6 کاربرد نوآورانه هوش مصنوعی در مدیریت زنجیره تامین

امروزه به نظر می‌رسد هوش مصنوعی (AI) همه چیز را در زندگی ما تقویت می‌کند، از نحوه خرید ما با چت‌بات‌هایی که به نظر می‌رسد ذهن ما را می‌خواند تا رفت‌وآمدهایمان، جایی که خودروهای خودران خودشان رانندگی می‌کنند.

جای تعجب نیست که مشاغل مختلف در سراسر جهان به سرعت هوش مصنوعی را در سیستم های عملیاتی خود ادغام می کنند. الف بررسی های اخیر توسط McKinsey & Company از نرخ پذیرش چشمگیر هوش مصنوعی رونمایی کرد که امروز 2.5 برابر بیشتر از سال 2017 است.

توانایی هوش مصنوعی در خودکارسازی وظایف تکراری و تجزیه و تحلیل سریع حجم زیادی از داده ها به کسب و کارها اجازه می دهد تا فرآیندهای خود را ساده کنند و آنها را بهره وری و کارآمدتر کند. به این دلایل، استفاده از هوش مصنوعی در عملیات زنجیره تامین دیگر یک گزینه اضافی اختیاری نیست - این موتور است که عملکرد و بهره وری سوخت را افزایش می دهد. 

با الگوریتم‌های هوش مصنوعی، شرکت‌ها می‌توانند تاخیرها را پیش‌بینی کنند، اختلالات احتمالی در زنجیره تامین خود را شناسایی کنند، و حتی عملیات انبار را از مرتب‌سازی و بسته‌بندی کالا تا مدیریت سطوح موجودی بهینه‌سازی کنند.

جالب به نظر می رسد؟ به خواندن ادامه دهید زیرا ما توضیح می دهیم که هوش مصنوعی چیست و چگونه می تواند زنجیره تامین را به شش روش نوآورانه متحول کند!

فهرست مندرجات
ABC های هوش مصنوعی: تفکیک اصول و وضعیت فعلی آن
چگونه از هوش مصنوعی در زنجیره تامین استفاده می شود؟
به سوی یک زنجیره تامین بهینه شده با هوش مصنوعی: افکار نهایی

ABC های هوش مصنوعی: تفکیک اصول و وضعیت فعلی آن

هوش مصنوعی (AI) شاخه ای از علوم کامپیوتر است که هدف آن ایجاد ماشین ها و نرم افزارهایی است که می توانند هوش انسان را تقلید کنند. آیا این خیلی پیچیده یا فنی به نظر می رسد؟ لازم نیست اینطور باشد—بیایید قبل از بررسی کاربردهای آن در مدیریت زنجیره تأمین، با هم بررسی کنیم که هوش مصنوعی واقعاً چیست.

هوش مصنوعی (AI) چیست؟

هوش مصنوعی یا به اختصار هوش مصنوعی مانند دادن مغزی به رایانه است که می تواند فکر کند، بیاموزد و مشکلات را تا حدودی مانند کار انسان حل کند. این مغزی ساخته شده از سلول ها و نورون ها نیست، بلکه مغزی ساخته شده از کد برنامه نویسی است که از داده ها و تجربیات برای بهتر شدن در کارها استفاده می کند. 

این کارها می تواند هر چیزی باشد، از درک کلمات گفتاری (مانند سیری یا الکسا)، تشخیص تصاویر (مثل شناسایی دوستان شما در عکس ها توسط فیس بوک)، توصیه ویدیویی برای تماشای بعدی (مانند نتفلیکس)، یا حتی رانندگی با اتومبیل. هوش مصنوعی را می توان بر اساس کاری که با اطلاعاتی که به دست می آورد به دو نوع بزرگ تقسیم کرد:

• هوش مصنوعی تبعیض آمیز: این زیرمجموعه هوش مصنوعی همه چیز در مورد شناسایی است. به عنوان مثال، اگر تعدادی عکس به آن نشان دهید، می تواند بفهمد که کدام یک گربه در آنها وجود دارد و کدام نه. مانند کارآگاهی است که به سرنخ‌ها (داده‌ها) نگاه می‌کند تا "whodunit" (شناسایی اشیا) را کشف کند.
• هوش مصنوعی مولد: به جای اینکه فقط چیزها را شناسایی کند، هوش مصنوعی مولد در واقع می تواند چیزهای جدیدی بسازد. این فقط نمی داند که یک گربه چگونه به نظر می رسد. می تواند گربه ای را تصور کند که حتی وجود ندارد و سپس از ابتدا عکس یا داستانی درباره آن بسازد.

فناوری های فعلی هوش مصنوعی چیست؟

ابزارهای مولد هوش مصنوعی فعلی به طور فزاینده‌ای در انجام وظایف و نقش‌های مختلف، از وظایف اداری و ایجاد محتوا گرفته تا طراحی و ساخت، تبدیل شده‌اند. می‌توانیم فناوری‌های فعلی هوش مصنوعی را به دو دسته دسته‌بندی کنیم: آن‌هایی که مربوط به متن و صدا هستند، و آن‌هایی که مربوط به تصویر و ویدیو هستند.

تولید متن و صدا

هوش مصنوعی مولد روش ایجاد متن و صدا را تغییر می‌دهد و تولید همه چیز از محتوای نوشتاری گرفته تا موسیقی را آسان‌تر می‌کند. ابزارهای مکالمه مانند GPT چت و برج جوزا بر روی محتوای گسترده از اینترنت آموزش دیده اند. آنها می توانند مکالمه داشته باشند، ایمیل ها را پیش نویس کنند، مقاله بنویسند، به سؤالات پاسخ دهند و حتی محتوای نوشتاری را از ابتدا ایجاد کنند.

وقتی صحبت از صدا و صدا می شود، پیشرفت ها به همان اندازه چشمگیر هستند. به عنوان مثال، ابزارهایی مانند MuseNet از OpenAI و جعبه موسیقی می تواند آهنگ های موسیقی را در ژانرهای مختلف تولید کند، یا می توان به آنها اشعار و سبک موسیقی داد و از آن ورودی یک قطعه اصلی تولید کرد.

تولید تصویر و ویدئو

پردازش زبان طبیعی هوش مصنوعی نیز بازی را در دنیای تصاویر و ویدیوها تغییر می دهد. تصور کنید که یک توصیف ساده از یک صحنه را تایپ کنید و یک تصویر دقیق و اصلی بگیرید که با کلمات شما مطابقت دارد. این دقیقاً همان چیزی است که ابزارها دوست دارند SLAB انجام دهید. می‌توانید به DALL-E بگویید: «برای من یک فیل صورتی که در آسمان پرواز می‌کند ترسیم کن» و voila، تصویری دقیقاً شبیه آن خواهید داشت.

وقتی صحبت از ویدیو می شود، پیشرفت ها حتی هیجان انگیزتر هستند. OpenAI اخیرا معرفی کرده است سویک ابزار هوش مصنوعی متن به ویدیو است که می تواند ویدیوهای غنی، دقیق و واقعی ایجاد کند. بنابراین، کسی می‌تواند به سورا بگوید که ویدیویی درباره یک اژدها و یک شوالیه در حال رقصیدن بسازد، و سورا می‌تواند آن ویدیو را تولید کند و آن را شبیه یک صحنه واقعی فیلم کوچک کند.

چگونه از هوش مصنوعی در زنجیره تامین استفاده می شود؟

اکنون که می دانیم هوش مصنوعی چیست، از جمله آخرین پیشرفت های آن، ممکن است از خود بپرسید که دقیقا نقش هوش مصنوعی در چیست؟ مدیریت زنجیره تامین است. با بررسی شش کاربرد عملی هوش مصنوعی در زنجیره تامین جهانی، به خواندن ادامه دهید.

1. پیش بینی تقاضا

اگر چیز قدرتمندی در مورد هوش مصنوعی وجود داشته باشد، مطمئناً می‌تواند داده‌های بزرگ را پردازش و تجزیه و تحلیل کند - مقادیر زیادی از اطلاعاتی که ذهن انسان ما نمی‌تواند آن‌ها را جذب کند - در زمان واقعی. در مرحله اول، هوش مصنوعی این مجموعه داده‌های بزرگ را بررسی می‌کند که می‌تواند شامل حجم خریدهای گذشته، شرایط آب و هوایی غالب، روند فعلی رسانه‌های اجتماعی و هر رویداد مهمی باشد که می‌تواند ترجیحات خرید مصرف‌کننده را تغییر دهد.

سپس با استفاده از تکنیکی به نام فراگیری ماشینهوش مصنوعی از تمام این داده ها یاد می گیرد تا مقدار مورد نیاز برای یک محصول خاص را پیش بینی کند و اینکه چه زمانی مشتریان احتمالاً مایل به خرید آن هستند. توسط پیش بینی تقاضای مشتری به‌طور دقیق‌تر، شرکت‌ها می‌توانند سطح موجودی خود را بهتر با تقاضای مورد انتظار هماهنگ کنند، هزینه‌های نگهداری را کاهش دهند و ریسک موجودی فروخته نشده را به حداقل برسانند.

آمازون نمونه بارز شرکتی است که از الگوریتم های هوش مصنوعی استفاده می کند انقلابی در پیش بینی تقاضا. با استفاده از Amazon Forecast، سرویسی مبتنی بر یادگیری ماشینی، آمازون می‌تواند تقاضای آینده برای میلیون‌ها محصول در سطح جهان را در عرض چند ثانیه پیش‌بینی کند. 

قفسه‌های مجازی آمازون به اندازه کافی اقلام دارند زیرا هوش مصنوعی پیش‌بینی می‌کند که چه تعداد به فروش می‌رسد. و از آنجایی که آنها ایده بهتری از آنچه نیاز است و کجا دارند، آمازون می تواند اقلام را به محل زندگی مشتریان نزدیک تر کند قبل از اینکه حتی روی ' کلیک کنند.خرید".

2. بهینه سازی انبار

انبارداری بخش مهمی از مدیریت زنجیره تامین است که به عنوان ستون فقرات به کسب و کارها امکان می دهد محصولات خود را به صورت ایمن ذخیره، سازماندهی و به راحتی برای ارسال به مشتریان در دسترس نگه دارند. با این حال، انبارداری مملو از چالش‌های لجستیکی است، مانند پیش‌بینی مقدار مناسب انبار برای نگهداری، یافتن بهترین راه برای سازماندهی اقلام برای دسترسی سریع، و حتی انجام وظیفه فیزیکی جابجایی کالا در انبار.

الگوریتم‌های هوش مصنوعی می‌توانند داده‌های تاریخی در مورد حرکت محصول و الگوهای تقاضا را برای طراحی یا پیشنهاد طرح‌بندی بهینه انبار تجزیه و تحلیل کنند. این شامل شناسایی بهترین مکان‌ها برای کالاها بر اساس اندازه، وزن و فرکانس دسترسی است، بنابراین از یک مکان منطقی اطمینان حاصل می‌کند که استفاده از فضا را به حداکثر می‌رساند و زمان برداشت را به حداقل می‌رساند. 

به عنوان مثال، Ocadoپیشگام در فناوری مواد غذایی، از هوش مصنوعی برای خودکارسازی عملیات انبار خود استفاده می کند. در حالی که طرح‌های سنتی انبار، فضای کف قابل‌توجهی را به راهروهایی برای کارگران انسانی برای انتخاب اقلام اختصاص می‌دهند، انبارهای Ocado بسیار خودکار هستند، که در آن هر متر مربع برای ذخیره‌سازی محصول در نظر گرفته شده است و روبات‌های متحرک مستقل (AMR) اقلام را در صورت نیاز بازیابی و حمل می‌کنند.

این ربات ها بر روی یک شبکه ذخیره سازی سه بعدی که به آن "کندو" معروف است، حرکت می کنند و از تمام فضای ذخیره سازی بالقوه استفاده بهینه می کنند. طراحی شبکه به ربات ها اجازه می دهد تا به هر محصول ذخیره شده از بالا دسترسی داشته باشند، که یک تغییر آشکار از انبارداری سنتی است. این طراحی به Ocado کمک می کند تا کالاهای بیشتری را در یک منطقه محدود ذخیره کند و به سرعت سفارشات را انجام دهد زیرا روبات ها می توانند به سرعت به هر مکانی در شبکه سفر کنند.

3. لجستیک و برنامه ریزی مسیر

زمان در تدارکات ضروری است. توانایی هوش مصنوعی در تجزیه و تحلیل الگوهای ترافیکی تاریخی، شرایط فعلی جاده ها، پیش بینی های آب و هوا و موارد دیگر، آن را قادر می سازد تا کارآمدترین مسیرها را برای حمل و نقل پیش بینی و تعیین کند. زمان کمتر در جاده ها و مسیرهای مستقیم بیشتر به این معنی است که وسایل نقلیه سوخت کمتری مصرف می کنند که نه تنها هزینه ها را کاهش می دهد بلکه اثرات زیست محیطی عملیات حمل و نقل را نیز کاهش می دهد.

یکی از مزایای کلیدی هوش مصنوعی در مسیریابی حمل و نقل، توانایی آن برای تطبیق با تغییرات در زمان وقوع است. در صورت تأخیر به دلیل ترافیک یا بسته شدن جاده ها، هوش مصنوعی قادر است محموله ها را در زمان واقعی تغییر مسیر دهد و تنظیمات لازم را در برنامه ها و مسیرها انجام دهد. این امر به ویژه هنگام هماهنگی بین حالت های مختلف حمل و نقل مانند کامیون ها، کشتی ها و قطارها که در حمل و نقل بین وجهی or در حال بارگذاری.

به عنوان مثال، United Parcel Service (UPS)، یکی از بزرگترین شرکت های تحویل بسته در سطح جهان، از بهینه سازی و ناوبری یکپارچه در جاده استفاده می کند.ORION)، یک سیستم مبتنی بر هوش مصنوعی، برای بهینه سازی پویا مسیرهای تحویل. ORION مسیرهای تحویل بسته جداگانه را در طول روز با تغییر شرایط ترافیکی، تعهدات وانت و سفارش‌های تحویل دوباره محاسبه می‌کند. 

با بهینه سازی پویا مسیرها، ORION به طور قابل توجهی در زمان صرفه جویی می کند و مصرف سوخت را کاهش می دهد. طبق گزارش‌ها، این سیستم می‌تواند روزانه ۲ تا ۴ مایل به ازای هر راننده صرفه‌جویی کند، و این امکان را می‌دهد که تحویل‌های بیشتری در بازه زمانی کوتاه‌تری انجام شود.

4. ارزیابی و انتخاب تامین کننده

در مدیریت زنجیره تامین، تامین کننده خوب به معنی محصولات با کیفیت، کاهش هزینه ها، تحویل به موقع و در نهایت رضایت مشتریان است. با این حال، انجام ارزیابی های تامین کننده شامل غربالگری صدها فروشنده بالقوه برای شناسایی کسانی است که معیارهای از پیش تعیین شده (مانند هزینه، کیفیت، زمان تحویل) را برآورده می کنند. این یک حجم کار دستی قابل توجه و مستعد خطا است.

خوشبختانه، الگوریتم‌های هوش مصنوعی می‌توانند داده‌ها را از منابع مختلف استخراج و تجزیه و تحلیل کنند، از جمله وب‌سایت‌های تأمین‌کننده، سوابق عملکرد، گزارش‌های صنعت، و انجمن‌های تجارت آنلاین، که فرآیند انتخاب آگاهانه‌تری را امکان‌پذیر می‌سازد. پس از پردازش تمام داده‌ها، هوش مصنوعی می‌تواند به‌طور خودکار پروفایل‌های پویا دقیق را برای هر تأمین‌کننده ایجاد و به‌روزرسانی کند، که شامل عواملی مانند:

• عملکرد با کیفیت: معیارهای کیفیت تاریخی، نرخ بازگشت، مطابقت با استانداردهای کیفیت (گواهینامه ISO) و غیره.
• ثبات اقتصادی: امتیازات اعتباری، روند سودآوری، تجزیه و تحلیل نسبت های مالی و غیره.
• عملکرد تحویل: نرخ‌های تحویل به‌موقع، زمان‌های تحویل، قابلیت اطمینان در برنامه‌های تحویل و غیره.
• مقرون به صرفه: رقابت قیمت گذاری، تجزیه و تحلیل ساختار هزینه، کل هزینه مالکیت و غیره.
• توان فنی: پذیرش فناوری های پیشرفته تولید، هلدینگ های مالکیت معنوی و غیره.
• مدیریت ریسک: قرار گرفتن در معرض خطرات ژئوپلیتیکی, انعطاف پذیری زنجیره تامین، سابقه رسیدگی به اختلالات و غیره
• ملاحظات جغرافیایی: نزدیکی به بازارهای کلیدی یا سایت های تولیدی، تاثیر هزینه های لجستیک و حمل و نقل و غیره.

پس از انتخاب، هوش مصنوعی می تواند به نظارت بر عملکرد تامین کننده ادامه دهد. به عنوان مثال، ممکن است از تجزیه و تحلیل احساسات برای سنجش سلامت مالی تامین کننده یا تشخیص علائم اولیه بی ثباتی یا اختلال استفاده کند.

مثلا IBM مدیریت چرخه حیات تامین کننده Emptoris برنامه دارای یک ماژول ارزیابی عملکرد است که برای ایجاد، مدیریت و ارزیابی رتبه‌بندی‌های تامین‌کننده بین عملکردی طراحی شده است. 

این فرآیند ارزیابی عملکرد، عملکرد تامین‌کننده را در یک دوره تعیین‌شده، با در نظر گرفتن معیارهای کمی (واقعیت‌های سخت) و کیفی (مثلاً نوآوری) ارزیابی می‌کند. در کنار ارزیابی عملکرد، IBM ریسک تامین کننده ماژول با انجام محاسبات ریسک بلادرنگ و بر این اساس هشدارها را به شناسایی اولیه ریسک کمک می کند.

5. بهینه سازی بسته بندی

بسته بندی ابزاری قدرتمند برای برندسازی و بازاریابی است. با این حال، مهمتر از آن، به طور مستقیم بر کارایی و مقرون به صرفه بودن توزیع محصول تأثیر می گذارد. بسته بندی بهینه نه تنها هزینه های مواد را کاهش می دهد، بلکه هزینه های حمل و نقل را به دلیل وزن و استفاده بهینه از فضا کاهش می دهد.

با تجزیه و تحلیل عواملی مانند شکل محصول، شکنندگی، وزن و ویژگی‌های مواد مختلف، هوش مصنوعی می‌تواند طرح‌هایی را شناسایی کند که از حداقل مواد استفاده می‌کنند و در عین حال ایمنی محصول را در حین حمل و نقل تضمین می‌کند. علاوه بر این، ابزارهای مجهز به هوش مصنوعی می‌توانند اندازه‌ها و شکل‌های بسته‌بندی را شبیه‌سازی و بهینه‌سازی کنند تا محصولات بیشتری را در هر محموله قرار دهند، بنابراین تعداد سفرهای مورد نیاز را کاهش می‌دهند.

یک مثال عالی در دنیای واقعی این است که چگونه بسته بندی، پیشرو در راه حل های بسته بندی بر اساس تقاضا، برای تجزیه و تحلیل ابعاد هر کالای بسته بندی و ایجاد بسته بندی با اندازه سفارشی برای هر سفارش، به یک سیستم مبتنی بر هوش مصنوعی متکی است. هوش مصنوعی چندین عامل را در نظر می گیرد، از جمله:

• ابعاد اقلام
• فضای محافظ یا بالشتک مورد نیاز
• بهترین جهت اقلام داخل جعبه
• محدودیت ها و کارایی مواد

نتیجه یک اندازه بسته بندی بهینه است که بالاترین سطح محافظت را تضمین می کند، مواد بسته بندی مورد استفاده را به حداقل می رساند و فضایی که هر بسته در طول حمل و نقل اشغال می کند را کاهش می دهد. 

علاوه بر این، Packsize's بسته بندی بر حسب تقاضا ماشین‌هایی مانند سیستم Box On Demand از مشخصات طراحی توصیه‌شده توسط هوش مصنوعی برای برش، تا کردن و چسباندن خودکار مقوای راه راه در یک جعبه با اندازه سفارشی استفاده می‌کنند. ماشین آلات طراحی هوش مصنوعی را به یک بسته فیزیکی با اندازه کامل برای محصول تبدیل می کند.

6. منبع یابی هوشمند جهانی

منبع یابی جهانی در پلتفرم های آنلاین B2B مانند Chovm.com به طور فزاینده ای به یک عنصر استراتژیک مدیریت زنجیره تامین تبدیل می شود. با این حال، منبع یابی جهانی مجموعه ای از موارد را ارائه می دهد اشتباهات و چالش های احتمالیمخصوصاً برای خریداران مبتدی در تجارت.

برای مثال، خریداران ممکن است در یافتن محصول مناسب در میان میلیون‌ها محصول موجود با مشکل مواجه شوند. علاوه بر این، تعامل با تامین کنندگان از کشورهای مختلف باعث ایجاد سوء تفاهم های بالقوه به دلیل موانع زبانی می شود.

با هوش مصنوعی، خریداران می توانند یک فرآیند خرید بهینه را تجربه کنند. الگوریتم‌های هوش مصنوعی می‌توانند روندهای بازار را شناسایی و ردیابی کنند، بهترین زمان‌ها را برای تهیه دسته‌های محصول خاص پیشنهاد کنند، و حتی کارهای معمول در تدارکات، مانند ایجاد سفارش‌های خرید، پردازش فاکتورها، و ردیابی پرداخت‌ها را خودکار کنند.

یک مثال عالی در دنیای واقعی این است که چگونه Chovm.com از هوش مصنوعی از طریق ابزار Smart Assistant استفاده کرد تا خدمات مشتری 24 ساعته را برای خریداران ارائه کند و به آنها کمک کند تا فرآیند تامین منابع تا حد امکان کارآمد 

دستیار هوشمند یک راهنمای شخصی بصری و مبتنی بر هوش مصنوعی برای منبع‌یابی است که به کسب‌وکارها کمک می‌کند فرصت‌های جدید را کشف کنند، از روندها به‌روز بمانند، سفارش‌ها را به‌طور یکپارچه پیگیری کنند، و موارد دیگر، همه از طریق یک نقطه تماس کارآمد. در میان بسیاری از عملکردهای کمکی، سه ویژگی کلیدی برای هوشمند کردن منبع یابی جهانی عبارتند از:

• جستجوی تصویر ارتقا یافته است
• درخواست هوشمند برای پیشنهاد (RFQ)
• کمک فوری

دو ویژگی اول در سپتامبر 2023 معرفی شدند و از آن زمان به کسب و کارها در یافتن منابع کارآمد و دقیق محصولات کمک کردند. را جستجوی تصویر ارتقا یافته است این ویژگی به کاربران اجازه می دهد تا محصولات را با استفاده از تصاویر جستجو کنند، نه پرس و جوهای مبتنی بر متن. خریداران می‌توانند تصویری از کالایی را که می‌خواهند بخرند آپلود کنند، در این مرحله هوش مصنوعی دستیار هوشمند محتوای تصویر را برای یافتن محصولات مشابه بصری تفسیر می‌کند. 

برعکس، Smart RFQ از هوش مصنوعی برای خودکارسازی فرآیند استفاده می‌کند و باعث می‌شود خریداران سریع‌تر تولید کنند. RFQ ها. به گزارش Chovm.com، خریدارانی که از ابزار Smart RFQ استفاده می کردند شاهد یک 29٪ افزایش در نقل قول از تامین کنندگان، در حالی که تامین کنندگان 21٪ افزایش در پاسخ خریدار به نقل قول در مقایسه با فرآیند سنتی RFQ دستی را تجربه کردند.

سومین ویژگی، Instant Help، برای راه‌اندازی در سال 2024 برنامه‌ریزی شده است. این ویژگی از یک ربات چت هوش مصنوعی استفاده می‌کند که نه تنها به سوالات اولیه پاسخ می‌دهد، بلکه بینش‌های صنعت، دانش ضروری صنعت و جزئیات محصول را در زمان واقعی ارائه می‌دهد. علاوه بر این، نکات عملی را برای تقویت ارتباط بین خریداران و تامین کنندگان ارائه می دهد.

به سوی یک زنجیره تامین بهینه شده با هوش مصنوعی: افکار نهایی

اگر چیزی وجود داشته باشد که بتوانیم از همه برنامه‌ها و مثال‌ها حذف کنیم، این است که هوش مصنوعی می‌تواند کل عملیات زنجیره تامین، از تعیین تقاضا برای محصولات گرفته تا لجستیک و توزیع را ساده‌سازی کند. با این حال، کسب‌وکارها باید برخی از چالش‌های مرتبط با هوش مصنوعی را که ممکن است مانع کاربرد آن در زنجیره‌های تامین شوند، در نظر داشته باشند، مانند:

• خطرات امنیت سایبری: به عنوان مثال، هکرها می توانند از هوش مصنوعی برای پیش بینی و سوء استفاده از مسیرها یا برنامه های حمل و نقل استفاده کنند.
• نگرانی های اخلاقی و حفظ حریم خصوصی: به عنوان مثال، فناوری‌های نظارتی هوش مصنوعی که بهره‌وری کارگران را بدون رضایت نظارت می‌کنند.
• هزینه های بالای اجرا: به عنوان مثال، نیاز به ارتقاء زیرساخت های موجود برای پشتیبانی از یکپارچه سازی هوش مصنوعی.
• ادغام با سیستم های موجود: به عنوان مثال، ابزارهای تجزیه و تحلیل هوش مصنوعی که با نرم افزارهای ERP قدیمی ناسازگار هستند.

علاقه مند به کسب اطلاعات بیشتر در مورد اینکه چگونه هوش مصنوعی می تواند مدیریت زنجیره تامین را متحول کند؟ بررسی کنید این وبلاگ پست کنید تا ببینید هوش مصنوعی مولد چگونه تمام جنبه های فرآیند دلالی گمرکی را مدیریت می کند، از تکمیل مدارک لازم گرفته تا تخمین عوارض گمرکی و مالیات!