サプライチェーンにおけるAIのメリット

近年、グローバル・サプライチェーンの脆弱性が世間の注目を集めています。どの国のメーカーにとっても不可欠なこの幅広いロジスティクス・ネットワークは、輸送の遅延による影響を受け、労働争議による緊張を強いられ、複雑化と相互接続の深刻化による長年の非効率性に悩まされています。

こうしたネットワークの結びつきを解きほぐそうとするサプライチェーンの計画担当者は、多大かつ、いまだに大部分が未知である可能性を提供する最先端テクノロジーによる支援を得ています。そして、ますますグローバル化する未来に向けて、サプライチェーンをより効率的で耐障害性の高いものにする取り組みに人工知能を活用しています。

サプライチェーンにおけるAIとは

ビジネスでは、AIを使用して、製品品質のモニタリング、在庫水準のバランス、燃費の良い配送ルートの特定など、サプライチェーン活動を従来のソフトウェアよりも効率的に管理および最適化しています。

人工知能（AI）は、人間の知能をシミュレーションし、複雑なタスクを実行するアプリケーションを指す一般的な用語です。そのサブフィールドには、機械学習（ML）があり、システムはステップバイステップの手順でプログラムされるのではなく、膨大な量のデータを利用して学習します。この学習プロセスにより、AIシステムは、動画フィードからの情報の解読、話し言葉や書き言葉の解釈、将来の市場行動の予測、複雑なシナリオでの意思決定、大規模なデータセットに埋もれたインサイトの抽出などの機能において、従来のソフトウェアを上回ることができます。

このような機能は、サプライチェーン全体にわたりワークフローを管理および最適化する上で非常に役立つことが明らかになっています。たとえば、MLアルゴリズムによるサプライチェーン・システムは、人間やAI以外のシステムには認識できないことが多いデータ・セット内のパターンや関係を見出すことができるため、顧客の需要をより正確に予測することができ、より経済効率の高い在庫管理につながります。また、AIは交通状況や天候などの要因を分析し、代替輸送ルートを推奨することで、予期せぬ遅延のリスクの低減と納期の短縮を実現します。また、ワークスペースをモニターして、品質管理手順の不備や安全衛生上の違反を検出することができます。また、サプライチェーンのプロフェッショナルが常にテクノロジーの活用を試みているため、新たなユースケースも次々と生まれています。

主なポイント

• 組織はAIを利用して、出荷と配送の最適化、倉庫容量の管理、在庫の追跡、固有の部品やコンポーネントの需要予測、従業員の安全性の向上、グローバル・サプライチェーン全体における取引記録の整合性の確保を支援しています。
• AIは運用コストを削減しながら、サプライチェーンに多大な生産性利益をもたらすことができますが、テクノロジーの導入は難しく、特にカスタムメイドのMLモデルを独自のデータでトレーニングする場合はコストがかかります。
• メーカーおよびロジスティクス・プロバイダーは、AIシステムの統合と、これらのシステムがロジスティクス・ネットワークの管理ならびに運営を変革する方法に向けて、サプライチェーンを準備するための措置を講じることができます。

サプライチェーンにおけるAIの説明

メーカーおよびロジスティクス・プロバイダーは、AIシステムの統合と、これらのシステムがロジスティクス・ネットワークの管理ならびに運営を変革する方法に向けて、サプライチェーンを整えるための対策を講じることができます。

完成品のメーカーは、調整されたスケジュールで組立施設に到着するために、世界中のパートナーから出荷される何百、何千もの部品を使用していることがよくあります。AIにより、貨物船、配送トラック、倉庫、配送センターにまたがるロジスティクス・ネットワークを最適化するために、大規模なデータ・セット内に埋もれているパターンや関係を特定できることが明らかになりつつあります。サプライチェーンの最適化には、物理的な商品の引き渡しが行われるごとの追跡も必要となります。このときAIは、テキストファイルに埋め込まれたデータをインテリジェントに入力、抽出、分類する機能により文書化を自動化し、複数当事者による取引における整合性の確保を支援します。

メーカーの一部は需要予測にAIを活用し、顧客の需要に基づいて生産容量の予測や倉庫の容量最適化を行なっています。また、生産上の問題が発生する前に、AIを活用して遅延の可能性や設備の不具合を検知しているメーカーもあります。また、AIを活用して、ストレージや輸送インフラストラクチャ全体にわたりインストールされたモノのインターネット（IoT）デバイスやセンサーから大量に流れ込むデータ・ストリームから運用インサイトを得ているメーカーもあります。

AIはサプライチェーンに多くのメリットをもたらす可能性がありますが、そのテクノロジーの導入は困難で高いコストがかかります。インテリジェントなアプリケーションを本番環境で実行するには、オンプレミスのエッジ サーバーまたはクラウドベースのインスタンスいずれかの強力なコンピューティング・システムが必要となり、これには通常、Industry 4.0アプローチの一環としてフィールドに導入された統合的なセンサーとデバイスからデータを受信することが求められます。ビジネスでは通常、自社データ・セットで機械学習モデルをトレーニングする場合に最大のメリットを実感できますが、これはさらにコンピュート集約的でデータを活用するプロセスです。

AIを用いたサプライチェーンにおけるエンドツーエンドの透明性

最新のサプライチェーンは非常に複雑化し、絡み合い、拡大しているため、メーカーは自社施設に到着する材料や商品の流れに対するエンドツーエンドの監視を維持することに苦労しています。大規模なデータ・セットを迅速に分析するAI独自の機能は、最も複雑なロジスティクス・ネットワークの内部構造さえも明らかにすることができます。

大量に記録されたデータ・ストリームやその他のロジスティクス・シグナルを取り込むと、機械学習によって訓練されたインテリジェントなアルゴリズムが、ボトルネックにつながる固定および変動する時間要素を持つプロセスについて、変動の原因や容量を改善する方法など、貴重なインサイトが導き出されることがよくあります。また、AIによるサプライチェーン・マネジメント（SCM）ツールは、膨大な量の供給品が中間製造および流通パートナーを通過して完成品になる過程のリアルタイム追跡において、従来のシステムよりも優れています。この 可視化とトレーサビリティの強化により、メーカーが品質や倫理的な調達慣行に違反する可能性のあるサプライヤーを特定することを支援することができます。

サプライチェーンの透明性を向上させることで、AIの活用は後述の時間とコストの削減を実現します。また、メーカーが製品を製造するために使用する部品が、倫理、品質、サステナビリティの基準に従って調達されていることの確認を支援することも可能で、これにより規制当局や多くの消費者が求める責任を果たすことができます。組織は、たとえ海外に拠点を置くサプライヤーであっても、労働、グッド・ガバナンス、または環境規則を侵害するサプライヤーと連携するわけにはいかず、AI対応サプライチェーン・アプリケーションに組み込まれた分析ツールは、不正または非倫理的な調達を明らかに示すパターンを特定することができます。

サプライチェーンにおけるAIの9つのメリット

メーカーはAIイノベーションの最前線に立ち、最新のサプライチェーンにおける多くの生産施設、ストレージおよび配送センター、輸送車両にわたり、さまざまな形態のテクノロジーを試用および導入しています。これにより、多くのメリットが得られます。

サプライチェーンにおけるAIの課題

サプライチェーン計画および管理にAIを活用することは、一朝一夕にできることではありません。テクノロジーはコストを削減し、プロセスを簡素化する多大な可能性をもたらしますが、時には高価で導入が難しい場合もあります。サプライチェーンの運用にインテリジェンスを導入する際に企業が直面する一般的な課題がいくつかあります。

• トレーニング・コスト：あらゆる他のテクノロジーと同様に、AIを導入し、本番環境に統合するには、それらの新しい、時には手ごわいシステムの操作に携わる人へのトレーニングが必要となります。従業員を訓練し、変化に対する抵抗を克服するには、通常、コストを伴うダウンタイムのスケジューリングが必要です。このダウンタイムが発生する前に、サプライチェーン全体のパートナーは、それぞれのAIベンダーやインテグレーターと協力して、建設的かつ手頃な価格のトレーニング・プログラムを開発する必要がありますが、どのようなトレーニング・アプローチであっても、財政的なコストが発生する可能性が高いことには注意しなくてはなりません。
• スタートアップおよび運用コスト。一般的なAI導入のコストは、これらのシステムを実行するハードウェアとソフトウェアの調達およびその統合だけにはとどまりません。機械学習アルゴリズムは必ずしも最初から構築する必要はなく、サプライチェーンのさまざまなユースケースに合わせて微調整できるデフォルトのモデルが利用可能です。しかし、最大のメリットを実現するためには、企業は自社データでモデルをトレーニングする必要があります。大量の高品質データの収集、集約、妥当性確認、変革、クリーニングには大変な取り組みが必要となる場合があります。ビジネスが高品質なデータ・セットを適切に準備しない場合、ガベージ・イン、ガベージ・アウト（不完全なデータからは不完全な答えしか得られない）という古い格言を想起させるようなリスクを負うことになります。このデータを使ってMLモデルをトレーニングするのは、通常、グラフィック・プロセッシング・ユニット（GPU）を実装したサーバーを必要とするコンピューティング集約型のフェーズであり、クラウド・サービスと処理サービスの料金高騰やオンプレミスのリソース独占の原因となる可能性があります。
  グローバルなロジスティクス・ネットワーク全体にわたる大規模になAIシステムの運用および管理は、1回で完了する取り組みではありません。AIシステムの実行は、トレーニングほどコンピューティング集約的ではありませんが、エッジサーバーであれクラウドベースの仮想マシンであれ、強力なプラットフォームを必要とする継続的なプロセスです。しかし、こうしたクラウド・ベースのソリューションにより、AIテクノロジーはよりアクセスしやすく、低コストで利用できるようになっています。また、一部のクラウド・インフラストラクチャ・ベンダーは、MLモデルの構築、その展開の自動化、AIワークフローの管理のプロセスを簡素化するマネージド・データ・サイエンス・プラットフォームを提供しています。
• 複雑なシステム：AIシステムには、リアルタイム・データをストリームするデバイスやセンサー、機械学習モデルの初期および段階的トレーニングに使用されるGPUを実装したサーバー、これらのモデルを実運用で実行するエッジ・サーバーやクラウド・サーバー、検出されたパターンや推奨に基づいて動作するアプリケーションなど、多くの可動部品があります。組織は、グローバル・サプライチェーンの多くのノードにわたり、これらの要素を統合する必要があります。また、これらのシステムの一貫したモニターとパフォーマンスのチューニングを行い、不具合を特定して修正することも求められます。

サプライチェーンにおけるAIの例

ミシガン州の工場で3つの人気モデルを組み立てているアメリカの自動車メーカーを想定してみてください。鉄鋼、タイヤ、スパークプラグ、ゲージ用針など、何万点もの部品やコンポーネントは、主に米国12州、カナダ、中国、ドイツ、日本、メキシコの工場や製造センターから調達されます。企業が所有・運用する施設で生産する部品もあれば、サードパーティのディストリビューターから調達される部品もあります。

この仮想の自動車企業は、海外から貨物貨物船で、あるいは州外や 北米圏外からトラックで、大量の納品を頻繁に受けます。これらの供給品は最終的にミシガン工場で合流し、SUV、トラック、セダンに最終組み立てされることになります。しかし、その前に注文、代金の支払い、追跡、受け取りが行われ、企業が工場近郊に管理している容量に限りのある大型倉庫に保管される必要があります。

これほど大規模で複雑なサプライチェーンの運用だけでは困難さが足りないかのように、この自動車企業は、インフレによる調達コストの上昇や、エネルギーコストの上昇による利益率の悪化に対処する必要があります。完成車の価格を引き上げれば支えになる可能性はありますが、セールスリーダーは、それでは顧客の需要が減退すると考えています。さらに、パンデミックの余波を受け、企業はPPEの使用を適用するなど、工場の作業環境を管理する新たな規制を満たす必要があります。

不安を抱えたエグゼクティブは、テクノロジー・コンサルタントに、AIから利益を得られるかどうか、またサプライチェーンのどこで利益を得られるかを尋ねます。その答えは「はい、ほぼあらゆる部分で」です。

まず、AIは、トレンドに基づいて車種ごとの販売予測を行う際、企業の基本的なソフトウェアを上回るパフォーマンスを発揮します。また、ガソリン価格の高騰や電気自動車の予期せぬ市場浸透といったシナリオが売上にどのような影響を与えるかを、より正確にモデリングすることもできます。このようなインテリジェントな予測は、サプライチェーンの計画担当者にとって天の恵みであり、追加発注コストや倉庫の過剰在庫、過剰在庫を抱えることなく、需要を満たすための適切な量の供給を調達する支援をします。予測はまた計画担当者に、さまざまな生産ラインを開設するための投資や、閉鎖することによるコスト削減に対する安心感をもたらし、それらのラインにおける適切な人員配置の確保を支援します。

AIによるビジュアル・モデルに接続されたカメラは、自動車企業の生産ラインや分散施設をモニターし、従業員が安全と環境に関するプロトコルに従っていることを確認できます。また、機械学習によってトレーニングされたモデルは、ロジスティクス・データを分析し、輸送ルートや貨物積載量、倉庫運用を最適化することで、タイムリーな配送の強化を支援します。最後に、AIと意思決定モデルは、物理的な供給品の取り扱いだけでなく、サプライチェーンのすべての関係者が公正かつ期限通りに支払いを受けることを確実にするために必要な在庫や取引記録の維持に関わる反復的なプロセスを自動化できます。

実際の自動車企業は、効率の向上、エラーの削減、会計精度の向上、ビジネス・ニーズをよりよくサポートするための従業員の再配置を実現し、サプライチェーン業務のほぼすべての領域でコスト削減を実現しています。Mazda Motor Logisticsでは、Oracle Transportation Managementを使用して、ヨーロッパ全土に自動車と自動車パーツを配送する際の最適な輸送会社、ルート、およびサービス・レベルを特定し、定時搬送を増やしています。

サプライチェーンをAIに対応させる方法

ビジネスでは、本番環境でAIを本格的に稼働させることは困難かつコストが高いと考えることがよくあります。このようなステップバイステップを踏むことで、特定のプロジェクトを特定する前であっても、レガシーのサプライチェーン・プランニングおよび管理システムをインテリジェンス向上のために準備できることがあります。

オラクルによるサプライチェーンにおけるAIへの投資

メーカーのサプライチェーンは、地理的に分散し、操業上孤立した施設（多くの場合、複数の独立したパートナーにより管理される）と、それらを結ぶ流通経路にまたがっています。原材料やサブコンポーネントから完成品までのジャーニーにおけるそれぞれのフェーズでは、個別のテクノロジー・ソリューションが必要となりますこれらのソリューションでは、調達、計画、輸送、在庫、メンテナンス、分析などの機能を扱うことができ、そのすべてがAIによるメリットを得ることができます。

これらの多面的なシステムは非常に異なる作業を行いますが、サイロ化することは不可能であり、データは供給品と共にロジスティクス・ネットワーク全体を通じて移動する必要があります。Oracle Fusion Cloud Supply Chain & Manufacturing（SCM）は、サプライチェーンの個別のフェーズを処理し、シームレスに接続する包括的なアプリケーション・スイートです。これらのSCMアプリケーションは、組み込みの機械学習を使用して、自動化、予測、インサイトの改善を支援します。また、クラウドベースのソフトウェアは、企業内だけでなく、外部の下請け業者やパートナーとのコラボレーションも促進します。

サプライチェーンにおけるAIに関するFAQ

AIは時間とともに改良されるのでしょうか。
AIは使用とともに改善されるという点でユニークなテクノロジーです。たとえば、機械学習モデルで実行されるデータが増えればそれだけ、そのモデルはサプライチェーンの計画担当者に役立つ機能やインサイトを提供できるようになります。

人工知能が製造において時間と労力を削減する方法を教えてください。
メーカーは、組立プロセス、ロジスティクス・ネットワーク、ワークフローの効率化を支援する大量のデータからインサイトを抽出するために、AIを使用することがよくあります。テクノロジーは反復的な作業を自動化し、手作業の必要性を削減する支援もできます。

AIはサプライチェーンの未来なのでしょうか。
AIはサプライチェーン計画、管理、運用の改善に非常に優れていることが証明されています。このテクノロジーはすでにサプライチェーン運用のほぼすべての側面に組み込まれており、新たなユースケースも続々と登場しています。AIが今後、あらゆるサプライチェーン・マネジメント・システムに不可欠な要素となることは間違いないでしょう。

サプライチェーン・マネジメントにおいてAIが重要な理由を教えてください。
サプライチェーンは近年ますます複雑化、相互接続、拡大し続けており、メーカーの管理機能が問われています。AIは、最新のサプライチェーンで生成される増大するデータを分析し、そのデータを使用して、極めて正確な予測の策定、運用インサイトの明確化、複数の独立したパートナーが関わる広大なロジスティクス・ネットワーク全体にわたり保管および輸送プロセスの効率化を支援することができます。

サプライチェーンにおけるAIの活用方法
AIは、計画、在庫管理および倉庫管理、取引処理、輸送、モニタリング、検査など、最新のサプライチェーンのほぼすべての機能を支援できます。また、この汎用性の高いテクノロジーの新たなユースケースも開発され続けています。