Řízení dodavatelského řetězce se posouvá od dashboardů k dotazům v běžném jazyce. Společnosti project44 a Snowflake propojily logistická data, podniková pravidla a Snowflake Cortex AI v řešení Mo, které funguje jako AI analytik dodavatelského řetězce.
Mo dokáže zpracovat otázku, určit její význam v prostředí konkrétního zákazníka, vyhledat odpovídající údaje a navrhnout další postup. Týmy tak mohou rychleji prověřit zpoždění, výkonnost dopravců, kapitál vázaný v logistice nebo dopady mimořádných událostí.
Proč obecný model nestačí
Logistické pojmy nemají ve všech firmách stejný význam. Měřítko včasnosti dodávky může vycházet z data připravenosti nákladu nebo z okamžiku vyzvednutí. Výsledek ovlivňují také druh přepravy, smluvní podmínky a zákaznické výjimky.
Mo proto využívá ontologii project44, která sjednocuje významy zásilek, dopravců, smluv a přepravních milníků. Zároveň čerpá z přibližně 1 bilionu záznamů o zásilkách za posledních deset let, z aktuálních milníků a prediktivních časů příjezdu. Přes řešení Mo společnosti project44 se tato vrstva kontextu spojuje s nástroji Snowflake.
Cortex Analyst převádí interpretovaný dotaz do SQL a získává výsledek přímo z dat project44 uložených ve Snowflake. Odpověď tak vychází ze strukturovaných provozních záznamů, nikoli z odhadu jazykového modelu.
Rychlejší rozhodování v provozu
V interním testu Mo správně vyřešil všech 10 ověřených otázek, zatímco obecný velký jazykový model uspěl dvakrát. Mo poskytl shodnou odpověď při všech 10 opakováních a reagoval 2,5krát rychleji. Platformu podle project44 používá 210 zákazníků a dosud zodpověděla více než 50 000 dotazů.
Uváděné přínosy zahrnují snížení expozice jednoho podniku vůči poplatkům za zdržení a přístavní náklady o 6 milionů dolarů, uvolnění 200 000 dolarů pracovního kapitálu jediným dotazem a téměř 750 000 dolarů úspor v jedné iniciativě řízení narušení. Pro průmyslové firmy je důležitá především možnost převést složitá data do opakovatelných a rychle proveditelných kroků.
