Blue Yonder 的研究发现，全球 80% 的组织已经在其供应链中试行或实施了生成人工智能 (AI)。然而，超越试点并将人工智能嵌入到业务流程中以真正发挥其最大潜力是一项重大挑战。根据项目管理协会的数据，70% 至 80% 的人工智能计划以失败告终，这凸显了将现有的通用人工智能和机器学习 (ML) 工具和技术融入行业环境是多么困难。
最大的障碍之一是技术架构。供应链流程的点解决方案不适合向 AI 提供其所需的数据。依赖于点解决方案和批处理流程的企业无法足够快地为 AI 工具提供正确质量的数据，并且缺乏端到端视野的范围来确保他们采用的 AI 工具能够提供有价值的决策或优化。
在这篇博客中，我们将探讨改进供应链技术架构的三种方法，以使企业能够采用人工智能并实现其价值，并展示 Blue Yonder 的技术架构是如何为此专门构建的。
AI 调整数据模型
通用数据模型作为标准化框架，定义了数据在各种系统和应用程序之间的结构和互连方式。它提供了统一的模式，确保数据一致且可互操作，以便不同的系统有效地通信。
经过 AI 调整的数据模型的结构允许第一方 AI/ML 以更快的速度和更高的准确性利用数据，从而更快地提供建议和进行根本原因分析。例如，这种形式的数据可以被 Blue Yonder 业界领先的 ML 和 AI 功能使用，从而跨产品创建准确且可解释的见解。但至关重要的是，AI 优先的通用数据模型还使外部 AI 代理能够轻松地获取和利用数据。这些代理可以与第一方业务数据以及业务以外的第三方数据互动，以做出更明智的预测并提出正确的行动。
如果不根据人工智能的需求设计这个关键架构，外部人工智能代理将难以获取业务数据并提出相关建议。为了确保我们的客户能够有效地采用尖端的代理 AI，Blue Yonder 在最新产品版本 (24.4) 中提供了经过 AI 调整的数据模型，以提高我们的嵌入式 AI 性能并更轻松地与外部 AI 代理和应用程序集成。
