هوش مصنوعی با ساده‌سازی فرایند زنجیره تامین و لجستیک، هزینه‌ها را کاهش داده و بهره‌وری را افزایش می‌دهد. اما در کنار فواید بسیار و انکارناپذیر کاربرد آن در این صنعت، پیاده‌سازی و تطابق این فناوری در عملیات زنجیره تامین، چالش‌هایی را نیز به دنبال دارد. زیرا اجرای بدون برنامه‌ریزی مشخص آن حتی می‌تواند فرایند کار را دچار مشکل کند. در این مطلب ۱۲ چالش کلی هوش مصنوعی در زنجیره تامین و لجستیک را بررسی می‌کنیم.
۱.جذب و تربیت نیروی انسانی کارآمد
تقاضای بسیار زیاد جذب متخصصان حوزه هوش مصنوعی رقابت بالایی در بین شرکت‌های فعال حوزه لجستیک برای جذب آن‌ها ایجاد کرده است. از طرفی چالش نیروی انسانی کارآمد در این بخش، فقط مختص به استخدام افراد نیست، بلکه آموزش نیروی انسانی فعلی را نیز شامل می‌شود. به‌عبارتی پیاده‌سازی موفق هوش مصنوعی در این حوزه به میزان زیادی وابسته به کارآمدی نیروها در تطبیق راهکارهای مرتبط با هوش مصنوعی در فرایندهای مختلف است.
۲. عدم دسترسی به داده‌ها
داده‌ها بخش اصلی عملکرد صحیح هوش مصنوعی در حوزه لجستیک و حمل و نقل محسوب می‌شوند. زیرا تصمیم‌گیری‌ها و بهبود فرایندهای مرتبط ارتباط نزدیکی با در اختیار داشتن داده‌های صحیح و واقعی دارد. در حقیقت تضمین دسترسی آسان به داده‌های واقعی و بروز در هر بخش برای کارکرد موثر هوش مصنوعی و یکپارچه شدن آن با بخش‌های مختلف زنجیره تامین بسیار ضروری است.
۳. سیستم جزیره‌ای سازمان‌ها
وجود سیستم جزیره‌ای در بسیاری از شرکت‌های لجستیک و یکپارچه نبودن آن‌ها باعث می‌شود که داده‌ها و اطلاعات هر بخش جدا از یکدیگر و محدود باقی بمانند. این موضوع باعث می‌شود که سیستم‌های هوش مصنوعی به اطلاعات جامع مورد نیاز خود دسترسی نداشته باشند. از آنجا که برای تحلیل بهینه و عملکرد کارآمد هوش مصنوعی در سازمان، داده‌های گسترده و یکپارچه نیاز است، سیستم‌های جزیره‌ای به‌دلیل پراکندگی اطلاعات خود مانع اجرای موفق آن می‌شوند.
۴.سیستم‌های سازمان قدیمی و زیرساخت‌های ایستا
وجود فرایندها و سیستم‌های قدیمی در بخش‌های عملیاتی زنجیره تامین، استفاده درست از هوش مصنوعی را هزینه‌بر و زمان‌بر می‌کند. زیرا این سیستم‌ها در تطبیق با نیازهای در حال تغییر بازار با چالش روبرو هستند. از طرفی اصلاح یا ارتقای آن‌ها نیز آسان و اقتصادی نیست و نیاز به سرمایه‌گذاری بسیار زیادی از نظر زمان و منابع مالی دارد. در این خصوص باید موارد زیر را مورد توجه قرار داد:
- پیدا کردن راهکار موثر برای ادغام آسان هوش مصنوعی در سیستم‌های قدیمی بدون اختلال در عملکرد آن‌ها
- برنامه ریزی و تخصیص کافی منابع مالی برای حفظ جریان روان عملیات زنجیره تامین
- افزایش انعطاف‌پذیری سیستم‌های قدیمی برای تطابق بهتر با هوش مصنوعی
- مدیریت مناسب داده‌ها با هدف سازمان‌دهی و استفاده از آن‌ها در سیستم‌های قدیمی و جدید
۵.تنوع منابع دسترسی به داده
ارتباط بسیار زیاد پیاده‌سازی هوش مصنوعی با داده‌ها در زنجیره تامین، ضرورت مدیریت و پردازش موثر آن ها را دشوار می کند. زیرا داده‌های هر بخش از لحاظ فرمت، ساختار و روش پردازش متفاوت هستند. برای رفع این چالش شرکت‌های مختلف باید داده‌های متنوع و واقعی در زنجیره تامین را جمع‌آوری و به شکل موثری پردازش کنند.
۶. نبود استراتژی شفاف برای انجام تغییرات
نداشتن یک استراتژی روشن و شفاف در سازمان برای تطبیق با هوش مصنوعی ممکن است شرکت را به مسیر اشتباه هدایت کرده و از اهداف خود دور کند. نتیجه این کار اتلاف منابع و هزینه است. برای پیاده‌سازی موفق راهکارهای مرتبط با هوش مصنوعی در زنجیره تامین و همسو بودن آن با اهداف کلان سازمان لازم است استراتژی شفافی بر اساس مشتری محوری، بازنگری فرایندهای موجود زنجیره تامین و توسعه فرهنگ سازمانی برای تطابق با تغییرات فناوری و ارتقای مهارت پرسنل تدوین شود.
۷. عدم تعهد ذی‌نفعان سازمان
همسو نبودن دیدگاه و نظرات ذی‌نفعان برای استفاده از هوش مصنوعی در عملیات زنجیره تامین، باعث بی اعتمادی و کاهش مشارکت اعضا و پرسنل برای پیاده‌سازی موفق هوش مصنوعی در سازمان می‌شود. برای این منظور تدوین یک استراتژی موفق و حساب شده متمرکز بر جلب و حفظ حمایت ذی‌نفعان و تعهد آن‌ها به اجرای آن بسیار اهمیت دارد.
۸. کمبود بودجه
از آنجا که ایجاد زیرساخت برای پیاده‌سازی نرم‌افزارها و آموزش نیروی متخصص هوش مصنوعی هزینه‌بر است، محدود بودن منابع مالی سازمان مانعی دشوار در این خصوص محسوب می‌شود. ضمن اینکه سرعت بالای پیشرفت فناوری ادامه مسیر توسعه آن را مشکل‌تر می‌کند. با این حال اجرای راهکارهای مبتنی بر فضای ابری و فریم‌ورک‌های متن باز (Open Source) تا حد زیادی این چالش‌های را کاهش می‌دهد.
۹. تمرکز بر منافع کوتاه مدت
دریافت نتایج دلخواه از پیاده‌سازی هوش مصنوعی در زنجیره تامین کاری طولانی‌مدت است و نیاز به سازگاری مرحله به مرحله دارد. به عبارتی اولویت قرار دادن منابع کوتاه‌مدت به‌جای بلند مدت روند ادغام این فناوری و سیستم‌های مرتبط با آن‌را دچار اختلال می‌کند. وجود یک چشم‌انداز آینده‌نگر همسو با اهداف بلند مدت سازمان، در نهایت نوآوری و رشد پایدار سازمان با توجه به مزیت‌های هوش مصنوعی را به دنبال دارد.
۱۰. شکاف مهارتی
تیم‌های زنجیره تامین در سازمان لازم است مهارت کافی برای ادغام آسان و یکپارچه هوش مصنوعی را داشته باشند. در حال حاضر سرعت بالای پیشرفت در این فناوری باعث شده است که پرسنل و کارشناسان ماهر در حوزه‌هایی مانند یادگیری عمیق (Deep Learning) و پردازش زبان طبیعی (NLP) دشوار باشد. شناسایی و پر کردن این شکاف‌های مهارتی نیازمند برنامه‌ریزی آموزشی صحیح در این حوزه است. طبق مطالعات انجام شده در جهان ۶۶ درصد از مدیران ارشد مهارت تیم خود در این دو بخش را در سطح متوسط تا حتی پایین ارزیابی کرده‌اند.
۱۱. قابل اجرا بودن
از آنجا که پیاده‌سازی و توسعه هوش مصنوعی در زنجیره تامین همراه چالش‌هایی مانند پیچیدگی مدیریت داده، کیفیت و دسترسی به اطلاعات است، ارزیابی موثر بودن آن در سازمان پیش از اجرای کامل اهمیت دارد. به عبارتی در مسیر توسعه سازمان بر اساس فناوری هوش مصنوعی موانعی مانند زیرساخت‌های ناکافی، کمبود تخصص و روش نامناسب مدیریت داده‌ها ممکن است مشکلات بسیاری را به دنبال داشته باشد. بنابراین ارزیابی چالش‌های احتمالی و پیش‌بینی آن‌ها مرحله‌ای مهم محسوب می‌شود.
۱۲. داده‌های بی‌کیفیت و نادرست
عملکرد مناسب و دقت مدل های هوش مصنوعی به کیفیت داده‌های آن بستگی دارد. زیرا داده‌های نادرست به نتایج غیرواقعی و گمراه‌کننده منجر می‌شود که در نهایت تحلیل فرایندهای مربوط در زنجیره تامین را با مشکل روبرو می‌کند.
جمع‌بندی
هر چند پیاده‌سازی موفق هوش مصنوعی در زنجیره تامین و لجستیک با چالش‌هایی روبروست، اما این چالش‌ها محرک‌هایی برای نوآوری هستند. مرحله اصلی رفع این موانع برنامه‌ریزی درست و تدوین استراتژی هماهنگ و دقیق است تا با کمترین اختلال در روند توسعه این فناوری بتوانیم از مزایای بلند مدت آن همسو با اهداف کلان سازمان بهره‌مند شویم. این مسیر نیاز به همکاری با شرکت‌های فعال این حوزه دارد تا ضمن راهنمایی جامع، مرحله به مرحله پیاده‌سازی سیستم‌های هوش مصنوعی در سازمان را انجام دهند.
مرجع
