Si bien el intercambio de datos sigue siendo un desafío, muchas organizaciones ya se benefician de dos aspectos clave que la IA hace ahora para la gestión de la cadena de suministro.

Las cadenas de suministro realizan una serie de acciones que comienzan con el diseño del producto y continúan con la adquisición, fabricación, distribución, entrega y servicio al cliente. “En cada uno de estos puntos se encuentran grandes oportunidades para la IA y el ML”, afirma Devavrat Bapat, director de productos de datos de IA/ML de Cisco. Esto se debe a que la generación actual de IA ya es muy buena en dos cosas necesarias en la gestión de la cadena de suministro. El primero es la previsión, en la que se utiliza la IA para hacer predicciones sobre la demanda descendente o la escasez de aguas arriba. Además, los algoritmos pueden detectar uno o más eventos que reconocen como precursores de fallas y luego advertir a los operadores de la línea de ensamblaje antes de que la calidad de la producción decaiga.

El segundo es la inspección, donde se utiliza la IA para detectar problemas en la fabricación. También se puede utilizar para certificar materiales y componentes y realizar un seguimiento de ellos a lo largo de toda la cadena de suministro.

En última instancia, la IA optimizará las cadenas de suministro para satisfacer las necesidades específicas de los clientes en cualquier situación determinada. La tecnología habilitadora existe, pero el desafío restante es que requiere un nivel de intercambio de datos que no se puede encontrar en las cadenas de suministro actuales. Mientras tanto, muchas empresas continúan cosechando los beneficios de una mejor previsión e inspección.

Previsión

Tomemos, por ejemplo, Amcor, la empresa de embalaje más grande del mundo, con 15,000 millones de dólares de ingresos, 41,000 empleados y más de 200 plantas en todo el mundo. La mayor parte de su mercado se centra en envases para alimentos y productos sanitarios.

“Fabricamos el embalaje de aproximadamente un tercio de los productos que se encuentran en el frigorífico”, refiere Joel Ranchin, CIO global de la empresa. Algunos de los desafíos que enfrenta Amcor en la fabricación tienen que ver con la previsión precisa y la adaptación a la demanda cambiante. Los pedidos a menudo se modifican en el espacio de la cadena de suministro de alimentos a medida que cambian las necesidades. Cuando hace calor, por ejemplo, la gente bebe más Gatorade, lo que puede crear una explosión repentina en la demanda, por lo que podría haber un aumento del 10 al 15% en la demanda de botellas. Lo mismo ocurre con otro tipo de productos. De repente podría haber más peces en el océano, lo que aumenta la demanda de envases para acomodar toneladas adicionales de pescado. “Aunque intentamos hacer previsiones, es muy difícil porque no siempre conocemos las necesidades de nuestros clientes con antelación”, externa Ranchin.  

Los desafíos son similares al otro lado de la cadena de suministro. Si Amcor no puede predecir con precisión la escasez, no podrá abastecerse de materias primas con anticipación. Más importante aún, la empresa necesita predecir los cambios de precios, de modo que pueda comprar más a precios más bajos antes de una subida, o menos si parece que hay una caída en el horizonte.

Hace aproximadamente un año, Amcor comenzó a experimentar con EazyML, una plataforma que ayuda a optimizar el pronóstico tanto para la demanda como para la oferta de los clientes. Entrenaron la herramienta utilizando tres años de datos de ERP para buscar patrones en las fluctuaciones. El sistema intenta encontrar categorías de cambio y qué eventos se correlacionan con diferentes tipos de cambio. Por ejemplo, comprueba las fluctuaciones estacionales y si dos o más tipos de cambios ocurren juntos o si son mutuamente excluyentes.

“Los primeros resultados que tenemos son bastante prometedores; mucho más de lo que esperábamos”, afirma Ranchin. “Si puedes predecir el cambio, podrás anticipar mejor tus necesidades de materia prima y complementarlas con antelación si es necesario”.

Esto no sorprende a Bapat, quien dice que la previsión es un área en la que la IA ha mejorado significativamente. “En el pasado, muchas organizaciones dependían de pronósticos por consenso, donde se utilizaban aportaciones ponderadas de diferentes expertos para llegar a una predicción promedio”, dice. “Los estudios han demostrado que los pronósticos estadísticos, donde se utilizan técnicas estadísticas para extrapolar datos históricos, superan consistentemente a los métodos de consenso. Y la inteligencia artificial funciona incluso mejor que los pronósticos estadísticos. Pero el truco consiste en asegurarse de utilizar los datos correctos”.

Inspección

Otro ejemplo de cómo se utiliza la IA se puede encontrar en Intel, donde se imprimen varios chips en una sola oblea mediante litografía. Los más cercanos al centro de la oblea tienden a tener el mejor perfil de rendimiento energético. Los que están cerca del anillo exterior, aunque siguen siendo fiables, tienden a tener un rendimiento reducido. Intel tiene un umbral de calidad con respecto al cual se miden los chips para determinar si deben conservarse o desecharse. Hacer que un humano inspeccione las obleas sería un proceso que llevaría mucho tiempo y estaría plagado de errores.

“Utilizamos la Inteligencia Artificial para seleccionar los chips adecuados de alta calidad, y eso nos hace mucho más rápidos a la hora de producir chips y lanzarlos al mercado con mejor calidad”, comenta Greg Lavender, vicepresidente senior y director de tecnología de Intel. “Por supuesto, eso no es lo único que hacemos con la Inteligencia Artificial. Tengo un par de cientos de ingenieros de software de IA que reportan a mi organización. Parte de lo que hacen se utiliza en nuestras fábricas para inspección y pruebas, pero a veces desarrollan IA que se entrega dentro de nuestros productos, sin que nadie necesariamente lo sepa”.

Un ejemplo de ello es cómo Intel ayuda a sus clientes OEM proporcionándoles herramientas de software que realizan pruebas de malware. Una de esas herramientas es la tecnología Intel de detección de amenazas que se ejecuta en las computadoras portátiles Intel. Cuando se ejecuta código en Windows, el código Intel examina el flujo de instrucciones en la CPU. Utilizando algoritmos de firma de aprendizaje adaptativo, busca anomalías en el código que coincidan con una firma de malware. Si se encuentra una coincidencia, la herramienta intercepta o bloquea el malware y alerta a Windows Defender sobre una infección en el dispositivo.

“La tecnología de detección de amenazas está integrada en todas las CPU de nuestros clientes”, afirma Lavender. “Esas infecciones se cuelan a través de la cadena de suministro y, cuando se elabora el producto final, la única forma de encontrarlas es con esta herramienta. Hemos estado ofreciendo ésta y otras herramientas de IA durante los últimos años, pero ahora, con todo lo que se habla sobre grandes modelos de lenguaje, más gente habla de ello”.

Según Bapat de Cisco, la inspección es una parte muy importante de la gestión de la cadena de suministro y se vuelve mucho más fácil si se toman los pasos correctos durante el diseño del producto. “Se pueden ahorrar muchos costos si, durante el diseño del producto, se incorporan instrumentos en el equipo que puedan generar datos para ayudar a monitorear el flujo”, afirma. “Si tomas la lista de materiales de cualquier producto y observas los costos de la mano de obra, verás que son muy altos. La carga es básicamente la calidad del producto y los gastos generales de supervisión. La IA ya está ayudando a minimizar ese costo hoy”.

Mejoramiento

Tanto la previsión como la inspección son importantes, pero el mayor impacto se producirá cuando las cadenas de suministro puedan adaptarse a las necesidades específicas de los clientes. Bapat se basa en una importante lección que aprendió cuando diseñó uno de sus mejores algoritmos de IA. Se necesitaron nueve meses para desarrollarlo e implementarlo y, al final, todavía tomó un tiempo sorprendentemente largo hacerlo funcionar. 

Al recordar lo que salió mal, se dio cuenta de que, por muy buena que fuera la tecnología, no produciría el resultado deseado si primero no se tomaba el tiempo para comprender quién era el cliente final y cómo planeaban utilizar la aplicación. También señaló que, si bien generalmente tienen la voz más alta, la alta dirección no es el cliente final.

“Desde entonces, me he propuesto empezar siempre con un buen conocimiento del negocio subyacente, ya sea que se trate de ventas o gestión de la cadena de suministro”, afirma. “Una vez que tengo una comprensión sólida del requisito, vuelvo a trabajar en los datos y la IA”.

Bapat cree que esta filosofía debería aplicarse a la gestión de la cadena de suministro: “Si realmente se analiza al consumidor final, la IA puede ayudar al segmentar y dirigirse a los consumidores y su entorno. Y luego, cuando recorras la cadena de suministro, observa los diferentes costos: mano de obra, producción, impuestos, inventario y optimízalos juntos”.

Una vez que la cadena de suministro esté optimizada para el flujo, agrega, se podrá comenzar a instalar y ejecutar la calidad y el mantenimiento predictivos. A partir de ahí, puede volver a las adquisiciones para la gestión de suministros.

“Esto respalda la idea de que los proveedores son socios, no adversarios”, afirma.

Así que aquí radica el antiguo desafío de que las cadenas de suministro están, por su propia naturaleza, compuestas por empresas separadas con al menos tres razones para no compartir datos. En primer lugar, pueden tener una línea de negocio que compita con uno o más de los demás socios. En segundo lugar, podrían formar parte de una o más cadenas de suministro competidoras. Y tercero, se reservan información para fortalecer su posición en la mesa de negociaciones.

La generación actual de IA puede optimizar las cadenas de suministro e incluso adaptarlas para entregar el producto adecuado al cliente adecuado al precio adecuado. Sin embargo, hacerlo requeriría un nivel de intercambio de datos para el que muy pocas empresas están preparadas.

“Lo que faltan son técnicas que permitan a las organizaciones compartir parte de sus datos con plena confianza de que no han revelado demasiado”, dice Bapat. “Todavía estamos a cinco o diez años de eso”.

Pat Brans, CIO.com