Hur AI digitala tvillingar hjälper till att klara världens mardröm för leveranskedjan

Ms Tech | Getty

Med störningar i leveranskedjan av de senaste två åren som inte visar några tecken på att lätta när som helst snart, vänder sig företag till en ny generation av AI-drivna simuleringar som kallas digitala tvillingar för att hjälpa dem att få varor och tjänster till kunderna i tid. Dessa verktyg förutsäger inte bara störningar längre fram, utan föreslår vad man ska göra åt det. Desperata företag som kämpar med kollapsen av just-in-time frakt använder dem för att hitta en avgörande balans mellan effektivitet och motståndskraft.

Listan på saker som har varit svåra att få tag på någon gång under de senaste månaderna är lika varierad som lång: nya bilar, nya telefoner, kontaktlinser, rengöringsprodukter, färskvaror, trädgårdsmöbler, böcker, färgen blå . Det är inte som när alla fick slut på toalettpapper i mars 2020, säger Chris Nicholson, grundare av Pathmind, ett företag som tillämpar AI på logistikproblem. Den här gången känns de saknade föremålen personliga.

Relaterad berättelse

Vårt konstiga beteende under pandemin krånglar till AI-modeller Maskininlärningsmodeller som tränats på normalt beteende visar sprickor - vilket tvingar människor att kliva in för att rätta till dem.

Covid-19 har riktat strålkastarljuset på många av världens nätverk, från internet till internationella flygresor. Men försörjningskedjorna som korsar världen – fartygen och lastbilarna och tågen som länkar fabriker till hamnar och lager, som tar med nästan allt vi köper många tusen mil från där det produceras till där det konsumeras – står inför mer granskning än de någonsin har gjort.

Det är rättvist att säga att vad du än säljer så har du ett problem just nu, säger Jason Boyce, grundare och VD för Avenue7Media, ett konsultföretag som ger råd till Amazons bästa säljare. Boyce säger att han har kunder som skulle omsätta tiotals miljoner dollar per år om de kunde stanna kvar i lager. Vi har samtal med kunder varje dag där de bara gråter, säger han. I månader har de inte varit helt i lager under en 30-dagarsperiod i rad.

Digitala tvillingar försöker lösa brott i försörjningskedjan genom att förutse dem innan de inträffar och sedan använda AI för att hitta en lösning. Namnet fångar nyckelidén att simulera ett komplext system i en dator, skapa en sorts tvilling som speglar verkliga objekt – från portar till produkter – och de processer de är en del av. Simuleringar har varit en del av industrins beslutsfattande under några år, och hjälpt människor att utforska olika produktdesigner eller effektivisera layouten på ett lager. Men tillgången på stora mängder realtidsdata och datorkraft gör att mer komplexa processer kan simuleras för första gången, inklusive kaoset av globala leveranskedjor som ofta är beroende av många leverantörer och transportnätverk.

Den här typen av teknik har gett Amazon, som redan har fördelen att kontrollera sina egna lastbilar och lager, en extra fördel i flera år. Nu anammar andra det också. Google utvecklar digitala tvillingar i leveranskedjan som biltillverkaren Renault meddelade att de hade börjat använda i september. Internationella fraktjättar som FedEx och DHL bygger sin egen simuleringsprogramvara. Och AI-företag som Pathmind skapar skräddarsydda verktyg för alla som kan betala för dem. Ändå kommer inte alla att gynnas. Faktum är att den kraftfulla nya tekniken kan vidga en växande digital klyfta i den globala ekonomin.

Väder stormen

Det är lätt att skylla pandemin för de nuvarande problemen med leveranskedjan. Fabriksnedläggningar och arbetskraftsbrist slog ut produktions- och leveransnav samtidigt som ett språng i onlineshopping och komfortköp gjorde att efterfrågan på hemleveranser ökade.

Men i sanning gjorde pandemin bara en dålig situation värre. Det finns globala krafter som driver detta, allt kombinerat till en perfekt storm, säger D’Maris Coffman, ekonom vid University College London som studerar effekten av pandemin på leveranskedjor.

Att dämpa denna storm kommer att kräva att biljoner dollar sänks in i global infrastruktur, utökade hamnar och leveransflottor, och investera i bättre ledning, bättre arbetsförhållanden och bättre handelsavtal. Tekniken kommer inte att lösa dessa problem. Det kommer inte att tillåta fartyg att frakta fler containrar, säger David Simchi-Levi, som leder datavetenskapslabbet vid Massachusetts Institute of Technology och har hjälpt till att bygga digitala tvillingar för flera stora företag. Men AI kan hjälpa företag att klara det värsta av det. Digitala tvillingar gör att vi kan identifiera problem innan de inträffar, säger han.

Enligt Hans Thalbauer, verkställande direktör för försörjningskedjor och logistikteam på Google, är det största problemet som företag står inför en oförmåga att förutse händelser uppåt i kedjan. Det spelar ingen roll vilket företag du pratar med, säger han. Alla i försörjningskedjan kommer att säga att de inte har den synlighet de behöver för att fatta beslut

Det är försörjningskedjans synlighet som låter Amazon, till exempel, förutsäga när en vara kommer att dyka upp utanför din dörr. För varje vara som Amazon levererar själv – och det inkluderar de miljontals varor som den levererar på uppdrag av tredjepartssäljare som Boyce och hans kunder – ger den en exakt uppskattning av när den kommer att anlända. Det kanske inte verkar så mycket, säger Boyce, men om Amazon fick de här förutsägelserna fel skulle det börja tappa kunder – särskilt runt semesterperioden, när folk köper sista minuten-presenter och litar på att Amazon levererar dem. Det krävs enorm datorkraft bara för att visa den där enkla lilla leveransdagen, säger han. Men folk blir förbannade när de inte får sina saker i tid.

Enligt Deliverr, ett amerikanskt företag som hanterar leveranslogistik för flera e-handelsföretag inklusive Amazon, Walmart, eBay och Shopify, ökar en beräknad leveranstid på två dagar mot sju till tio dagar försäljningen med 40 %; en beräknad leveranstid på en dag ökar försäljningen med 70%.

Det är ingen överraskning att andra vill ha en egen kristallkula. Just-in-time leveranskedjor är nästan döda. De senaste två årens störningar sänkte många företag som jagade hypereffektivitet till det yttersta. Lagerutrymme är dyrt, och att betala för att lagra inventarier som du kanske inte behöver på en vecka kan verka extravagant i tider av överflöd. Men när nästa veckas lager inte dyker upp har du inget att sälja.

Före pandemin fokuserade de flesta företag på att minska kostnaderna, säger Simchi-Levi. Nu är de villiga att betala för motståndskraft, men att fokusera på enbart motståndskraft är också ett misstag: du måste hitta rätt balans mellan de två. Detta är den verkliga kraften i simuleringar. Vi ser ett växande antal företag som börjar stresstesta sina leveranskedjor med hjälp av digitala tvillingar, säger han.

Tänk om?

Genom att utforska olika möjliga scenarier kan företag identifiera den balans mellan effektivitet och motståndskraft som fungerar bäst för dem. Lägg till djup förstärkningsinlärning, som låter en AI lära sig genom trial and error vilka åtgärder man ska vidta i olika situationer, och digitala tvillingar blir maskiner för att utforska vad-om-frågor. Tänk om det råder torka i Taiwan och vattenbristen stänger av tillverkningen av mikrochips? En digital tvilling kan förutsäga risken för att detta ska hända, spåra effekten det skulle ha på din leveranskedja och – med hjälp av förstärkningsinlärning – föreslå vilka åtgärder som ska vidtas för att minimera skadan.

Om du är en biltillverkare i USA:s mellanvästern, kan en digital tvilling föreslå att du köper extra komponenter från en distributör på västkusten som fortfarande har överskott. Men koppla ihop flera scenarier och saker blir snart enormt komplexa. Till exempel, enligt Simchi-Levi, har Ford mer än 50 fabriker runt om i världen, som använder 35 miljarder delar för att producera 6 miljoner bilar och lastbilar varje år. Det finns cirka 1 400 leverantörer fördelade på 4 400 tillverkningsanläggningar som den interagerar direkt med, och en stapel av leverantörer och leverantörers leverantörer upp till 10 lager djupt mellan Ford och råvarorna som ingår i dess fordon. Vilken som helst av dessa länkar skulle kunna gå sönder, och ett bra stresstest skulle behöva undersöka var och en av dem.

Digitala tvillingar använder så mycket data som möjligt för att köra sina simuleringar och träna sina AI:er. Det finns logistisk information om företaget och dess leverantörer, som tar hänsyn till indata som lager- och fraktdata. Sedan finns det data om konsumentbeteende, baserat på marknadsanalyser och finansiella prognoser. Och data om världen i stort, såsom geopolitiska och socioekonomiska trender. Simchi-Levi har till och med hämtat data från sociala medier för att förutsäga människors beteende, särskilt under pandemin.

Googles digitala tvilling kan anslutas till Google Earth och tar hänsyn till globala vädermönster. Om du är en grönsaksodlare i Kalifornien kan du köra simuleringar för att se vilka av dina fält som är i riskzonen från La Niña, säger Thalbauer. När Google konfigurerar en digital tvilling för en kund som Renault kan de välja vilken av de många tillgängliga datakällorna som ska inkluderas.

Relaterad berättelse

Hur lockdown förändrar shopping för gott Stora onlinebutiker är baserade på stora automatiserade lager. Mindre och billigare versioner av denna teknik kommer att vara nyckeln om mindre butiker ska överleva genom en serie nedstängningar.

Pathmind tar ett mindre tungviktssätt. Dess digitala tvilling omsluter helt enkelt ett företags befintliga verktyg för hantering av försörjningskedjor och utnyttjar den data de redan producerar. Den utökar sedan dessa data genom att köra vad-om-simuleringar och lägga till den resulterande syntetiska data till potten som den tränar sin AI på. Tillvägagångssättet liknar hur AlphaZero bemästrade Go och schack genom att spela miljontals virtuella spel mot sig själv. Istället för att lära sig vilken bit som ska flyttas på en bräda, kan digitala tvillingar lära sig vilket lager man ska beställa och när, eller var man ska öppna ett nytt lager.

Med rätt syntetisk data kan en digital tvilling lära sig att reagera på tidigare osynliga händelser, till och med globala pandemier. Det är här vi kommer in på hela hemligheten med 'Varför är AI smart?' säger Nicholson. Den lever mer än vi gör, i dessa många olika världar, av vilka några aldrig har funnits tidigare.

I teorin kan vem som helst dra nytta av denna teknik. I praktiken kommer det att finnas vinnare och förlorare. Digital-twin-teknologi ger en kraftfull möjlighet för företag av alla storlekar, säger Rick Lazio, en advokat och tidigare amerikansk kongressledamot som nu är senior vice president på Alliantgroup, ett USA-baserat skattekonsultföretag. Men han noterar att det är större företag, som redan är bäst skyddade från förluster, som börjar använda denna teknik snabbast.

Lazio tror att många mindre företag kommer att behöva lite hjälp, kanske genom statliga investeringar, för att hindra dem från att hamna på efterkälken. Företag som anammar teknik tidigt ser fördelar som är större än summan av dess delar, säger han.

Och det är inte bara mindre företag. Många av världens hamnar körs på papper; om du har tur använder de PDF-filer och e-postmeddelanden, säger Nicholson. Dessa är stora operatörer, inte en ljustillverkare i New Hampshire. Men utan digitalisering får vi ingen AI.

Simchi-Levi är mer optimistisk. Många företag brukade anta att det skulle ta enorma investeringar och år att betala för sig att skapa en digital tvilling, säger han, men det är inte längre fallet: en miljon dollar och 18 månader kan ge dig många av fördelarna.

Simchi-Levi tvivlar inte på att surret kring digitala tvillingar kommer att finnas kvar även när de värsta av de nuvarande störningarna är över. Om det inte är pandemin så blir det något annat, säger han. De senaste åren har lärt företag hur man förbereder sig bättre och hur man konkurrerar bättre. När vi återgår till det normala blir det inte som tidigare, säger han. Pandemin visade att framtiden är här.

Dölj