Transportas ir logistika nėra sektorius, kuriam AI reikia įsileisti iš išorės. Planavimo programinė įranga, siuntų sekimas, maršrutų optimizavimas ir sandėlio valdymo sistemos čia veikia jau dešimtmečius. Tai sukuria pranašumo įspūdį: yra duomenų, yra sistemų, yra matavimo ir optimizavimo kultūra. Tačiau hybridresourcing.com brandumo vertinimas rodo, kad tai skiriasi nuo pasirengimo AI. Organizacija gali būti puiki operacinių sistemų srityje, o pagrindinėse dimensijose – organizacijoje, IT infrastruktūroje, duomenų valdyme – vis tiek gali būti baseline arba foundation lygyje. Klausimas nėra, ar yra sistemų, o ar tos sistemos „bendrauja“ tarpusavyje ir ar organizacija yra suorganizuota taip, kad ant jų būtų galima kurti kažką naujo.
Transporto ir logistikos sektoriuje santykis tarp įmonių labai skiriasi pagal veiklos tipą. Įmonė, kuri daugiausia užsiima planavimu ir koordinavimu, turinti savo programinės įrangos kūrimą ir IT skyrių, galintį susieti sistemas tarpusavyje, dažnai yra arčiau activation arba insight lygio. Įmonė, kuri daugiausia vykdo – vairuoja, kraunasi, iškrauna – ir naudoja kelių skirtingų tiekėjų dalinių sistemų rinkinį, dažnai vis dar yra foundation lygyje. Didžioji dalis sektoriaus yra kažkur tarp šių dviejų pozicijų, su pagrindiniu sluoksniu, kuris yra geriau išplėtotas nei daugelyje kitų sektorių, tačiau su duomenų valdymu, kuris atsilieka: duomenys dažnai yra izoliuoti pagal sistemą, padalinį, klientą, ir niekas nėra viso to savininkas.
Tai transportą pastato į kitokią padėtį nei sektoriai, kuriuose tiesiog organizacinė struktūra yra kliūtis. Verslo paslaugų sektoriuje dažnai pati duomenų rinkimo problema yra pati problema, nes darbas didele dalimi susideda iš nestruktūrizuotos komunikacijos. Transporte, priešingai, yra daug struktūrizuotų duomenų – vietovių, laikų, svorio, temperatūros – tačiau šie duomenys yra pasklidę po sistemas, kurios nebuvo sukurtos tarpusavyje bendrauti. Tai kitokio pobūdžio atsilikimas nei duomenų trūkumas; tai darnos trūkumas.
Vertinimo etape, kuriame keli žmonės nepriklausomai vienas nuo kito vertina, transporto įmonėse dažnai pastebimas pažįstamas modelis. Operacinė vadovybė aukštai vertina IT infrastruktūrą, nes sistemos, kurias jie naudoja kasdien, gerai veikia jų pačių procesui. IT skyrius arba CIO tą pačią dimensiją vertina žemiau, nes jie žino, kiek rankinio darbo reikia duomenims perkelti tarp sistemų. Šis skirtumas nėra matavimo klaida. Tai skirtumas tarp sistemos, kuri veikia užduočiai, kuriai ji buvo sukurta, ir infrastruktūros, kuri yra tinkama kurti naują funkcionalumą. AI taikymams svarbiausias yra tas antrasis klausimas, ir jis retai užduodamas kasdienės veiklos metu.
Septynios dimensijos remiasi viena kita, ir transporte tai gerai matoma. Neturint duomenų valdymo sluoksnio, kuris sujungtų informaciją iš planavimo sistemų, telematikos ir klientų portalų, AI taikymas neturi nieko nuoseklaus, ką galėtų mokytis arba į ką reaguoti. Įmonės, kurios šį žingsnį praleidžia ir tiesiog paleidžia AI bandomąjį projektą vienam daliniam procesui – pavyzdžiui, prognozuojamai priežiūrai vienam sunkvežimių tipui – dažnai pastebi, kad rezultatas neišplečiamas visam automobilių parkui, tiesiog dėl to, kad pagrindiniai duomenys nebuvo fiksuojami tuo pačiu būdu. Tai nėra AI techninis trūkumas, o ženklas, kad pagrindinis sluoksnis dar nėra sutvarkytas.
Šis eiliškumas taikomas ne tik transportui. Žemės ūkio sektoriuje ta pati problema pasireiškia su sensorų duomenimis, kurie fiksuojami skirtingai pagal pasėlį ar įmonę, o mažmeninėje prekyboje tai atsispindi atsargų ir pardavimų duomenyse, kurie yra atskiri kiekvienoje parduotuvių tinkle ar kanale. Transportas išsiskiria struktūrizuotų duomenų, kurie jau egzistuoja, kiekiu, o tai tuo pačiu metu daro pagrindinį žingsnį lengviau ir viliojančiau praleisti – lengviau, nes komponentai jau yra, viliojančiau, nes jaučiasi, kad esate jau toli pažengę.
hybridresourcing.com brandumo vertinimas šį modelį suskirsto į penkis lygius, nuo baseline iki intelligence, paskirstytus per septynias dimensijas. Transporto įmonei tai dažniausiai duoda profilį su stipriu operaciniu sluoksniu ir silpnesniu duomenų ir organizacijos sluoksniu, o skirtumai tarp verslo padalinių ar padalinių gali būti didelį. Šis profilis nepasako, ar AI veiks, ar ne, ir nepasako nieko apie laiko planą. Jis parodo, kuri dimensija šiuo metu laiko kitas atgal, ir tai yra tiksliai ta informacija, kuri reikalinga prieš organizacijai nusprendžiant, nuo ko pradėti. Įrankis, kuris atlieka šį vertinimą, yra kuriamas; tie, kurie norėtų jį naudoti, kai jis bus paruoštas, gali registruotis į laukiančiųjų sąrašą.
Šis puslapis nagrinėja klausimą, ar organizacija gali „išnešti“ AI – ar organizacijos, infrastruktūros ir duomenų pagrindai yra sutvarkyti, prieš ant jų kažką statant. Tai kitas klausimas nei tas, kurią darbo dalį pati AI gali perimti. Tam klausimui, atskirų užduočių lygmenyje planavimo, transporto ir logistikos administravimo srityse, yra FTE TO AI darbo vertinimas: jis apskaičiuoja kiekvienai užduočiai, kokią jos dalį AI gali perimti, nepriklausomai nuo to, kokiame lygyje yra organizacija aplink ją. Kas norėtų sužinoti, kur stovi organizacija, pradeda nuo šio vertinimo; kas norėtų sužinoti, kas nutinka pačiam darbui, tai ras darbo vertinime.
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.