Transports un logistika nav nozare, kurai AI jāielaiž no ārpuses. Plānošanas programmatūra, track-and-trace, maršrutu optimizācija un noliktavu pārvaldības sistēmas šeit darbojas jau gadu desmitiem. Tas rada priekšrocības ilūziju: ir dati, ir sistēmas, ir mērīšanas un optimizēšanas kultūra. Bet hybridresourcing.com briedumu mērījums rāda, ka tas ir kas citāds nekā AI gatavība. Organizācija var būt lieliska operacionālajās sistēmās un tomēr fundamentālajos aspektos — organizācija, IT infrastruktūra, datu pārvaldība — vēl atrasties baseline vai foundation līmenī. Jautājums nav, vai ir sistēmas, bet vai tās sistēmas sarunājas viena ar otru un vai organizācija ir izveidota tā, lai uz tā varētu būvēt ko jaunu.
Transporta un logistikas nozarē attiecība starp uzņēmumiem ļoti atšķiras atkarībā no darbības veida. Uzņēmums, kas galvenokārt nodarbojas ar plānošanu un vadību, ar savu programmatūras izstrādi un IT nodaļu, kas spēj savienot sistēmas viena ar otru, bieži atrodas tuvāk activation vai insight līmenim. Uzņēmums, kas galvenokārt veic izpildi — brauc, kravā, izkrauj — un strādā ar dažādu piegādātāju daļēju sistēmu kopumu, bieži vēl atrodas foundation līmenī. Lielākā daļa nozares atrodas kaut kur starp šīm divām pozīcijām, ar fundamentālo slāni, kas ir labāk izbūvēts nekā daudzās citās nozarēs, bet ar datu pārvaldību, kas atpaliek: dati bieži atrodas silosos pēc sistēmas, pēc filiāles, pēc klienta, bez tā, ka kāds ir visa kopuma īpašnieks.
Tas novieto transportu atšķirīgā pozīcijā salīdzinājumā ar nozarēm, kurās tieši organizācijas struktūra ir šaurā vieta. Biznesa pakalpojumu nozarē bieži problēma ir tieši datu vākšana pati, jo darbs lielā mērā sastāv no nestrukturētas komunikācijas. Transportā, savukārt, ir daudz strukturētu datu — atrašanās vietas, laiki, svari, temperatūras — bet šie dati ir izkaisīti sistēmās, kas nav būvētas, lai sazinātos viena ar otru. Tā ir citāda veida atpalicība nekā datu trūkums; tā ir saskaņotības trūkums.
Punktu izvietošanas kārtā, kurā dažādi cilvēki vērtē neatkarīgi viens no otra, transporta uzņēmumos bieži pamanāms atpazīstams modelis. Operatīvā vadība vērtē IT infrastruktūru augstu, jo sistēmas, kuras viņi lieto ik dienu, labi darbojas viņu pašu procesam. IT vai CIO vērtē to pašu aspektu zemāk, jo viņi zina, cik daudz manuāla darba nepieciešams, lai pārvietotu datus starp sistēmām. Šī izkliede nav mērījuma kļūda. Tā ir atšķirība starp sistēmu, kas darbojas uzdevumam, kuram tā ir būvēta, un infrastruktūru, kas ir piemērota, lai uz tās būvētu jaunu funkcionalitāti. AI lietojumiem galvenokārt tas otrais jautājums ir relevants, un to reti uzdod ikdienas darbības laikā.
Septiņi aspekti balstās viens uz otra, un transportā šo uzbūvi var labi redzēt. Bez datu pārvaldības slāņa, kas savieno informāciju no plānošanas sistēmām, telemātikas un klientu portāliem, AI lietojumam nav nekā konsekventa, uz kā trenēties vai reaģēt. Uzņēmumi, kas šo soli izlaiž un tieši sāk AI pilotprojektu vienā daļējā procesā — piemēram, prognozējošu apkopi vienam kravas automašīnas tipam — bieži pamana, ka rezultāts nav mērogojams uz visu autoparku, vienkārši tāpēc, ka pamatā esošie dati nav fiksēti vienādā veidā. Tas nav AI tehnisks defekts, bet zīme, ka fundamentālais slānis vēl nav pabeigts.
Šī secība neattiecas vienīgi uz transportu. Agrārajā nozarē parādās tāda pati problēma ar sensoru datiem, kas tiek fiksēti atšķirīgi pēc kultūras vai uzņēmuma, un mazumtirdzniecībā tas atspoguļojas krājumu un pārdošanas datos, kas atsevišķi pastāv pēc veikala tīkla vai kanāla. Transports atšķiras ar strukturēto datu apjomu, kas jau pastāv, kas fundamentālo soli padara vienlaikus vieglāku un kārdinošāku izlaist — vieglāku, jo pamatelementi ir pieejami, kārdinošāku, jo rodas sajūta, ka esat jau tālu tikuši.
hybridresourcing.com briedumu mērījums šo modeli izklāsta piecos līmeņos, no baseline līdz intelligence, iedalītos septiņos aspektos. Transporta uzņēmumam tas parasti sniedz profilu ar stipru operacionālo slāni un vājāku datu un organizācijas slāni, ar atšķirībām, kas var būt lielas pa uzņēmuma daļām vai filiālēm. Šis profils nepasaka nekā par to, vai AI darbosies vai ne, un nekā par termiņu. Tas parāda, kurš aspekts šobrīd bremzē pārējos, un tā tieši ir informācija, kas nepieciešama pirms organizācija lemj, kur sākt. Rīks, kas veic šo mērījumu, tiek izstrādāts; tie, kas vēlas ar to strādāt, tiklīdz tas būs pieejams, var pieteikties gaidīšanas sarakstam.
Šī lapa runā par jautājumu, vai organizācija var nesto AI — vai organizācijas, infrastruktūras un datu pamati ir sakārtoti, pirms uz tiem kaut ko būvē. Tas ir citāds jautājums nekā tas, kuru daļu no paša darba var pārņemt AI. Šim jautājumam, individuālu uzdevumu līmenī plānošanā, transportā un loģistikas administrēšanā, ir FTE TO AI darba skenēšana: tā aprēķina katram uzdevumam, kuru daļu no tā AI var pārņemt, neatkarīgi no tā, kādā līmenī atrodas organizācija apkārt. Kas vēlas zināt, kur organizācija atrodas, sāk ar šo mērījumu; kas vēlas zināt, kas notiek ar pašu darbu, to atradīs darba skenēšanā.
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.