લોજિસ્ટિક્સ અને સપ્લાય ચેઇનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, ચકાસણી અને ડેટા

નફો:

• પુરવઠા શૃંખલામાં (આગાહી, આયોજન, દસ્તાવેજ, વિશ્લેષણ) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં વાસ્તવિક સમય બચાવે છે અને જ્યાં શિપમેન્ટ અને સ્ટોક ઇન્વેસ્ટમેન્ટ જેવા નિર્ણયો માનવો પર છોડી દેવામાં આવે છે, તે કાર્ય જોખમના સ્તરને આધારે અલગ પાડવામાં સક્ષમ છે.
• એક એવી શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક AI આઉટપુટને સ્ત્રોત સાથે લિંક કરવા, તેની પુનઃગણતરી અને તેને ઓપરેશનલ ફિલ્ટરિંગના પગલાં દ્વારા ચકાસે છે.
• ગોપનીયતા અને સ્પર્ધાના નિયમોના દાયરામાં ઓપરેશનલ અને કોમર્શિયલ ડેટાનું રક્ષણ કરવું અને સલામત વાહનો પસંદ કરવાની ટેવ પાડવી

તમે એવી દુનિયામાં કામ કરો છો જ્યાં શિપમેન્ટમાં વિલંબ થાય ત્યારે ફોન વાગવાનું બંધ થઈ જાય છે, જ્યારે સ્ટોક સમાપ્ત થાય છે ત્યારે પ્રોડક્શન લાઇન બંધ થઈ જાય છે અને જ્યારે સપ્લાયર નાદાર થઈ જાય છે ત્યારે આખી યોજના પડી ભાંગે છે. લોજિસ્ટિક્સ અને સપ્લાય ચેઇન; તે સમગ્ર સાંકળ છે જે સુનિશ્ચિત કરે છે કે સામાન યોગ્ય જગ્યાએ, યોગ્ય સમયે, યોગ્ય જથ્થામાં અને સૌથી ઓછી વ્યાજબી કિંમતે ઉપલબ્ધ છે - કાચા માલની પ્રાપ્તિ, ઉત્પાદન, સંગ્રહ, પરિવહન અને અંતિમ ગ્રાહક સુધી પહોંચાડવા સુધી. આ સાંકળની દરેક લિંક ડેટા ઉત્પન્ન કરે છે: ઓર્ડર, સ્ટોક, સ્થાન, તાપમાન, વિતરણ સમય, ઇન્વૉઇસ. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI - સોફ્ટવેર જે ઐતિહાસિક ડેટામાંથી પેટર્ન કાઢે છે અને આગાહીઓ અને ટેક્સ્ટનું ઉત્પાદન કરે છે) ડેટાની આ વિપુલતામાં તમારો સમય બચાવે છે. પરંતુ આ મોડ્યુલની શરૂઆત સ્પષ્ટ છે: AI એ સહાયક, ડ્રાફ્ટ જનરેટર અને નિર્ણય સહાયક સાધન છે; તમે શિપમેન્ટ, સ્ટોક રોકાણ અને સપ્લાયરની પસંદગી પર સહી કરનાર છો.

આ પ્રથમ એકમમાં આપણે શિસ્ત પર ધ્યાન કેન્દ્રિત કરીશું, સાધન પર નહીં. તમે શીખી શકશો કે AI વાસ્તવિક સમયને ક્યાં બચાવે છે અને તે ક્યાં જોખમી છે, દરેક આઉટપુટને કેવી રીતે ચકાસવું અને તમે કયા ટૂલને કયો ડેટા આપી શકો છો. આ પાયો નાખ્યા વિના, અનુગામી એકમો હવામાં રહેશે.

સાંકળમાં AI ક્યાં કામમાં આવે છે?

ચાલો લોજિસ્ટિક્સની નોકરીઓને બે મોટા ક્લસ્ટરમાં વિભાજીત કરીએ. પ્રથમ ક્લસ્ટર: પુનરાવર્તિત, ડેટા આધારિત, ઉત્પાદક કાર્ય. માંગની આગાહી માટે પાછલા વેચાણનો સારાંશ આપવો, એક્સેલમાં ઈન્વેન્ટરી મૂવમેન્ટમાંથી પેટર્ન કાઢવા, સપ્લાયર ઈમેઈલ પર પ્રોફેશનલ પ્રતિસાદનો મુસદ્દો તૈયાર કરવો, વિલંબના કિસ્સામાં ગ્રાહકને જાણ કરવા માટે ટેક્સ્ટ તૈયાર કરવી, શિપિંગ ડેટાની સેંકડો પંક્તિઓનું જૂથબદ્ધ કરવું અને અર્થઘટન કરવું. આ કાર્યોમાં, AI મિનિટથી સેકંડ સુધી ઘટાડે છે અને થાકતો નથી.

બીજું ક્લસ્ટર: નિર્ણયો જેના પરિણામ પૈસા, સુરક્ષા અથવા સ્થાયીતા છે. કયા સપ્લાયર કરાર પર હસ્તાક્ષર કરશે, કેટલો સ્ટોક રોકાણ કરવામાં આવશે, શિપમેન્ટ કયા રૂટ પર લેશે, વાહન ટ્રીપ પર જશે કે નહીં. આ નિર્ણયોને સંદર્ભ, અંતર્જ્ઞાન, વિચાર-વિમર્શ અને જવાબદારીની જરૂર છે. અહીં, AI વિકલ્પોને દૃશ્યમાન બનાવે છે, દૃશ્યોની ગણતરી કરે છે - પરંતુ તમે બટન દબાવો.

ચાલો એક વાક્યમાં તફાવત સ્પષ્ટ કરીએ: AI "શું થઈ રહ્યું છે અને શું થઈ શકે છે" પ્રશ્નો પર મજબૂત છે; "મારે શું કરવું જોઈએ અને કોણ તેની ખાતરી આપશે?" જેવા પ્રશ્નો આવે ત્યારે નિર્ણય તમારો છે. વ્યવસાયિક જે આ ભેદને આંતરિક બનાવે છે તે ન તો અતિવિશ્વાસ સાથે AI નો ઉપયોગ કરે છે અને ન તો તેને ડરથી નકારી કાઢે છે; તે તેનો ઉપયોગ યોગ્ય જગ્યાએ અને યોગ્ય માત્રામાં કરે છે.

ટીપ: AI માં નોકરીનું આઉટસોર્સિંગ કરતા પહેલા, તમારી જાતને પૂછો: "જો આ આઉટપુટ ખોટું હોય તો હું શું ગુમાવીશ?" જો જવાબ "થોડી મિનિટો" હોય, તો નિઃસંકોચ પ્રતિનિધિત્વ કરો. જો જવાબ "પૈસા, ગ્રાહકો અથવા સુરક્ષા" છે, તો AI ને ડ્રાફ્ટ બનાવવા દો અને તમે નિર્ણયની ચકાસણી કરો.

ચકાસણી શિસ્ત: ત્રણ પગલાં

AI અસ્ખલિત અને વિશ્વાસપૂર્વક બોલે છે; તેનો અર્થ એ નથી કે તે સાચું છે. AI ક્યારેક-ક્યારેક આભાસ પેદા કરે છે - એટલે કે, તે અસ્તિત્વમાં નથી એવી સંખ્યા, નિયમ અથવા સ્ત્રોતને વાસ્તવિક બનાવે છે. લોજિસ્ટિક્સમાં, કાલ્પનિક સ્ટોકની ગણતરી ખોટા ઓર્ડર તરફ દોરી જાય છે, એક કાલ્પનિક કસ્ટમ્સ નિયમ દંડ તરફ દોરી જાય છે. તેથી દરેક આઉટપુટ પર લાગુ કરવા માટે ત્રણ-પગલાની રીફ્લેક્સ વિકસાવો:

1. તેને સ્ત્રોત સાથે જોડો. દરેક નંબર અને AI જે દાવો કરે છે તે તમે પ્રદાન કરો છો તે ડેટા અથવા ચકાસી શકાય તેવા દસ્તાવેજ પર આધારિત હોવો જોઈએ. "તને આ આંકડો કઈ લાઇનમાંથી મળ્યો?" પૂછો જો તે સ્રોત ટાંકી શકતો નથી, તો તે આકૃતિ પર વિશ્વાસ કરશો નહીં.
2. ફરીથી ગણતરી કરો. ક્રિટિકલ એકાઉન્ટ (સેફ્ટી સ્ટોક, ઓર્ડરનો જથ્થો, કુલ કિંમત) જાતે અથવા સ્વતંત્ર ફોર્મ્યુલા સાથે ચકાસો. AI ને ફોર્મ્યુલા સ્પષ્ટ રીતે બતાવવા માટે કહો જેથી કરીને તમે તેને ચકાસી શકો.
3. તેને ઓપરેશનલ ફિલ્ટરમાંથી પસાર કરો. શું આઉટપુટ ક્ષેત્રમાં અર્થપૂર્ણ છે? શું દરખાસ્ત સપ્લાયર પ્રતિબંધો, કાયદાઓ અને કરારોનું પાલન કરે છે જેના વિશે તમે જાણો છો? તમારું ડોમેન જ્ઞાન અંતિમ ફિલ્ટર છે.

સાવધાન: "એઆઈએ આમ કહ્યું" એ કોઈ વાજબી નથી. જો કોઈ ભૂલ થાય છે, તો જવાબદારી એઆઈની નથી, પરંતુ તે વ્યક્તિની છે જે તેની ચકાસણી કર્યા વિના તે આઉટપુટનો ઉપયોગ કરે છે. વણચકાસાયેલ AI આઉટપુટ વાંચ્યા વગરના અને સહી કરેલ ડિસ્પેચ ઓર્ડર જેટલું જોખમી છે.

ડેટા ગોપનીયતા અને સ્પર્ધા: શું ક્યાં જાય છે?

લોજિસ્ટિક્સમાં, ડેટા માત્ર સંવેદનશીલ જ નથી પરંતુ ઘણીવાર વેપારના રહસ્યો પણ હોય છે. જો તમારી કિંમત સૂચિઓ, સપ્લાયર કરારની શરતો, ગ્રાહકની સંખ્યા અને ખર્ચ માળખું તમારા હરીફના હાથમાં આવે છે, તો તમારી સ્પર્ધાત્મક શક્તિ અદૃશ્ય થઈ જશે. એટલા માટે તમે કયા ટૂલને કયો ડેટા આપવો તે એક મહત્વપૂર્ણ નિર્ણય છે.

એક સરળ વર્ગીકરણ કરો: ઓપન ડેટા (જાહેર, પ્રકાશિત માહિતી) કોઈપણ વાહન દાખલ કરી શકે છે. માત્ર એજન્સી-મંજૂર વાહનો માટે આંતરિક ડેટા (ઓપરેશનલ પરંતુ ગુપ્ત નથી). ગોપનીય/વેપાર ગુપ્ત ડેટા (કિંમત, કરાર, ગ્રાહક) ફક્ત સંસ્થાના કરાર કરાયેલા વાહનોમાં જ પ્રવેશે છે, જેનો ડેટા મોડેલ તાલીમમાં જતો નથી, પ્રાધાન્યપણે માસ્ક કરેલ હોય છે. તમારા સપ્લાયર કોન્ટ્રાક્ટને મફત, સાર્વજનિક રૂપે ઉપલબ્ધ સાધનમાં પેસ્ટ કરવાથી તે ડેટા તમારા નિયંત્રણની બહાર છે.

માસ્કિંગ અને અનામી રાખવાની આદત પણ અપનાવો: વાસ્તવિક સપ્લાયરના નામને બદલે "સપ્લાયર A" નો ઉપયોગ કરો, વાસ્તવિક ગ્રાહકને બદલે "ગ્રાહક 1" નો ઉપયોગ કરો. AI વાસ્તવિક નામની જરૂરિયાત વિના પેટર્નને બહાર કાઢે છે; તમે પરિણામને તમારા પોતાના ટેબલ પર મેપ કરો છો.

ત્રણ નાના કેસો

કેસ 1 - યોગ્ય જગ્યાએ સમય બચાવનાર. ડિસ્ટ્રિબ્યુશન કંપનીના પ્લાનિંગ નિષ્ણાત દરરોજ સવારે 90 મિનિટનો સમય 40 શાખાઓમાંથી સ્ટૉકની વિનંતીઓનો મેન્યુઅલી સારાંશ આપતા હતા. તેણે AI ને અનામી (બ્રાંચ કોડેડ, અનામી) ડેટા આપ્યો અને કહ્યું, "તેને આ ફોર્મેટમાં સારાંશ આપો અને અસામાન્ય વિનંતીઓને ચિહ્નિત કરો." સમય ઘટાડીને 15 મિનિટ કરવામાં આવ્યો. તેણે કમાણી કરેલી 75 મિનિટ વાસ્તવિક લોકો સાથે એક પછી એક AI દ્વારા ફ્લેગ કરાયેલી અસામાન્ય વિનંતીઓની પુષ્ટિ કરવા માટે સમર્પિત કરી. AI એ પુનરાવર્તિત કાર્ય છીનવી લીધું; ચુકાદો માણસ પાસે રહ્યો.

કેસ 2 — માન્યતામાં ભૂલ આવી. એક પરચેઝિંગ મેનેજરે AI ને ત્રણ સપ્લાયરોના ક્વોટ્સની સરખામણી કરવા કહ્યું. એઆઈએ એક સુઘડ ચિત્ર આપ્યું; પરંતુ પ્રિન્સિપાલે "પુનઃગણતરી" પગલું કર્યું અને શોધ્યું કે AI દ્વારા સપ્લાયરની યુનિટની કિંમત ખોટી રીતે ઉમેરવામાં આવી હતી — AI એ ડિસ્કાઉન્ટ લાઇનની બે વાર ગણતરી કરી હતી. મેન્યુઅલ ચેકિંગ 240,000 TL ના ખોટા નિર્ણયને અટકાવે છે. આઉટપુટ સરળ હતું પરંતુ અચોક્કસ હતું.

કેસ 3 - ગોપનીયતા ભંગમાંથી પાછા ફરો. એક ઇન્ટર્નએ સાર્વજનિક ટૂલમાં સૌથી મોટા ક્લાયન્ટની વાર્ષિક વોલ્યુમ અને વિશેષ કિંમતની શરતો પેસ્ટ કરી અને કહ્યું "મને વધુ સારી દરખાસ્ત ટેક્સ્ટ લખો." ડિપાર્ટમેન્ટ મેનેજરે હસ્તક્ષેપ કર્યો: આ નિયંત્રણ બહારનું વેપાર રહસ્ય હતું અને ક્લાયન્ટ કરારમાં ગોપનીયતા કલમનું ઉલ્લંઘન કરશે. આ જ કામ કોર્પોરેટ-મંજૂર વાહન પર કરવામાં આવ્યું હતું, જેમાં ગ્રાહકનું નામ અને વાસ્તવિક નંબરો માસ્ક કરવામાં આવ્યા હતા.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) નોકરીની યોગ્યતાનું મૂલ્યાંકન:

તમારી ભૂમિકા: વરિષ્ઠ સપ્લાય ચેઇન કન્સલ્ટન્ટ. હું નીચે નોકરીનું વર્ણન કરીશ. મને કહો (1) શું આ કાર્ય ડ્રાફ્ટિંગ/વિશ્લેષણ કાર્ય છે જે AI ને સુરક્ષિત રીતે સોંપી શકાય છે, અથવા શું તે એક મહત્વપૂર્ણ નિર્ણય છે જે માનવીએ લેવો જોઈએ, (2) ખોટા આઉટપુટની સંભવિત કિંમત, (3) સોંપણી કરતા પહેલા મારે શું ચકાસણી કરવાની જરૂર છે. જોબ: [જોબ અહીં દાખલ કરો]

2) ચકાસણી વિનંતી (એકાઉન્ટ ડિસ્પ્લે):

આ ગણતરી કરવા માટે તમે ઉપયોગમાં લીધેલ ફોર્મ્યુલા અને દરેક મધ્યવર્તી પગલું સ્પષ્ટપણે દર્શાવો. મહેરબાની કરીને જણાવો કે મેં તમને કઈ લાઇનમાંથી કયો નંબર લીધો છે. હું તેને મેન્યુઅલી ચકાસીશ. હું જેના માટે ડેટા આપતો નથી તેવા કોઈપણ નંબરો બનાવશો નહીં. જો ખૂટે છે, તો "કોઈ ડેટા નથી" લખો.

3) ડેટા માસ્કિંગ નિયંત્રણ:

હું તમને જે લખાણ આપીશ તેમાં વેપાર રહસ્ય (કિંમત, ગ્રાહકનું નામ, કરારની સ્થિતિ) હોઈ શકે છે. પ્રથમ યાદી આ લખાણમાં કયા ક્ષેત્રોને માસ્ક કરવાની જરૂર છે; હું તેને માસ્ક કરીશ અને તેને ફરીથી મોકલીશ. જેમ છે તેમ તેનું વિશ્લેષણ કરશો નહીં.

4) વિસંગતતા માર્કિંગ:

નીચે અનામી (કોડ-આધારિત, અનામી) ઇન્વેન્ટરી/માગ ડેટા છે. કાર્ય: (1) અસામાન્ય રીતે ઊંચા/નીચા મૂલ્યોને ચિહ્નિત કરો, (2) એક વાક્યમાં સમજાવો કે દરેક શા માટે અલગ છે, (3) જણાવો કે આ ચેતવણીઓ છે જેને માનવીય પુષ્ટિની જરૂર છે, ચોક્કસ સમસ્યાઓની નહીં. તે મારા પર છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારી સપ્લાય ચેઇનમાં સુધારો કરો.

આ વિનંતી સંદર્ભ-મુક્ત છે: તે સ્પષ્ટ નથી કે કઈ પ્રક્રિયા, કયો ડેટા, કયો અવરોધ. AI સામાન્ય, અયોગ્ય વસ્તુઓનું ઉત્પાદન કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સહાયક સપ્લાય ચેઇન વિશ્લેષક. હું 40 શાખાઓ ધરાવતી ફૂડ ડિસ્ટ્રિબ્યુશન કંપનીમાં કામ કરું છું. મારી પાસે છેલ્લા 3 મહિનાનો અનામી (બ્રાંચ કોડ) દૈનિક શિપમેન્ટ ડેટા છે. મારો ધ્યેય સ્ટોક આઉટ ઘટાડવાનો છે. મને એક ચેકલિસ્ટ આપો જે સ્પષ્ટ કરે છે (1) મારે ડેટામાં કઈ પેટર્ન જોવી જોઈએ, (2) હું તમને કઈ અસંગતતાઓને ફ્લેગ કરવા ઈચ્છું છું. ધારો કે હું શોટ્સ કૉલ.

અભિગમ

ઝડપ

ચોકસાઈ જોખમ

જેની જવાબદારી

નિર્ણાયક નિર્ણયો AI પર છોડી દો

ઉચ્ચ

ખૂબ ઊંચા

અનિશ્ચિત - ખતરનાક

AI ડ્રાફ્ટ્સ, માણસ નક્કી કરે છે

ઉચ્ચ

ઓછું (જો પુષ્ટિ થાય તો)

માનવ - સાચું

બધું હાથથી ન કરો

નીચું

નીચું

માનવ પરંતુ ધીમું

ક્યારેય AI નો ઉપયોગ કરશો નહીં

નીચું

નીચું

સ્પર્ધામાં પાછળ પડે છે

સામાન્ય ભૂલો

• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. AI આત્મવિશ્વાસ સાથે બોલે છે; આનો અર્થ એ નથી કે તે સાચો છે, દરેક નિર્ણાયક નંબરને ચકાસો.
• નિર્ણાયક નિર્ણય સોંપવો. શિપમેન્ટ, સ્ટોક રોકાણ અને સપ્લાયરની પસંદગી પર AI સાઇન-ઓફ થવાથી જવાબદારી હવામાં અટકી જાય છે.
• ખુલ્લા વાહનને વેપારનું રહસ્ય આપવું. કિંમત અને કોન્ટ્રાક્ટ ડેટાને અનિયંત્રિત વાહનમાં ચોંટાડવાથી સ્પર્ધાત્મકતા જોખમાય છે.
• સ્ત્રોત માટે પૂછતા નથી. તે ક્યાંથી આવે છે તે પૂછ્યા વિના AI દ્વારા આપવામાં આવેલા નંબરનો ઉપયોગ કરવાથી આભાસનો દરવાજો ખુલે છે.
• સંદર્ભ વિના લખવાનું સંકેત આપે છે. ભૂમિકાઓ, ડેટા અને અવરોધો આપ્યા વિના લખાયેલ પ્રોમ્પ્ટ નકામી સામાન્ય સલાહ આપે છે.

ટીપ: દરેક AI સત્રની શરૂઆત "ભૂમિકા + સંદર્ભ + ડેટા + કાર્ય + અવરોધ + નિર્ણય નિર્માતા" છ સાથે કરો. આ છ એક સાથે આઉટપુટની ગુણવત્તા અને સુરક્ષામાં સુધારો કરે છે.

સારાંશમાં

લોજિસ્ટિક્સ અને સપ્લાય ચેઇન ડેટા સાથે શ્વાસ લે છે; AI એક શક્તિશાળી સહાયક છે જે આ ડેટાની અંદર પુનરાવર્તિત કાર્યોને વેગ આપે છે. પરંતુ જે નિર્ણયો પૈસા, સુરક્ષા અને સાંકળની સાતત્યને અસર કરે છે તે માનવ છે. દરેક આઉટપુટને સ્ત્રોત સાથે જોડો, પુનઃગણતરી કરો, ઓપરેશનલ ફિલ્ટર કરો. વ્યવસાય અને ઓપરેશનલ ડેટાને વર્ગીકૃત કરો અને તેને ફક્ત સુરક્ષિત સાધનો માટે પ્રદાન કરો, જ્યારે જરૂરી હોય ત્યારે તેને માસ્ક કરો. આ શિસ્ત સ્થાપિત કરનાર વ્યાવસાયિક નીચેના એકમોમાંના દરેક સાધનનો સુરક્ષિત રીતે ઉપયોગ કરે છે.

એપ્લિકેશન કાર્ય

એક અઠવાડિયામાં તમે તમારા પોતાના વ્યવસાયમાં કરો છો તે 10 વિવિધ કાર્યોની સૂચિ લખો. દરેકને "AI-સુપ્રત કરવા યોગ્ય ડ્રાફ્ટ/વિશ્લેષણ" અથવા "માનવ નિર્ણય" તરીકે ચિહ્નિત કરો અને તેની બાજુમાં "ખોટી હોય તો કિંમત" કૉલમ ઉમેરો. પછી ટ્રાન્સફર કરી શકાય તેવામાંથી એક પસંદ કરો અને ઉપર આપેલા “જોબ સ્યુટેબિલિટી એસેસમેન્ટ” ટેમ્પલેટ સાથે AI નો સંપર્ક કરો. થ્રી-સ્ટેપ વેરિફિકેશન રીફ્લેક્સ સાથે આઉટપુટનું પરીક્ષણ કરો અને તમારા અવલોકનોને 5 વસ્તુઓમાં લખો.

ચેકલિસ્ટ

• [ ] શું મેં કામને "સુપ્રત કરવા યોગ્ય" અને "માનવ નિર્ણય" માં અલગ કર્યું છે?
• [ ] શું મેં દરેક નિર્ણાયક આઉટપુટને સ્ત્રોત, પુનઃગણતરી, ફિલ્ટર કર્યું છે?
• [ ] શું મેં ડેટાને સાર્વજનિક/આંતરિક/ગોપનીય તરીકે વર્ગીકૃત કર્યો છે?
• [ ] શું મેં માત્ર ગોપનીય ડેટાને જ સુરક્ષિત સાધનમાં માસ્ક કર્યો છે?
• [ ] શું મેં મારા પ્રોમ્પ્ટમાં ભૂમિકા, સંદર્ભ, ડેટા, કાર્ય, અવરોધ અને નિર્ણય નિર્માતાનો સમાવેશ કર્યો છે?