OEMs), como Ford, Toyota e General Motors, têm milhares de fornecedores e vários contratos com cada um deles. Esses contratos especificam os detalhes do preço pago pelo OEM, os requisitos de qualidade, os prazos de entrega e as medidas de resiliência que os fornecedores devem adotar para garantir o fornecimento. Depois de alimentar o LLM com os dados de milhares de contratos, um OEM conseguiu identificar as reduções de preço a que tinha direito por ultrapassar um determinado limite de volume. Sua equipe de aquisições havia ignorado essa oportunidade devido às complexidades e ao número de contratos. O resultado foi uma economia de milhões de dólares em aquisições. Um LLM permite que os planejadores façam perguntas detalhadas. Aqui estão alguns exemplos: "Qual seria o custo adicional de transporte se a demanda geral do produto aumentasse em 15%?" "Qual seria o custo adicional de aquisições se o varejista R usasse apenas produtos da fábrica F?" "Podemos atender a toda a demanda se fecharmos a fábrica F?" "Quanto seria reduzido o custo total de produção do produto P se o custo da matéria-prima do tipo M fosse US$ 1 a menos por unidade?" Veja como um LLM pode responder a perguntas como essas de forma precisa e eficiente. Muitas tarefas de otimização são escritas na forma de programas matemáticos, que levam em conta a estrutura da cadeia de suprimentos e todos os requisitos comerciais e geram recomendações eficazes para a cadeia de suprimentos. Um LLM não substitui o modelo matemático, mas o complementa. Especificamente, ele traduz uma consulta humana em um código matemático que é uma pequena alteração no modelo matemático original usado para produzir o plano. Por exemplo, exigir que um varejista use produtos de uma determinada fábrica pode ser feito adicionando um requisito matemático, ou "restrição", que proíba outras fábricas de enviar produtos para esse varejista. Essa pequena alteração no modelo matemático é então enviada à ferramenta da cadeia de suprimentos para produzir um plano modificado, que é usado apenas para comparação com o existente. Como antes, a saída do novo modelo matemático é então passada pelo LLM para produzir a resposta em linguagem humana. (Para saber mais sobre essa abordagem de usar um LLM para obter informações atuais sobre a cadeia de suprimentos e fazer perguntas hipotéticas, o senhor pode encontrar o código-fonte aberto e os benchmarks da Microsoft em github.com/microsoft/OptiGuide). Considere como os planejadores da operação de serviços em nuvem da Microsoft usam esse recurso para criar um plano de atendimento que atribui servidores a serem enviados dos depósitos para os data centers. Para cada solicitação, as principais decisões consistem em (1) o tipo de servidor e o armazém que será usado para atender à demanda, (2) a data de envio e (3) o destino de encaixe dos servidores (o data center específico e o local específico dentro dele). O objetivo é minimizar o custo total dos vários componentes, como os custos de remessa e o custo de oportunidade estimado de atrasar as implantações de servidores além da data ideal. Alana Paterson fotografou navios-tanque e porta-contêineres no exterior para uma matéria sobre os efeitos do ruído do oceano na vida marinha. Quando os planejadores recebem o resultado da ferramenta de otimização, eles podem confirmar se ela atende às necessidades da empresa e garantir que seja executada adequadamente. Entretanto, as questões de otimização subjacentes são tão complexas que pode ser difícil, se não impossível, entender imediatamente o raciocínio por trás de cada decisão. Consequentemente, os planejadores geralmente entram em contato com os engenheiros e cientistas de dados que desenvolveram a ferramenta de otimização para obter insights adicionais. Os planejadores e os engenheiros geralmente precisam de várias rodadas de interações para explorar completamente um problema ou cenários simulados, o que pode resultar em um atraso de dias. Agora, o sistema baseado em LLM permite que os planejadores obtenham em poucos minutos respostas a perguntas como "Qual é o aumento percentual no custo se atendermos a um pedido específico na data solicitada em comparação com outra data?" e "Qual seria o aumento de custo se desativássemos um determinado depósito por uma semana?" Os planejadores podem usar a tecnologia LLM para atualizar os modelos matemáticos da estrutura de uma cadeia de suprimentos e os requisitos comerciais para refletir o ambiente comercial atual. Além disso, um LLM pode atualizar os planejadores sobre uma mudança nas condições comerciais. Digamos que os planejadores tenham recebido informações em tempo real de que uma determinada fábrica está parada por sete dias devido a uma tempestade de inverno. Para atualizar o plano de vendas e operações (S&OP) para levar em conta a disrupção sem a ajuda de um LLM, os planejadores teriam que envolver as equipes de TI e de ciência de dados para fazer os ajustes necessários no plano - um processo que pode ser demorado. Com a ajuda de um LLM, no entanto, os planejadores podem solicitar diretamente ao sistema que gere um novo plano que evite o uso da instalação disruptiva. Se o novo plano não for capaz de atender a toda a demanda prevista, a ferramenta de planejamento assistida por LLM não só gerará um S&OP atualizado e os custos correspondentes (por exemplo, aquisições e custos de transporte), mas também identificará a demanda que não pode ser suprida e o impacto sobre a lucratividade. Nos próximos anos, a tecnologia baseada em LLM dará suporte a cenários de tomada de decisão de ponta a ponta. A necessidade de alterar o plano de suprimentos também pode ser impulsionada pela tecnologia baseada em LLM. Por exemplo, após analisar os dados de remessa de um fornecedor específico, a TI pode gerar um alarme de que o lead time do fornecedor aumentou significativamente nos últimos meses. Além disso, a tecnologia baseada em LLM preverá o tempo provável da próxima remessa e comunicará isso ao planejador. Reconhecendo que o aumento do lead time de entrega afetará negativamente o nível de serviço em uma região específica, a menos que sejam tomadas medidas corretivas, o planejador poderá solicitar ao sistema baseado no LLM que execute novamente a ferramenta de planejamento com as novas informações e gere um novo plano. Esse plano, que o LLM transmite aos planejadores em linguagem humana simples, pode exigir remessas rápidas do fornecedor ou a transferência de estoque de um depósito que a empresa tenha em uma região diferente para a região afetada. O uso de LLMs das formas discutidas aqui ainda é relativamente novo. Prevemos que, nos próximos anos, a tecnologia baseada em LLMs dará suporte a cenários de tomada de decisão de ponta a ponta. Por exemplo, os usuários poderão descrever em linguagem simples o problema de tomada de decisão que desejam resolver. TI poderia ser um problema específico de produção (dada uma rede complexa de instalações de fabricação, onde e quando produzir um determinado produto) ou um problema de alocação de estoque (dado um estoque limitado em um depósito, como ele deve ser alocado em várias lojas para atender à demanda de forma mais eficiente). A tecnologia atual é capaz de gerar esses modelos (matemáticos) e uma recomendação, mas validar se o modelo representa corretamente o ambiente de negócios ainda é um desafio. À medida que as empresas começarem a adotar LLMs no gerenciamento da cadeia de suprimentos, elas precisarão superar uma série de obstáculos para implantá-los de forma eficaz. Adoção e treinamento. Usar um LLM para otimizar as cadeias de suprimentos requer uma linguagem muito precisa. Por exemplo, se um usuário perguntar: "Podemos utilizar melhor a fábrica F?", a palavra "melhor" pode ser interpretada de várias maneiras: custos mais baixos, maior rendimento, rendimento mais equilibrado ao longo do tempo e assim por diante. Cada interpretação leva a decisões diferentes. Portanto, é fundamental que as pessoas que usam o sistema recebam treinamento. Os planejadores talvez precisem ser treinados para fazer perguntas mais precisas, e os gerentes e executivos talvez precisem ser instruídos sobre os recursos e as limitações da tecnologia baseada em LLM. Por essas razões, a Microsoft está implantando gradualmente essa nova tecnologia, e a ferramenta descrita anteriormente para responder a perguntas hipotéticas suporta apenas um conjunto de perguntas comuns. A empresa monitorará as interações com os usuários, a precisão e os mecanismos de fallback e, em seguida, expandirá a cobertura ao longo do tempo. Os planejadores receberam treinamento sobre a tecnologia e receberam o conjunto de perguntas que a ferramenta suporta atualmente. Alana Paterson A Dell Technologies também reconhece a importância de capacitar sua força de trabalho para usar os LLMs em sua cadeia de suprimentos. A experiência inicial da empresa com o uso de IA por meio de uma parceria com um provedor de aplicativos de cadeia de suprimentos criou tanto uma fome pelo que é possível quanto uma urgência em preparar as pessoas para gerenciar a IA. "Treinar nossa força de trabalho humana para fazer as perguntas certas sobre IA generativa está se mostrando um desafio maior do que a própria tecnologia", disse Sasha Pailet Koff, vice-presidente sênior, a um de nós (Tom). Ela acrescentou: "É fundamental desenvolver líderes que possam gerenciar a IA generativa em comparação com uma força de trabalho humana. Só então as empresas poderão escolher os fluxos de trabalho de aplicativos mais adequados para a tomada de decisões com IA." Verificação. A tecnologia LLM pode, ocasionalmente, produzir um resultado errado. Assim, um desafio geral é manter a tecnologia "dentro dos trilhos", ou seja, identificar erros e recuperar-se deles. Atualmente, as empresas estão lidando com esse desafio fornecendo aos LLMs exemplos ricos e específicos do domínio que aumentam a precisão de seus resultados e adicionando mecanismos para identificar antecipadamente as consultas que a tecnologia não suporta. Por exemplo, se uma pergunta não suportada for feita, o sistema baseado em LLM fornece uma resposta padrão, como "Infelizmente, não posso ajudar com essa pergunta; aqui está a lista de perguntas suportadas". Naturalmente, a dificuldade de verificar a precisão aumentará com a complexidade do resultado. Por exemplo, suponhamos que deixemos o LLM gerar um programa matemático inteiro para criar um plano de atendimento otimizado a partir do zero. Como o sistema verificaria se ele está correto? E como podemos garantir que o programa produzirá um plano ideal em um período de tempo razoável? Essas ainda são questões em aberto que exigem mais pesquisas. Novas funções da força de trabalho. Como a tecnologia de LLM leva a um alto grau de automação, o papel dos executivos e planejadores mudará. Em vez de se envolverem em um processo de tomada de decisão demorado e propenso a erros humanos, os planejadores poderão aplicar a tecnologia LLM para gerar mais percepções e explicar as recomendações de sua tecnologia de planejamento da cadeia de suprimentos. Isso levará a um nível mais alto de confiança do usuário e a uma adoção significativa das recomendações das ferramentas. Da mesma forma, nas aquisições, os funcionários precisarão gastar muito menos tempo gerando novos contratos; os LLMs poderão criar contratos para uma categoria de produto específica e fornecer informações sobre o desempenho anterior de vários fornecedores para ajudar os executivos a escolher o mais adequado. Em outras palavras, uma força de trabalho que usa ferramentas baseadas em LLM poderá mudar seu foco das tarefas repetidas do dia a dia para atividades de valor agregado, como pensar estrategicamente sobre várias atividades da cadeia de suprimentos ou colaborar internamente com as áreas funcionais e externamente com fornecedores e clientes. Por exemplo, os planejadores de demanda podem colaborar com os planejadores comerciais (que são responsáveis pelo marketing, preços e descontos) para entender o impacto do comércio na previsão de demanda. Em nossa experiência, esse tipo de colaboração não existe atualmente na maioria das organizações. O desafio, é claro, é garantir que a liderança derrube as barreiras que existem entre as áreas funcionais e modifique os processos de negócios para permitir a colaboração. . . . Apesar desses desafios, estamos confiantes de que a tecnologia baseada em LLM transformará o gerenciamento da cadeia de suprimentos em um futuro próximo - aumentando sua eficiência, resiliência, produtividade e precisão. A TI complementará as tecnologias atuais da cadeia de suprimentos, permitindo que os planejadores interajam diretamente com suas ferramentas de cadeia de suprimentos sem a necessidade de cientistas de dados ou engenheiros. As empresas poderão automatizar um número significativo de processos da cadeia de suprimentos e até mesmo criar novos processos, como, por exemplo, a integração dos processos de comércio e previsão. Na verdade, essa integração resultaria em um sistema de gerenciamento de cadeia de suprimentos de ciclo fechado, em que as funções de comércio, cadeia de suprimentos e finanças colaboram para desenvolver um plano de suprimentos que atenda a todos os objetivos e requisitos comerciais e financeiros. Dentro de alguns anos, a tecnologia baseada em LLM poderia realmente revolucionar o gerenciamento da cadeia de suprimentos.

Como a IA generativa melhora o gerenciamento da cadeia de suprimentos

Resumo.

Partner Center