Secondo il leader di supply chain analyst Luigi Colombo, la più grande sfida per l’alta tecnologia nel 2019 sarà proteggere le loro catene di approvvigionamento. La sfida è che, come le catene di fornitura diventano più complesse, i produttori potrebbero non essere in grado di rispondere alla domanda con la fiducia di chi sono i loro fornitori sono davvero. In the good old days, supply chain problemi centrato intorno a un prodotto di qualità e di costo; con prodotti di alta tecnologia di oggi, la sicurezza nazionale, potrebbero essere a rischio. Fresco come una prova, Colombo cita una recente indagine pubblicata da Bloomberg Businessweek su come i Cinesi subappaltatori furtivamente spyware canaglia chip sulle schede madri per server presumibilmente forniti a clienti di alto profilo come Apple e Amazon – incidenti che le aziende non hanno riconosciuto pubblicamente.
PricewaterhouseCoopers (PwC) ha lanciato Conoscere il Vostro Fornitore di una piattaforma di servizio per i produttori di ridurre l’incertezza che circonda il fornitore del rischio e dell’affidabilità. Per la complessità della supply chain, che è un compito molto più difficile di quanto sembra. Si potrebbe identificare il principale fornitori, ma quando sono a corto di capacità, più a valle, il produttore potrebbe non sapere chi ha effettivamente fornito un particolare sottocomponente a monte. Che la mancanza di visibilità permesso di spyware canaglia chip di sgattaiolare la sua strada nel prodotto finito, prima che i bravi ragazzi realizzato.
PwC servizio si avvale di machine learning per aiutare i produttori di aprire una finestra sull’loro catene di approvvigionamento, di comprendere e mitigare l’esposizione al rischio e di potenziali problemi di conformità nelle loro catene di fornitura. In particolare, esso consente di identificare i fornitori nella vostra catena di fornitura, che può essere una sfida quando il primario di fornitori di subappaltare i lavori (che è come quelli canaglia chip trasformato in Bloomberg-citato caso). E basato su dati provenienti da una varietà di fonti, il servizio consente ai produttori di quantificare il rischio associato a condurre affari con i fornitori e i conseguenti impatti sulle normative di conformità.
Il compito è certamente complesso, ma ciò che contraddistingue il suo approccio è che utilizza grandi quantità di dati e quindi i treni di apprendimento automatico di modelli per contribuire a fornire le conclusioni. Secondo una principale con il progetto, oggi molto complesso, spesso mutevole catene di fornitura globali effettuare tali compiti troppo grande per l’uomo da solo per ottenere le braccia intorno. La chiave per l’automazione di questa soluzione richiede la familiarità combinazione di scienza di dati, dati di ingegneria, e competenze di dominio.
Ha costruito il suo servizio sul Koverse Soluzioni Intelligenti Piattaforma. Seattle azienda, fondata da NSA veterani, fornisce una integrazione dei dati, l’indicizzazione e la ricerca della piattaforma costruito in cima ad Hadoop, utilizzando Apache Accumulo invece di HBase. Accumulo è una di swap-in key-value store sostituzione in Hadoop che supporta la sicurezza di down “cella” (riga e colonna). È stato originariamente sviluppato per la NSA, perché, al momento, Apache Hadoop mancava una protezione adeguata, e perché la NSA requisiti per la sicurezza dei dati sono stati molto più severi di quanto la maggior parte delle imprese del settore privato, necessari. Il Koverse piattaforma si differenzia dalle tradizionali magazzini di dati, in quanto le etichette e gli indici dati di calcolo. Che è la chiave per la diversità delle fonti di dati che si ingerisce, che vanno da fonti conosciute come interno di sistemi finanziari di e-mail, il cliente o il fornitore portali, fornitore o cliente dati del portale, social media chiacchiere, fonti da “dark web”.
Per esempio, un sito di produzione del cliente, cercando di identificare istanza di contraffazione dei prodotti può eseguire la scansione del cliente portali, social media e altre fonti, utilizzando l’elaborazione del linguaggio naturale per identificare ogni istanza di reclamo. In questo scenario, che potrebbe ricevere reclami da parte dei rivenditori casi l’individuazione di altri negozi che vendono lo stesso prodotto per il 90% in meno.
Arrivare a quel punto richiede una combinazione di supervised e unsupervised learning in piedi prima di eseguire approccio. Partire con un set di dati, come ad esempio un interno sistema finanziario dove transazioni dubbie sono già stato segnalato, il compito è condurre apprendimento supervisionato per iniziare a costruire il modello, poi, gradualmente ampliato con l’aggiunta di nuovi dati del training set. Una volta che il modello iniziale colpisce il 90 ° percentile tassi di accuratezza, il modello può essere scatenata in incustoditi modalità per nuovi o poco noti, set di dati e nuovi scenari.
Mentre ottenere il modello giusto suoni complessi, la cosa sorprendente è che “la matematica è facile” rispetto al compito di una querelle dati. Che è coerente con i nostri risultati di scienziati dati spendere verso l’alto di 80 – 90% del loro tempo di purificazione e armonizzazione dei dati – un compito che solo nel migliore dei casi, potrebbe essere ridotto, magari per la metà del loro carico.
Con il servizio ora per poco più di un anno, ora ci sono i risultati tangibili di report. Per un grande consumatore di prodotti del produttore, sono stati in grado di letteralmente mappa i clienti della catena di fornitura, che in un numero di casi identificati oscuro fornitori con il 4 ° o 5 ° festa di subappalto rapporti per i quali il CPG società non era precedentemente a conoscenza. E utilizzando tecniche di apprendimento automatico di modelli, il servizio identificato i livelli di fiducia per quanto riguarda il livello di rischio e, in alcuni casi, l’alternativa individuata strategie di approvvigionamento che riduzione del rischio e la conformità alle normative problemi.
Mentre non si può (e non deve) prendere gli esseri umani completamente fuori dall’equazione, decifrare la supply chain a livello globale è cresciuto sufficientemente complesso che richiede una macchina per aiutare a capire le cose.
Argomenti Correlati:
Intelligenza Artificiale
La Trasformazione Digitale
Robotica
Internet delle Cose
L’innovazione
Enterprise Software