Mahesh Babu MG: AI palielinātā lēmumu kvalitāte SAP ražošanas plānošanā

Globālā ražošanas ainava atrodas nepārtrauktas evolūcijas stāvoklī, saskaroties ar sarežģītu kompleksu piegādes ķēžu deju, svārstīgām tirgus prasībām un nepārtrauktu spiedienu uz hiper-efektivitāti. Tradicionālās ražošanas plānošanas sistēmas, kas ir ražošanas darbību pamats, arvien vairāk saskaras ar nepieciešamību pēc reāllaika pielāgošanās un spēju pārvaldīt plašu mainīgo klāstu. AI rodas kā dziļi pārveidojošs spēks, kas sola ievērojami uzlabot lēmumu pieņemšanas spējas, optimizēt trūkstošo resursu piešķiršanu un racionalizēt darbības darba plūsmas visā ražošanas vērtības ķēdē. Savukārt uz AI balstītas plānošanas sistēmas var izmantot sarežģītus algoritmus, lai veiktu reāllaika datu analīzi, paredzētu pieprasījuma izmaiņas ar lielāku precizitāti un dinamiski pielāgotu ražošanas grafikus mainīgajiem apstākļiem. Viņa karjera, kas aptver vairāk nekā 19 gadus, atspoguļo plašu pieredzi un padziļinātu pieredzi SAP ražošanas un plānošanas risinājumos, kas aptver SAP ECC, SAP APO un SAP S/4HANA. Pašreizējā amatā viņš vada SAP Premium Hub CoE Manufacturing un PLM komandu, kas uzsver viņa vadošo lomu un ievērojamu tehnisko pieredzi. , “PP/DS with SAP S/4HANA” (īpaši pirmā izdevuma, ISBN 978-1-4932-1872-1, un Tātad ) SAP Preses grāmata Otrā izstāde Šīs visaptverošās rokasgrāmatas par uzlabotu plānošanu un plānošanu, kas aptver kritiskas jomas, piemēram, galvenos datus, heuristiku, PP/DS optimizatoru un trauksmes uzraudzību, ir Tādējādi viņš ir nostiprinājis savu statusu kā nozīmīgs autoritāte šajā jomā. Katalogs no Kongresa bibliotēkas Šī unikālā padziļināto, praktisko SAP PP/DS zināšanu kombinācija ar tālredzīgi domājošiem pētījumiem par AI palielināšanu padara viņu par būtisku saikni starp izveidotajām uzņēmējdarbības sistēmām un nākamo viedo tehnoloģiju vilni. Apvienojot savu plašo pieredzi SAP PP/DS un savas zināšanas HANA prototipēšanas jomā, MG konceptualizēja un veica nozīmīgu uzvedības pētījumu.Šis pētījums tika izstrādāts, lai rūpīgi izpētītu vadības lēmumu kvalitāti, strādājot ar AI palielinātām plānošanas sistēmām. Kontrolēto darbnīcu strukturētā vidē iesaistītajiem plānotājiem tika uzdots salīdzināt tradicionālos heuristiskos rezultātus ar AI vadītiem ieteikumiem.Šā eksperimenta rezultāti bija pārliecinoši: lietotāji, kurus palielināja AI koppilots, varēja sasniegt plānošanas lēmumus par 30% ātrāk, parādīja 20% augstāku pieņemšanas līmeni optimizētajām sekvencēm un, būtiski, veicināja novēlota pasūtījuma samazināšanos par 12%.Šie statistiski nozīmīgie konstatējumi stingri uzsver, kā AI palīgs, piemēram, Joule līdzīga vienība, var ne tikai paātrināt plānošanas ciklu, bet arī būtiski uzlabot pieņemto lēmumu kvalitāti. Jautājums par AI copilotiem, piemēram, SAP Joule, kas sniedz kontekstveida ieskatu un automātiski veic uzdevumus, izmantojot dabisko valodu, ir centrālais šeit.Neskatoties uz to, ka PP/DS standarta Joule pētījuma laikā nebija pieejams, MG izpēte par šo paradigmu, izmantojot konceptuālu modeli, ir īpaši iespaidīga.Tiešā saikne starp AI palielinātu lēmumu kvalitāti un 12% samazinājumu vēlu pasūtījumiem izceļ apzinātu biznesa rezultātu, risinot lielu sāpju punktu ražošanā, kas saistīts ar klientu apmierinātību un darbības izmaksām. Iepazīšanās, kas iegūta no šī pionieru pētījuma, vēlāk ir informējusi par MG izpildvaras darbnīcu saturu un viņa dažādām publikācijām. MG profesionālie centieni lielā mērā ir vērsti uz ražošanas nozares pilnveidošanu visā Ziemeļamerikā, lai optimāli izmantotu SAP piegādes ķēdes ražošanas risinājumu iespējas. Galvenais mērķis ir ievērojami uzlabot ražošanas plānošanu un plānošanu. Ražošanas nozare, jo īpaši Ziemeļamerikā, pašlaik pārvietojas dziļā pārveidošanās periodā, ko lielā mērā veicina plaši izplatīta digitalizācija un steidzama nepieciešamība veidot izturīgākas un elastīgākas piegādes ķēdes. AI ieviešana ir plaši atzīta kā galvenais veicinātājs šajā nepārtrauktā pārmaiņā, jo ievērojams uzņēmumu īpatsvars aktīvi izpēta vai jau īsteno AI tehnoloģijas savās darbībās.MG darbs tieši saskaras ar praktiskām problēmām un atver iespējas, kas raksturīgas šai mainīgajai rūpnieciskajai ainavai.Ziemeļamerika ir nozīmīgs SAP SCM konsultāciju pakalpojumu tirgus, un daudzi lieli ražošanas uzņēmumi aktīvi meklē specializētas zināšanas, lai pārvaldītu šīs pārmaiņas. “SAP Joule” konceptuālais raksturs PP/DS pētījumā par MG liecina par proaktīvu nostāju, izpētot AI nākotnes potenciālu pat pirms standarta risinājumi ir universāli pieejami. Tradicionālo PP/DS problēmu risināšana ar AI virzītām ieskatiem Tradicionālās ražošanas plānošanas un detalizētās plānošanas (PP/DS) sistēmas, lai gan ir izturīgas, ir raksturīgas problēmas, kas izraisīja izpēti AI paplašināšanā. MG norāda: “Tradicionālajā PPDS plānotāji un plānotāji paļaujas uz automatizētiem fonu izpildes plānošanas un plānošanas algoritmiem un optimizatoriem PPDS, lai atrisinātu plānošanas un plānošanas jautājumus, kas saistīti ar gatavo produktu un montāžas ražošanu. Plānotāji pavada ievērojamu laiku, lai pārbaudītu brīdinājumus, ko rada interaktīvas darījumi, identificējot tādas problēmas kā iespējamie kavējumi pārdošanas pasūtījumu piegādēs sakarā ar jaudas nepieejamību montāžas līnijā, vai piegādes dienu aprēķini, kas nokrīt zem kritiskajiem sliekšņiem.Šajos gadījumos plānotāji manuāli pārprioritizē ražošanas pasūtījumus vai izveido jaunus, lai mazinātu problēmas.Tradicionālās ražošanas plānošanas metodes bieži cīnās ar tādiem aspektiem kā pieprasījuma mainīgums, reāllaika darbības redzamības trūkums un raksturīgā neelastība, saskaroties ar dinamiskām izmaiņām, kas visas var pasliktināt šos manuālus centienus Konceptuālā pētījuma mērķi veidoja šie esošie ierobežojumi un AI radītais potenciāls. „SAP Joule ir koppilots, kas saprot uzņēmējdarbības semantiku savienotā mākoņa ERP sistēmā. PPDS gadījumā šobrīd standarta risinājumā nav pieejamas Joule iespējas. Galvenais lietojuma gadījums bija apmācīt AI modeli, izmantojot vēsturiskos PP/DS brīdinājuma datus un attiecīgās risinājuma darbības, ko veikuši plānotāji.Šīs pieejas mērķis bija automatizēt lēmumu pieņemšanu par biežāk novērotiem un bieži vien laikietilpīgiem brīdinājumiem brīdinājuma monitorā PP/DS sistēmā un uzlabot metriku, piemēram, laiku un savlaicīgu piegādi, rūpīgi ņemot vērā resursu un komponentu pieejamību. Tomēr tās efektivitāte bieži vien ir atkarīga no heiristiķiem un brīdinājuma monitora izņēmumu pārvaldīšanai, kas prasa plānotājiem manuāli iejaukties brīdinājumos, piemēram, "dienās piegādes aprēķina rezultāti vērtībā, kas ir zem noteikta sliekšņa" vai "pārdošanas pasūtījuma piegādes kavēšanās, ko izraisa jaudas nepieejamība". Vīzija par AI koppilotu, kas spēj izprast uzņēmējdarbības kontekstu un mijiedarboties ar dabisko valodu, tieši risina manuālo slogu, kas saistīts ar šiem kopīgajiem brīdinājumiem. Pētījuma koncentrācija uz AI apmācību ar plānotāja darbībām liecina par metodi, kā kodēt un mērogot vērtīgās klusās zināšanas, kas pašlaik pieder pieredzējušiem plānotājiem, potenciāli standartizējot labāko praksi un paātrinot mācīšanos jaunākiem komandas locekļiem. HANA prototipēšanas galvenā loma AI palielināto eksperimentu projektēšanā MG uzvedības eksperimenta tehnisko arhitektūru būtiski pārveidoja viņa pieredze SAP HANA prototipēšanas jomā. Šī prasme bija būtiska, lai izveidotu pētījumam nepieciešamās pamatdatu struktūras. MG norāda: “HANA prototipēšanas pieredze tiek izmantota, lai izveidotu artefaktus, lai uztvertu brīdinājumu detaļas un rīcību, ko veic plānotājs HANA modeļos, ko vēlāk var izmantot AI modeļa apmācībai.” Šie artefakti, galvenokārt HANA tabulas un skati, tika rūpīgi izstrādāti, lai reģistrētu PP/DS sistēmā ģenerēto brīdinājumu nianses un turpmākās korektīvās darbības, ko īstenoja cilvēka plānotāji. un tās iespējas ir piemērotas šādai reāllaika datu apstrādei un analīzei, nodrošinot ideālu platformu dinamisko notikumu datu uztveršanai, kas nepieciešami, lai apmācītu reaģējošu AI modeli. Sap Hana Šīs HANA balstītas datu uztveršanas praktisko pielietojumu tālāk ilustrē konkrēts scenārijs, ko MG apraksta: “Piemēram, 3. līmeņa montāžai ražošanas brīdinājumos tiek izvirzīti brīdinājumi, lai brīdinātu plānotāju par kavēšanos, plānotājs to atrisina, manuāli izpildot plānojuma heuristiku, lai atjaunotu plānu, jo šajā līmenī ir ļoti bieži plānošanas neveiksmes. Tātad šis brīdinājums, kopā ar produkta/vietas raksturu, apvienojumā ar veiktajām darbībām, tiek uztverti, izmantojot HANA artefaktus, piemēram, tabulas un skatus, kas tiek atjaunināti, pamatojoties uz notikumiem, kas notiek PPDS sistēmā.” Šis HANA artefaktu radīšanas process ir tiešs datu sagatavošanas paņēmienu pielietojums, kas ir būtisks efektīvai mašīntulkošanas modeļu apmācībai, un tas risina pamatvajadzību pēc augstas kvalitātes, visaptverošiem datiem, lai veicinātu izturīgu AI veiktspēju.Nesenās tendences, piemēram, datu iegūšana PP/DS SAP S/4HANA, kas aptver pasūtījuma detaļas, operācijas un resursu jaudu, liecina par nozares virzību uz šādas datu ieguves atvieglošanu analītiskiem nolūkiem, līdzīgi tam, ko MG prototipi. Izvēle koncentrēt prototipu uz 3. līmeņa montāžu ar ļoti biežām plānošanas neveiksmēm liecina par stratēģisku izvēli augstas ietekmes jomā, kur AI varētu pierādīt ievērojamu vērtību, risinot pastāvīgu sāpju punktu, labāko praksi AI lietošanas gadījumu identificēšanā. Turklāt, notverot ne tikai brīdinājumus un darbības, bet arī produkta / atrašanās vietas raksturu, tiek radīts bagāts, kontekstveida datu kopums.Šādi daudzdimensiju dati ir nenovērtējami, lai apmācītu sarežģītus AI modeļus, kas spēj izprast nianses, kas pārsniedz vienkāršas brīdinājuma klasifikācijas, kas noved pie precīzākām un kontekstā nozīmīgākām AI orientētām rekomendācijām. Izstrādājot izturīgus salīdzinājumus: dalībnieku un scenāriju izvēle AI lēmumu atbalsta pētījumiem MG pētījuma kontrolēto darbnīcu dizains pievērsa lielu uzmanību rūpīgai dalībnieku un scenāriju izvēlei, lai nodrošinātu stabilu un nozīmīgu salīdzinājumu starp tradicionālajiem cilvēka virzītajiem plānošanas lēmumiem un tiem, ko papildināja konceptuālais AI koppilots. MG to precizē, norādot: “Tā kā šī pētījuma darbības joma ir kontrolēta un ierobežota ar diviem brīdinājuma veidiem (aizkavēšanās rīkojuma izpildē un jaudas izmantošanas pārtraukšana), izvēlētās lomas bija gatavo preču ražošanas uzraudzītājs un gatavo preču montāžas līniju plānošanas uzraudzītājs.” Gatavās preces ražošanas uzraudzītāja un gatavās preces montāžas līnijas plānošanas uzraudzītāja izvēle kā dalībnieku lomas ir kritisks eksperimentālā dizaina aspekts.Šīs lomas ir tieši un regulāri iesaistītas izmeklējamo brīdinājumu veidu pārvaldībā — pasūtījuma izpildes kavēšanās un jaudas pārmērīga izmantošana. Šie scenāriji, kas koncentrējas uz kavēšanos un jaudu pārmērīgu izmantošanu, risina kopīgas un ļoti ietekmīgas problēmas ražošanas nozarē.Šiem jautājumiem ir būtiskas finansiālas un darbības sekas, padarot to iespējamo mazināšanu ar AI par pārliecinošu priekšlikumu uzņēmumiem.Kontrolētu darbnīcu izmantošana ir standarta un efektīva metodoloģija uzvedības zinātnē, lai salīdzinātu cilvēka sniegumu dažādos apstākļos, piemēram, ar un bez AI lēmumu atbalsta rīkiem. Šo darbnīcu “kontrolētā” daba palīdz izolēt AI rīka specifisko ietekmi, samazinot ārējo mainīgo ietekmi. turklāt, lai iegūtu stabilu salīdzinājumu pētījumos, kas novērtē cilvēka un AI lēmumu pieņemšanu, scenārijiem jābūt Normatīvie vai optimālie lēmumi var tikt objektīvi identificēti.MG izvēlētie brīdinājuma veidi parasti ir izveidojuši “labākus” vai “sliktākus” risinājuma ceļus, kas ļauj noteikt skaidru kritēriju, pret kuru var novērtēt gan cilvēka, gan AI-palielinātos lēmumus.Šis rūpīgais konkrētu brīdinājuma veidu savienojums ar attiecīgajām uzraudzības lomām uzlabo eksperimenta reālismu un līdz ar to arī tā konstatējumu piemērojamību faktiskajām organizatoriskajām struktūrām un darbības darba plūsmām. Ietekmes mērīšana: galvenie rādītāji AI palielināto plānošanas lēmumu izvērtēšanai Lai stingri novērtētu AI co-pilot ietekmi, MG prioritizēja galveno rādītāju kopumu, koncentrējoties uz lēmumu pieņemšanas ātrumu, AI ieteicamo darbību secību kvalitāti un konkrētus darbības rezultātus, piemēram, pasūtījumu savlaicīgumu. MG izskaidro: "Lēmumu ātrums tiek mērīts ar aizkavēšanos starp ievades pieprasījumu chatbot līdz sākotnējās atbildes iznākšanai. piemēram, pieprasījumam, "cik daudz augstas prioritātes aizkavētu pasūtījumu brīdinājumu ir pieejami produktiem, par kuriem es esmu atbildīgs," chatbot izmantos AI, lai izprastu pieprasījumu un izraisītu aizmugures PPDS darbības, lai ģenerētu brīdinājumus un reaģētu ar brīdinājumu skaitu." Šis rādītājs tieši kvantizē AI spēju ātri apstrādāt dabiskās valodas pieprasījumus, mijiedarboties ar pamatā esošo PP/DS sistēmu un nodrošināt plānotājiem atbilstošu informāciju, kas ir kritisks faktors straujās ražošanas vidēs. AI ieteikumu kvalitāte, konkrēti tās ierosināto darbību secību pieņemšana, tika novērtēta, izmantojot sarežģītu mērījumu. „Kontekstuālā precizitāte tika izmantota, lai novērtētu secību pieņemšanu, lai novērtētu AI izraisītās darbības, salīdzinot to ar manuālu darbību secību ar to pašu ieteikumu,” saka MG. Visbeidzot, pasūtījumu savlaicīgums, kas ir svarīgs ražošanas KPI, ko bieži mēra, ražojot KPI, bija galvenais iznākuma rādītājs, kas atspoguļots 12% samazinājumā novēlotajos pasūtījumos, kas tika ziņots pētījuma leņķī. AI modeļa validācijas metodes tika izmantotas, lai nodrošinātu šo rādītāju uzticamību un precizitāti, tostarp pārbaudot chatbot atbildes par atbilstību un pareizību. Lēmumu ātruma piemērs arī uzsver AI paredzamo izsmalcinātību, kas spēj izprast dabisko valodu, lietotāja kontekstu (piemēram, “produkti, par kuriem es esmu atbildīgs”), un izraisīt sarežģītas aizmugures sistēmas mijiedarbības. Neparedzēta dinamika: Planner mijiedarbība ar AI ieteikumiem salīdzinājumā ar tradicionālo heuristiku Cilvēku plānotāju un AI vadītu lēmumu atbalsta sistēmu mijiedarbība bieži var atklāt negaidītu dinamiku, un MG pētījums šajā sakarā sniedza vērtīgu ieskatu. MG norāda: "Ar džulim līdzīgu modelētu čatbotu apmācību datu kvalitāte un modelis ievērojami ietekmēja AI ieteikumus. jaudu pārslodzes gadījumos apmācības dati sastāvēja no scenārijiem, kuros pasūtījumi, kas izraisīja pārslodzi, tika pārplānoti uz nākamo nedēļu." Šī sākotnējā apmācības shēma noveda pie konkrētas, lai gan suboptimālas, AI uzvedības. apmācības datu kvalitātes galvenā nozīme ir labi izveidots princips AI izstrādē; datu trūkumi var izraisīt neprecīzas prognozes un kļūdainu lēmumu pieņemšanu. Šī paļaušanās uz novērotajiem modeļiem apmācības datiem noveda pie interesanta scenārija. „Bet, kad jauda joprojām ir pieejama tajā pašā nedēļā, AI ieteikums bija pārplānot kārtību uz nākamo nedēļu; tas tika mazināts, ieviešot jaudas pārbaudi kā darbību, pirms ierosināt pārplānošanas darbību apmācības datiem.” Šī AI uzvedība, kur tā ierosināja mazāk optimālu risinājumu, jo tās apmācībā ir aizspriedumi, ilustrē, kā AI modeļi var apgūt neparedzētus modeļus, ja apmācības dati nav pietiekami visaptveroši vai reprezentatīvi visām attiecīgajām lēmumu pieņemšanas loģikām. Šāda uzvedība, ja tā netiks koriģēta, varētu negatīvi ietekmēt plānotāja uzticēšanos un novest pie sliktiem darbības lēmumiem.Atvieglojuma stratēģija — apmācības datu bagātināšana, lai iekļautu skaidru jaudas pārbaudi — atspoguļo iteratīvo rafinēšanas procesu, kas ir izplatīts mašīntulkošanas modeļu izstrādē. Šī pieredze izceļ izaicinājumu iestrādāt “vispārējo saprātu” vai netiešos kontekstuālos noteikumus, kurus cilvēka plānotāji intuitīvi piemēro, piemēram, pārbauda tūlītēju jaudas pieejamību, pirms ierosina ilgāku atlikšanu. AI modeļi mācās no modeļiem, un, ja apmācības dati pilnībā neiekapsulē visu vēlamo lēmumu loģiku, AI parādīs šīs nepilnības. AI izdarīja suboptimālu ieteikumu (pateicoties datu modeļu apmācībai), kas bija izšķirošs tās korekcijai, uzsverot pārredzamības un izskaidrojamības vērtību AI sistēmās, kas ir svarīgas lietotāju uzticēšanās veidošanai un efektīvas cilvēka uzraudzības iespējai. Kāpēc Apzinātie ieguvumi: operatīvo un finansiālo ietekmi samazināt kavēto pasūtījumu ar AI MG konceptuālajā pētījumā panāktais kavēto pasūtījumu samazinājums par 12 % nozīmē būtisku un daudzpusīgu labumu ražošanas organizācijām, kas aptver gan darbības efektivitāti, gan finansiālos uzlabojumus.Traditionālās pieejas pasūtījumu kavējumu risināšanai, jo īpaši tās, kas izriet no veikala grīdas traucējumiem, bieži vien ir apgrūtinošas un reaģējošas. Kā MG apraksta: "Tradicionālajos plānošanas scenārijos, kad pārdošanas pasūtījuma aizkavēšanos izraisa veikala grīdas aizkavēšanās, lai ražotu produktus plānotā ilgumā, būs jāizpilda nakts fona skrējiens, lai plānotu bloķētos ražošanas pasūtījumus uz turpmāko pieejamo jaudas slotu. Turklāt augstas prioritātes pārdošanas pasūtījumu pārvaldība bieži prasa plānotāju manuālu iejaukšanos, lai pārplānotu citus ražošanas pasūtījumus, kas ir laikietilpīgs un potenciāli kļūdu pakļauts process. AI-paplašinātā chatbot pieeja, kā izpētīts pētījumā, piedāvā paradigmas maiņu uz elastīgāku un automatizētu izšķirtspēju. MG uzsver šo kontrastu: "Ar chatbot balstītu pieeju plānotājs var vienkārši jautāt chatbotam, ja kāds no augstas prioritātes pārdošanas pasūtījumiem ir aizkavējies, un norādīt, lai atrisinātu problēmu, kas savukārt izmanto AI iespējas, lai automātiski izraisītu atbilstošas pārplānošanas darbības." Par 12% samazināts nokavēto pasūtījumu skaits nozīmē būtisku darbības uzlabošanos. Rūpnieciskā ziņā ir zināms, ka nokavētās piegādes un aizkavētie pasūtījumi palielina ekspluatācijas izmaksas, paātrinot piegādi un papildu laiku, samazinot klientu apmierinātību, kā rezultātā samazinās aizturēšana un pat var izraisīt reputācijas bojājumus. Finansiālās sekas ir vienlīdz pārliecinošas, ar potenciālu tiešām izmaksu ietaupījumiem (slikta savlaicīga piegāde var būt par gandrīz 10% no izmaksām), palielinātiem ieņēmumiem no uzlabotas klientu lojalitātes un veselīgākām peļņas robežām. Turklāt kritisko, augstas prioritātes pasūtījumu pārplānošanas automatizācija ne tikai samazina plānotāja tiešo darba slodzi, bet, kas ir svarīgāk, nodrošina, ka stratēģiskie biznesa mērķi, piemēram, galveno klientu pasūtījumu izpilde, tiek risināti konsekventi un efektīvi. Tas samazina ieņēmumu risku, kas saistīts ar šiem svarīgajiem kontiem, parādot, kā AI var aizsargāt kritiskās ieņēmumu plūsmas un nostiprināt svarīgas klientu attiecības, nodrošinot prioritāru un efektīvu steidzamības izpildes problēmu risināšanu.Pāreja no reaktīvas, partijas orientētas pārplānošanas uz proaktīvu, AI vadītu risinājumu nozīmē fundamentālu plānošanas elastības uzlabošanu. No eksperimenta līdz pieredzei: vadītāju darbnīcu un domāšanas vadības veidošana ar AI ieskatiem Pārsteidzošie rezultāti no MG uzvedības eksperimenta, jo īpaši pierādītie ieguvumi plānotāja efektivitātē un lēmumu kvalitātes uzlabošanā, ir kļuvuši par pamatelementiem, veidojot viņa izpildvaras darbnīcas un ietekmīgus rakstus, tostarp viņa autoritatīvās SAP Press grāmatas. Kā MG atzīmē, “tipisks plānotājs vai plānotājs pārvalda tūkstošiem materiālu savā atbildības jomā, un to laiks, ko viņi pavada, lai atrisinātu biežāk sastopamos un triviālos plānošanas / jaudas brīdinājumus PPDS, aizņem lielāko daļu sava laika.” Šī plašā iesaistīšanās rutīnas trauksmes risināšanā bieži vien attur no vairāk stratēģiskām darbībām. Ar AI vadītu rīku ieviešana piedāvā skaidru ceļu, lai atvieglotu šo slogu. MG uzsver kritisko uzmanības maiņu, ko veicina AI: “Kad viņu uzmanība un uzmanība ir nepieciešama sarežģītākiem brīdinājumiem un uzņēmējdarbības pārvaldībai. Šī filozofija, kurā AI sistēmas prasmīgi apstrādā kopīgus un mazāk kritiskus brīdinājumus, ļauj cilvēka plānotājiem veltīt savu pieredzi un kognitīvo joslas platumu, lai pārvietotos patiesi sarežģītos scenārijos, pārvaldītu nozīmīgus uzņēmējdarbības izņēmumus un veiktu stratēģiskās plānošanas iniciatīvas. “Izņēmuma vadības” princips ir labi pārdomāta pieeja operāciju vadītājiem MG eksperimentālie rezultāti, piemēram, 30 % ātrāka lēmumu pieņemšana un 12 % samazinājums novēlotajos pasūtījumos, nodrošina konkrētus, ar datiem balstītus pierādījumus, kas pārvērš abstraktas diskusijas par AI potenciālu par konkrētām vērtības demonstrācijām. t Tāpēc MG darbs ne tikai veicina akadēmisko izpratni, bet arī kalpo kā praktisks instruments aizstāvībai un izglītībai, pārklājot plaisu starp AI potenciālu un izpildvaras izpratni un iegādi. Stratēģiska pieņemšana: organizāciju vadīšana virzienā uz AI palielinātām SAP PP/DS vidēm Pamatojoties uz pētījuma rezultātiem, MG sniedza stratēģiskus ieteikumus organizācijām, kas apsver AI palielinātu plānošanas sistēmu integrēšanu esošajos SAP PP/DS ainavās. Sākotnējais, lai gan ierobežots, pētījums parādīja skaidru biznesa ieguvumu. Pamatojoties uz to, galvenais ieteikums ir uzsākt AI pieņemšanu, vēršoties pret augstas ietekmes lietošanas gadījumiem, kur ieguldījumu atdeve ir acīmredzama un izmērāma. MG ierosina konkrētu ceļu vērtīgai paplašināšanai: "Ja turpmāk izmantos gadījumus, piemēram, plānošanas un optimizācijas darba žurnālu analīzi, lai identificētu plānošanas un plānošanas kļūdas un izmantotu AI, lai automatizētu biežāku kļūdu risināšanu, uzņēmumiem būs daudz vērtības." Plānošanas un optimizēšanas darba žurnālu analīze ir stratēģiski gudrs nākamais solis, jo šie žurnāli ir bagāti, strukturēti datu avoti, kas ir viegli pieejami SAP sistēmās. Iegremdējot esošos datus AI iniciatīvām, var samazināt sākotnējo šķērsli iekļūšanai turpmākai AI izpētei, piedāvājot pragmatisku ceļu AI ieguvumu mērogā.Šajos žurnālos identificēto kopējo kļūdu automatizācija nostiprina "pārvaldības pēc izņēmuma" filozofiju. Sākotnējais panākums ar 12% uzlabošanos savlaicīgajā izpildē ir būtisks koncepcijas pierādījums. Padoms, kā risināt turpmākus lietojuma gadījumus, ietver stratēģiju, kā agrāk pierādīt konkrētu vērtību un pēc tam izmantot šo panākumu, lai uzvarētu un vadītu plašāku AI pieņemšanu organizācijā — galvenais princips efektīvai pārmaiņu pārvaldībai un stratēģiskai mērogošanai. Organizācijām arī jānodrošina spēcīga datu kvalitāte un pārvaldība, jo tie ir kritiski priekšnoteikumi jebkurai veiksmīgai AI izvietošanai SAP vidē. Viņa uzvedības eksperiments, kas pierāda, ka SAP PP/DS konceptuālais AI koppilots var uzlabot lēmumu pieņemšanas ātrumu par 30 % un samazināt kavētos pasūtījumus par 12 %, piedāvā pārliecinošus pierādījumus par AI praktisko vērtību. Automatizējot rutīnas brīdinājumu un kopīgu kļūdu risinājumu apstrādi, AI ļauj kvalificētiem plānotājiem veltīt savu pieredzi sarežģītiem, stratēģiskiem izaicinājumiem, kas patiešām prasa cilvēka izgudrojumu.Šī cilvēka intelekta un mākslīgā intelekta sinerģija nav tālu teorētiska koncepcija, bet sasniedzama realitāte, piedāvājot ražošanas nozarēm, jo īpaši Ziemeļamerikā, izmantojot SAP risinājumus, ceļu uz lielāku efektivitāti, uzlabotu veiklību un spēcīgāku konkurences nostāju. Pionieru pētījumi un stratēģiskās ieskati, ko sniedz tādi eksperti kā MG, ir izšķiroši, lai virzītu šo transformāciju, nodrošinot, ka AI pieņemšana ir gan ietekmīga, gan saskaņota ar mūsdienu ražošanas pieprasījumu attīstību.