5 benspænd for AI i supply chain planlægning

”Det er blot to eksempler på den udbredte brug af kunstig intelligens, der er foregået mange steder i mange år. Men det er nok fløjet under radaren i offentligheden, at det er kunstig intelligens, som har drevet eksemplerne”, fortæller Stephan Skovlund. Han har arbejdet med supply chain planning i mere end 20 år både som konsulent, planlægger hos Carlsberg samt som underviser og har en faglig baggrund inden for statistik. Det gør han sammen med vært Søren Hammer Pedersen i Roima Intelligences podcast ‘S&OP MasterClass episode 14: 5 pitfalls using AI in supply chain planning and how to mitigate them’.

Læs også: Sådan kommer du i gang med AI i supply chain planning

Han supplerer: ”Kunstig intelligens (AI) er faktisk mange forskellige ting, og der er mange ’bevægelige dele’ i spil, når vi taler kunstig intelligens. Der er både sprogmodeller (som for eksempel ChatGPT og Googles Gemini, red.). machine learning og image modeller, som fungerer forskelligt og kan forskellige ting”.

Han mener, det overordnet set kan være nyttigt at plotte AI ind i en ramme med en Y- og X-akse, hvor Y-aksen er graden af tilpasning fra lav til høj, og X-aksen er værdi fra lav til høj. Længst til venstre på Y-aksen repræsenterer ’out of the box’ løsninger, hvor der er lav tilpasning og også relativ lav værdi.

”Det kan være en stor fordel at starte med AI-implementeringer fra rammens område for lav tilpasning og relativ lav værdi, fordi det også medfører lav risiko og relativ høj læring”, fortæller han.

Det fører naturligt til den første faldgrube, som supply chain afdelinger og ledere med fordel kan være opmærksomme på.

1)Pas på med forståelsen og forklaringsevnen
AI-baserede modeller, der foretager mere avancerede opgaver og analyser, som fungerer som basis for at foretage forretningsbeslutninger, indebærer en risiko for, at det kan være svært at forklare, hvad der foregår i modellen, når verden falder fra hinanden. Og verden falder jo fra hinanden med regelmæssige mellemrum, som vi for nylig har erfaret med covid 19-pandemien og efterfølgende forsyningskaos, geopolitiske spændinger, krige og andre større forstyrrelser.

”Når stormen rammer din virksomhed, opstår der hurtigt et behov for, at du skal kunne forklare modellens outcome. Det bliver almindeligvis kaldt ’explainability’, når vi taler AI. Og det kan være vanskeligt. Det kræver en dyb forståelse af, hvordan modellen fungerer. Jeg ser manglen på forklaringsevne, når stormen raser, som et stort benspænd for brug af AI i supply chain planlægning”, fortæller Stephan Skovlund.

Læs også: Stort tema om kunstig intelligens i forsyningskæden

På vært Søren Hammer Pedersens spørgsmål om, hvordan planlæggere så forebygger denne faldgrube, lyder anbefalingen fra Stephan Skovlund sådan:

”Du kan enten udvikle kompetencen selv inhouse, hvilket kræver en del, og nok kræver, at du er en del af en større organisation med mange ressourcer. Eller du kan teame up med en leverandør eller partner, der har denne kompetence som en del af forretningskernen, og som har bygget det ind i deres service”.

2) AI kræver ressourcer og træning
Kunstig intelligens er automatisering, men det handler ikke bare om at trykke på en knap, og så kører det per automatik.

”ChatGPT og andre såkaldt store sprogmodeller (LLMs, large language models, red.) kræver en del hands-on håndtering. Hvis man ikke gør det, vil man hurtigt få problemer med kvalitet af de løsninger, sprogmodellen foreslår”, fortæller Stephan Skovlund.

Han nævner en række eksempler som:

• AI er følsom over for dataændringer og nye datamønstre. 
• Eksempelvis faldt ChatGPT’s datakvalitet i en periode, fordi mængden af data steg helt enormt. Det gav flimmer i sprogmodellens datahåndtering. Det er nødvendigt løbende at træne og vedligeholde sprogmodellens håndtering af egne data.
• Det er nødvendigt løbende at validere, rense og sikre AI modellernes kvalitet, så de ikke kører af sporet. Et velkendt fænomen er, når en AI model begynder at ’drifte’, det vil sige at forecaste systematisk for højt eller lavt. 
• Stephan Skovlund fremhæver, at brug af kunstig intelligens i supply chain planlægning kaster nye opgaver af sig. Så selvom AI kan spare ressourcer, så kræver AI omvendt også, at der rettes opmærksomhed på data, der indgår i at træne modellen, og at konsistensen af modellens output løbende valideres.

3) Hold øje med der svageste data-led i kæden
Stephan Skovlund peger på, at han ofte stæder på den udbredte misforståelse, at ’jo flere data, jo bedre’. Han mener, det mere handler om ’jo højere kvalitet af data, jo bedre’. Det er hans erfaring, at de fleste virksomheder har udfordringer med kvaliteten af stamdata, og det er en udfordring, når man arbejder med AI. Men han fremhæver også, at virksomheden ikke nødvendigvis har kvalitetsproblemer med alle stamdataene og supplerer:

”Jeg vil faktisk anbefale, at virksomheder fokuserer på, hvor lidt data – eller minimumsbehovet – der er brug for til et specifikt AI-projekt, og så begrænse sig til disse data. En mindre mængde data i høj kvalitet vil næsten altid give et bedre resultat end en stor mængde tvivlsomme data. Det vil være et godt udgangspunkt, og så er det altid muligt at bygge videre på et senere tidspunkt, når tid, data og kompetencer er blevet modne til det”.

Han peger også på, at AI faktisk kan hjælpe med at rense og løfte kvaliteten af data, fordi AI har det, fagfolk kalder ’critical reasoning ability’.

”Men brug af AI til datahygiejne kræver træning på ’use cases’, så sprogmodellen får en god idé om hvilke mønstre, der er på spil her. Virksomheder bruger traditionelt ’alerts’ til at håndtere afvigelser, men alerts fanger ikke gråzoner. Det kan AI. Og det er værdifuldt, fordi stamdata i varierende kvalitet er en udfordring i stort set alle virksomheder”, fortæller Stephan Skovlund.

4) Hold øje med at AI ikke lærer de forkerte ting
Som tidligere nævnt mener Stephan Skovlund, at der er mange store muligheder i at anvende AI til at understøtte supply chain planlægning, men han mener også, at det er ikke bare er plug-and-play. 

”AI kræver meget træning på virksomhedens data, processer, regler, logikker etcetera, der er specifikke for virksomheden. Hvis man forsømmer det, kan AI let af sig selv begynde at ’finde på’ ting (’hallucinerer’, red.) og så at sige lære de forkerte ting. AI har som sagt evnen til selv at ræsonnere, men det kræver opmærksomhed og styring, ellers går det let galt”.

5) Vær opmærksom på medarbejderes tryghed og interesser
Indførelse af kunstig intelligens kan opleves som en stor trussel for de medarbejdere, der arbejder med supply chain planlægning i hverdagen. Det kan det selvfølgelig, fordi AI potentielt kan løse mange af de opgaver, som medarbejderne indtil nu har løst.

”Jeg mener, det er vigtigt at se på helheden, når man indfører AI. Det bør ikke være et spørgsmål om enten medarbejdere eller AI. Det bør i højere grad være et spørgsmål om, hvordan AI i samspil med medarbejdernes erfaring og kompetence kan løfte kvaliteten og resultaterne i planlægningen”, fortæller han og tilføjer:

”Hvis medarbejderne kan anskue det på følgende måde, vil det åbne op for store muligheder: ’AI er et nyt værktøj, som kan utrolig meget. Hvordan kan vi kombinere AI med al den erfaring, viden og kunnen jeg og mine kollegaer besidder, så jeg i kraft af samspillet med AI bliver endnu mere værdiskabende?”.