Hyper-Connected Enterprise koncepció

Egy vállalatnál a főbb stratégiai döntéseket a vezetőnek kell meghoznia, de a végrehajtást, a folyamatok és munkatársak kontrollját egy információkkal megfelelően ellátott, mesterséges intelligenciával felszerelt üzleti rendszernek is képesnek kell menedzselnie. Ezt a rendszert hívjuk mi Vállalati Digitális Idegrendszernek, aminek a  létrehozásával megvalósul a hiperkapcsolt vállalati rendszer, ami a PLC-kből, szenzorokból, kamerákból, dolgozói mobiltelefonokról, logokból, belső és külső adatbázisokból folyamatosan gyűjti az információt, elemzi ezeket, és jogosultságának szintjén képes vezérelni a teljes vállalatot. 

A mélyebb megértés érdekében a működési területekre hoztam néhány első nekifutásra is alkalmazható példát alább: 

Automatizáció 

• ”Generáld le az aktuális szerződésekhez a számlákat, és készíts egy riportot azokról az aktív ügyfelekről, akiknek nincs aktuális szerződésük, vagy probléma van velük!” 
• Időszakonként lefut egy elemzés, ami a nyilvántartási (illetve önköltségi) árakat és az eladási árakat hasonlítja össze az adott kedvezmények/kedvezmény szintek figyelembe vételével, és jelzi, hogy mit kellett volna másképpen csinálni, illetve milyen árazási javaslatai vannak.
• Cikkegyenlegben X nap után negatívba futott készletszintekre gyártás vagy beszerzés indítása automatikusan, vagy engedély kérést követően.

Kontrol 

Az adatok kontrolján kívül kamerakép-feldolgozás és a dolgozók és/vagy készletek lokációjának meghatározásával a vállalati folyamatok hatékonysága valós időben mérhető: 

• Jó helyen van most az adott alkalmazott? 
• Végezhetné hatékonyabban a munkáját? 
• Történtek lopások az elmúlt időszakban?

Ha ehhez hozzávesszük a gyártó gépekből érkező információkat, akkor például a leállások megkadályozhatók, vagy még a hiba bekövetkezte előtt megállítható egy gép. 

Asszisztens

A Microsoft Co-pilot-nak hívja, de általánosan egy intelligens asszisztensként jelenik meg az a fajta AI, ami a felhasználónak a számítógéphez kapcsolódó munka közben próbál segíteni. Ezek általában fejlett társalgási képességgel rendelkeznek (conversational AI), és a felhasználók múltbeli adatai alapján próbálják kitalálni, hogy az aktuális munkatárs éppen mivel foglalkozik, mit próbál adminisztrálni, és javaslatokat, segítséget nyújtanak a számára (recommendation engine). Ez egy kezdeti időszakban gyorsabb munkavállalói betanulást, később automatizációs lehetőségek sorát teszi lehetővé.  

Prediktív elemzés 

A 4. fejezetben részletesen írtunk a predikcióról, ami szintén a mesterséges intelligencia területéhez tartozik. Ezek a funkciók segíthetnek például az optimális készletszint meghatározásban, az árazásban, a vevőelhagyás csökkentésében, cash-flow előrejelzésben, a vállalati folyamatok elakadásainak előrejelzésében, sőt a prediktív karbantartás előre jelzi, ha valamelyik gépet javítani szükséges, mert hamarosan kritikus hiba várható.

Smart Insights

Generativ AI segítségével lehetőség van automatikus  jelentéseket vagy akár műszerfalakat készíteni a nyers adatokból. Mégis a jelenlegi fejlettségi szinten tapasztalataim szerint jobb, ha inkább a felhasználók kezébe adjuk az eszközöket, hogy ők maguk elemezhessék és értelmezhessék az adatokban rejlő információt. Ugyanis az automatikus elemzések sok esetben zátonyra futnak, és csökkenthetik a felhasználók bizalmát a rendszer iránt. 

A klaszterezés ún. felügyelet nélküli gépi tanulási technika, amely a címkézetlen adatokat csoportosítja különböző, hasonló adatpontokból álló klaszterekbe. Például a vevőket lehet csoportosítani különböző paraméterek alapján automatikusan (fizetési hajlandóság, profit, rendelési nagyság, stb), de a cikkek, dolgozók, illetve a vállalati adatbázis bármilyen entitásai is hasonló módon csoportokba rendezhetők. Ezeken a klasztereken tudjuk a klaszter-elemzést elvégezni, ahol a kialakított csoportok jellemzőit, viselkedését tudjuk vizsgálni az őket jellemző adatok alapján.

Az értékesítők számára segítség lehet vásárlási szokások, preferenciák vagy demográfiai jellemzők alapján konkrét ügyfélszegmensek kijelölése, lehetővé téve a személyre szabott marketing- és értékesítési stratégiák kialakítását.

A klaszter-elemzést piaci szegmentációra is használják, ahol a vevők hasonlóságai, például vásárlási magatartás és földrajzi elhelyezkedés alapján történik szegmentálás. Ez segíthet a vállalkozásoknak abban, hogy marketing tevékenységeiket hatékonyabban tervezzék meg, és termékeiket és szolgáltatásaikat meghatározott vásárlói csoportokra szabják.

Ebbe a témakörbe sorolható a kiugró adatok elemzése is, ahol a szokásostól eltérő viselkedést vizsgáljuk, kiderítve a véletlen vagy szándékos hibákat az adatbázisban.

Nagy cégek marketingesei a hangulat-elemző szoftverekre támaszkodnak, hogy valós időben megtudják, mit gondolnak az ügyfelek a vállalat márkájáról, termékeiről és szolgáltatásairól, és az eredmények alapján azonnali intézkedéseket tegyenek. Beállíthatják a szoftvert úgy, hogy riasztásokat küldjön, ha bizonyos kulcsszavakhoz negatív érzelmeket észlelnek.

Az érzelem-elemzés a kifejezésben lévő szubjektív információkat, azaz a véleményeket, értékeléseket, érzelmeket vagy attitűdöket vizsgálja egy témával, személlyel vagy entitással kapcsolatban. A kifejezéseket pozitív, negatív vagy semleges kategóriákba lehet sorolni. Például: „Nagyon tetszik a honlap új dizájnja!” → Pozitív.

Tudásmegosztás 

A szervezeten belül a belső tudásanyag feldolgozása jelentős versenyelőnyt jelenthet a konkurenciával szemben. Ezeket az információkat az Elemző Réteg GenAI algoritmusai kezelik, azonban a dokumentumokat fontos rendszerezni jogosultsági körök szerint, majd pedig egy kidolgozott módszertannal végezni a tanítást. Ha jól rendszerezzük a tartalmakat, és a “feltanítás” folyamata is megfelelő,  akkor egy olyan virtuális kollégához jutunk, ami a munkatársaink szinte minden kérdésére választ fog adni munkájuk során.

A feldolgozást a GenAI rendszerek hallucináció elnevezésű tulajdonsága nehezíti, ami azt az érzetet kelti, hogy a kérdéseinkre nem az igaz választ adja a rendszer, vagyis hazudik. Ennek oka elsősorban az, hogy a tanított információ hiányos, vagy nagyobb súllyal szerepelnek benne bizonyos tartalmak, mint az indokolt lenne, míg a rendszer ennek ellenére válaszolni akar a kérdésre valahogyan. 

Tapasztalat nélkül ezért nem javasolt a dokumentumok feldolgozásába belevágni, ugyanis ezen a területen sok zsákutcába bele lehet futni. Azt is szoktuk javasolni, hogy első körben csak belső felhasználásra készüljön a rendszer, és ha már ebben a körben megbízhatóan működik, és kialakult az új tartalmak becsatolásának a módszere is, csak ezt követően nyissuk ki az ügyfelek felé.

A hallucináción kívül a másik problémát az okozhatja, hogy mivel mindent meg akarunk tanítani a mesterséges intelligenciának, az üzleti titkaink is a tudásanyagba kerülhetnek, és ezt külsős kérdezővel (illetve bizonyos belső szinteken) nem szabad megosztani. Amennyiben ezzel a kihívással is sikerül megküzdeni, akkor egy olyan AI helpdesk alakítható ki, ami az ügyfelek felé történő információszolgáltatást forradalmasítja.

Tervezés, ütemezés, mesterséges intelligenciával támogatott szimuláció

A vállalatmenedzsment fontos feladata az optimalizálás, a tervezés és az ütemezés, ezért a vállalati idegrendszerben ezeket a feladatokat is kezeljük az elemző Réteg Optimalizáló és Gépi Tanuló algoritmusaival.

Ha a megrendelések kiszállítását vagy legyártását kell ütemeznünk, akkor egy bizonyos üzleti méretnél folyamatos kapacitásproblémákkal szembesülünk: nincs elegendő ember, nincs elegendő készlet, nincs elegendő gép, nincs elég idő. Ekkor nagyon fontossá válik a kapacitástervezés, amit már egy KKV esetén sem tudunk klasszikus matematikai számítással megoldani, mert sokszor nem létezik teljesen optimális megoldás a problémára. Az ütemezési feladatok megoldására ún. nemlineráris módszereket használunk, amelyeknek részletezése túlmutat jelen anyag keretein.

Itt említjük meg a Vállalati Digitális Idegrendszer szimulációs képességét, amellyel választ lehet adni a “Mi lenne, ha?” típusú kérdésekre, különböző kimeneteket és szcenáriókat szimulálva egy bizonyos vállalati problémára. Nagyobb döntések előtt ezek nélkülözhetetlenek annak érdekében, hogy a való világban történő alkalmazás előtt a megfelelő stratégiákat ki tudja alakítani és próbálni a menedzsment.

Mi kell ahhoz, hogy egy vállalat felépítse a digitális idegrendszerét? 

Az ERP önmagában kevés. Egy mindent átfogó intelligens üzleti rendszerre lesz szükség a jövőben, ami támogatja az üzleti folyamatokat, gondoskodik az adatok pontos beviteléről és kezeléséről, szabályok alapján valós időben döntéseket hoz, végrehajtat és mindehhez kontrollt biztosít.

Az utópisztikus rendszer megvalósulásához öt paradigmaváltásnak kell megtörténnie, amelyek szerencsére már csak karnyújtásnyira vannak.

1. A mesterséges intelligencia (AI) hangsúlyos szerepet kapjon a vállalati rendszerekben, és lehetőség legyen üzleti szabályok megfogalmazására, ahogyan azt az előző fejezetben kifejtettük.
2. Fenti paradigmaváltással együtt egyesülnie kell az ERP + BI + AI rendszereknek. Ez azt jelenti, hogy egy és ugyanazon adatbázisban kell tárolódjanak az adatok, amit a különböző rendszerek a saját szempontjaik szerint tudnak írni/olvasni/elemezni valós időben. Ezt megoldja a SingleStore, de a következő pont szolgáltatja számára az adatokat.
3. A vállalatnál elérhető minden adat- és információ-forrást be kell csatornázni az egységes rendszerbe, és elérhetővé kell tenni az ún. döntési réteg mesterséges intelligenciája számára, így kialakítva a vállalati digitális idegrendszert. Ehhez a technológiák adottak, a következő pont adja ehhez a technológiai hátteret.
4. A composable filozófia (amit a következő fejezetben részletesen kifejtünk) segítségével valósítható az meg, hogy a folyamatosan változó világban a rendszer rugalmas maradjon, és ne kelljen folyamatosan újraépíteni a nulláról. Jelentős költségmegtakarítást jelent az, hogy a már meglévő elemek beépíthetők az új rendszerbe. Ahhoz, hogy ez megvalósulhasson, a következő pont szükséges.
5. A folyamatok pontos definiálása (pl. SIPOC modell segítségével) és az üzleti logika feltérképezése nélkülözhetetlen ahhoz, hogy a composable modellben az egyes elemek megfelelően összeköthetőek legyenek az API rétegen (lásd következő fejezet) keresztül, valamint ahhoz, hogy a vállalat fizikai folyamatait egyértelműen megfeleltethessük a digitális tranzakcióknak. Ha ezt megtettük, akkor ez teszi lehetővé az ötödik paradigmaváltást, vagyis azt, hogy az üzletileg képzett, de programozni nem tudó felhasználók önkiszolgáló módon vezethessék be a vállalati rendszert minimális támogatási segítség igénybevételével a szállító cégtől.

A következő fejezetben a magyar frog-jump-ról lesz szó. Vagyis, hogy egy termelékenységben elmaradott magyar KKV hogyan tud a technológiák megfelelő felhasználásával, vagyonok költése nélkül az élre jutni a digitalizációs versenypályán.