A szállítás és logisztika nem olyan szektor, amelynek kívülről kellene beengednie az AI-t. Tervezőszoftverek, track-and-trace, útvonaloptimalizálás és raktárkezelő rendszerek évtizedek óta üzemelnek itt. Ez a látszólagos előny keltheti azt a benyomást, hogy van előny: van adat, vannak rendszerek, van egy mérési és optimalizálási kultúra. Azonban a hybridresourcing érettségmérése megmutatja, hogy ez valami más, mint az AI-készenlét. Egy szervezet kiváló lehet az operatív rendszerekben, és mégis a fundamentális dimenziókon — organizáció, IT-infrastruktúra, adatmenedzsment — még baseline vagy foundation szinten állhat. A kérdés nem az, hogy vannak-e rendszerek, hanem az, hogy ezek a rendszerek kommunikálnak-e egymással, és hogy a szervezet úgy van-e felépítve körülöttük, hogy valami újat lehessen rájuk építeni.
A szállítás és logisztika szektoron belül a vállalatok közötti viszony erősen eltér a tevékenység típusától függően. Egy szereplő, aki elsősorban tervezéssel és irányítással foglalkozik, saját szoftverfejlesztéssel és olyan IT-osztállyal, amely a rendszereket össze tudja kapcsolni, gyakran közelebb áll az activation vagy insight szinthez. Egy szereplő, aki elsősorban a végrehajtást végzi — vezetés, be- és kirakodás — és különböző beszállítók részrendszereinek gyűjteményével dolgozik, gyakran még foundation szinten áll. A szektor nagy része valahol e két pozíció között helyezkedik el, egy fundamentális réteggel, amely jobban kiépült, mint sok más szektorban, de amelynél az adatmenedzsment lemarad: az adatok gyakran szigetekben állnak rendszerenként, telephelyenként, ügyfelenként, anélkül, hogy bárki tulajdonosa lenne az egésznek.
Ez a szállítást eltérő pozícióba helyezi azokhoz a szektorokhoz képest, ahol éppen a szervezeti struktúra a szűk keresztmetszet. A zakelijke dienstverlening esetében gyakran magának az adatgyűjtésnek a problémája áll fennt, mivel a munka nagy részét strukturálatlan kommunikáció alkotja. A szállításnál éppen sok strukturált adat áll rendelkezésre — helyszínek, időpontok, súlyok, hőmérsékletek — de ezek az adatok olyan rendszerek között vannak szétszórva, amelyeket nem úgy építettek, hogy egymással kommunikáljanak. Ez másfajta hátrány, mint az adathiány; ez az összefüggés hiánya.
Egy plot-fordulóban, amelyben különböző emberek egymástól függetlenül pontoznak, a szállítási vállalatoknál gyakran felismerhető minta figyelhető meg. Az operatív menedzsment magasra pontozza az IT-infrastruktúrát, mert az általuk naponta használt rendszerek jól működnek a saját folyamatukhoz. Az IT vagy egy CIO alacsonyabbra pontozza ugyanezt a dimenziót, mert ők tudják, mennyi manuális munka szükséges az adatok rendszerek közötti átviteléhez. Ez a szórás nem mérési hiba. Ez a különbség egy olyan rendszer között, amely működik az adott feladathoz, amelyre épült, és egy olyan infrastruktúra között, amely alkalmas új funkcionalitás felépítésére. Az AI-alkalmazások szempontjából éppen ez a második kérdés releváns, és ezt ritkán teszik fel a napi működés során.
A hét dimenzió egymásra épül, és a szállításnál ez a felépítés jól látható. Egy olyan adatmenedzsment-réteg nélkül, amely a tervezőrendszerekből, telematikából és ügyfélportálokból származó információt összehozza, egy AI-alkalmazásnak nincs semmi következetes, amire tanulhatna vagy amire reagálhatna. Azok a vállalatok, amelyek kihagyják ezt a lépést és azonnal egy AI-pilotot indítanak egy részfolyamaton — például prediktív karbantartás egyetlen kamiontípuson —, gyakran azt tapasztalják, hogy az eredmény nem skálázódik a teljes flottára, egyszerűen azért, mert az alapul szolgáló adatokat nem azonos módon rögzítették. Ez nem az AI technikai hibája, hanem jele annak, hogy a fundamentális réteg még nincs kész.
Ez a sorrend nem csak a szállításra érvényes. Az agrarische sector esetében hasonló probléma jelentkezik a szenzoradatokkal, amelyeket termesztésenként vagy vállalatonként másképp rögzítenek, és a detailhandel esetében ezt visszalátjuk a készlet- és értékesítési adatokban, amelyek üzletláncként vagy csatornánként külön állnak. A szállítás abban különbözik, hogy mennyi strukturált adat létezik már, ami a fundamentális lépést egyszerre könnyebbé és csábítóbbá teszi arra, hogy kihagyják — könnyebbé, mert az építőkövek megvannak, csábítóbbá, mert az az érzés keletkezik, hogy már messzire jutottak.
A hybridresourcing érettségmérése ezt a mintát öt szintre osztja, baseline-tól intelligence-ig, a hét dimenzión elosztva. Egy szállítási vállalat számára ez általában egy olyan profilt eredményez, amelyben erős az operatív réteg és gyengébb az adat- és organizációs réteg, a különbségek pedig vállalati egységenként vagy telephelyenként jelentősek lehetnek. Ez a profil nem mond semmit arról, hogy az AI működni fog-e vagy nem, és semmit egy időbeli útvonalról. Megmutatja, melyik dimenzió tartja jelenleg vissza a másikat, és ez pontosan az az információ, amely szükséges, mielőtt egy szervezet eldönti, hol kezdje. Az ezt a mérést végző eszköz épülőben van; aki ezzel szeretne dolgozni, amint elérhetővé válik, feliratkozhat a várólistára.
Ez az oldal arról a kérdésről szól, hogy a szervezet elviseli-e az AI-t — hogy az organizáció, infrastruktúra és adat alapjai rendben vannak-e, mielőtt bármit rájuk építenének. Ez más kérdés, mint az, hogy a munka melyik része vehető át magától az AI-tól. Erre a kérdésre, az egyéni feladatok szintjén a tervezésen, szállításon és logisztikai adminisztráción belül, ott van az FTE TO AI munkaszken: az minden feladatra kiszámítja, mekkora részét veheti át az AI, függetlenül attól, milyen szinten áll a körülötte lévő szervezet. Aki azt akarja tudni, hol áll a szervezet, ennél a mérésnél kezdje; aki azt akarja tudni, mi történik magával a munkával, azt a munkaszkenben találja meg.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.