00:00:03 サプライチェーンにおけるAI.
00:01:02 ジョアネス・ヴェルモレルの実践的AIに関する見解.
00:02:40 より正確な予測におけるAIの可能性.
00:04:07 実際のAI利用: 自動車部品の互換性解決.
00:06:33 サプライチェーンのエッジケースを扱うAIの役割.
00:08:01 システムのエッジケース検出におけるAIの可能性.
00:09:59 サプライチェーン予測へのAIの適用.
00:11:42 AI実装における人間の監督の必要性.
00:14:27 雇用不安によるAI採用への抵抗.
00:16:00 小売における在庫の二重の役割.
00:17:33 正確な在庫需要を決定するAI.
00:18:39 サプライチェーンとマーケティングの役割に対するAIの影響.
00:19:32 AI実装の課題.
概要
議論は サプライチェーン管理 におけるAIの適用に焦点を当てています。Lokadの創設者であるヴェルモレルは、自動車部品の互換性などの単なる統計的問題を超えた複雑な課題に対処し、従来手作業で扱われてきたエッジケースを管理するためのAIの可能性を強調しています。雇用喪失への懸念があるにもかかわらず、彼はAIがしばしば煩雑な作業を取り除き、仕事の質を向上させると主張しています。しかし、彼はAIの破壊的な性質が内部対立を引き起こす可能性があることも認めており、AIによる在庫の最適化がマーケティングおよびサプライチェーンの責任に影響を与えているという例を挙げています。ヴェルモレルは、ソフトウェアの導入よりもむしろこのような組織の変化が企業におけるAIの採用を遅らせている可能性があると示唆しており、これは長期的なビジネスの規範の大幅な変化を示すものです.
拡張概要
議論はサプライチェーン管理における 人工知能 (AI) に関するもので、潜在的な利益と影響を強調しています。ホストのキアラン・チャンドラーは、AIがテクノロジー業界において近年の流行語であると主張することで会話を開始します。これにより、ゲストのジョアネス・ヴェルモレルは、サプライチェーン業務にAIが導入されるタイミングについて考え始めます.
ヴェルモレルは、AIが流行語だというチャンドラーの発言に同意し、実際の専門家は「人工知能」という用語を使用しないことが多いと提案しています。彼は、たとえAIが流行語であっても、その下に隠された重要な進展があることを強調します。彼は三つの主要な要素を挙げています：高度な数学的方法、利用可能なデータ量の増加、そして処理能力の向上.
ヴェルモレルは、これらの進展がサプライチェーン管理において より正確な 予測につながる可能性があると主張します。しかし、完全な統合までのタイムラインは不明瞭であり、サプライチェーン業界特有の課題のためにおそらく数十年かかるだろうと彼は主張しています.
チャンドラーが、高度な統計手法や ディープラーニング 技術が、単なる予測の改善以上にサプライチェーン管理にもたらす可能性のある具体的な利益について説明を求めると、ヴェルモレルはAIの影響は多面的であると論じます。彼は、AI革命は、白黒しか知らなかった世界に色彩が加わるようなものであり、単に解像度が上がるだけでなく、新たな視点や次元が明らかになると説明します.
さらに、彼はサプライチェーン管理におけるAIの最も大きな利益は、一見統計問題とは見なされない領域から生じる可能性があると強調します。これらの、当初は見過ごされがちなAI適用の隠れた機会の中で、AIの真の価値が発揮されるとヴェルモレルは示唆しています.
彼の主張を具体化するために、ヴェルモレルはサプライチェーンにおける一見明らかでないAIの適用例として自動車部品の互換性を挙げます。彼は、ヨーロッパだけでも何百万もの部品と何十万もの車両を考えると、自動車と部品間の互換性のデータベースを維持するのは容易ではないと説明します.
ヴェルモレルは、Lokadのチームがこの問題に対処するために機械学習（厳密には人工知能の一部）を利用した方法をどのように活用したかを明かします。彼らのアルゴリズムは、データベースに記載された互換性の誤りや欠落している互換性を識別する際に、98%の 精度 を達成しました。この事例は、典型的な統計問題を超える複雑なサプライチェーンの課題解決におけるAIの潜在力を強調するものです.
ヴェルモレルは、サプライチェーンの複雑さが標準的なカタログや既製のソリューションを超えていることについて議論を始めます。彼は、ほとんどのサプライチェーンの課題は標準的なケースから逸脱するエッジケースに見られると強調します。これらのエッジケースは、彼が主張するように、大規模なチームがExcelなどのツールを多用して手作業で異常を修正することで対処されているのです。この手間のかかるプロセスは必要ではあるものの、AIが大きな利益を提供できる分野を示しています.
議論は次に、これらのエッジケースを検出し管理するためのAIの可能性に移ります。ヴェルモレルは、AIがサプライチェーン管理で直面する問題、例えば遅延や偶発的な 在庫切れ などの問題を軽減する可能性があると説明します。しかし、このAIソリューションはSiriやCortanaのような既知の音声操作システムと似たものではないかもしれません。ヴェルモレルは、単一の多機能AIではなく、サプライチェーンの特定の側面を処理するために設計された、一連の高度に専門化されたマイクロユースケースを想像しています.
ヴェルモレルはまた、サプライチェーン管理におけるAIの予測能力についてもコメントします。彼は、需要予測以外にも、サプライヤーの遅延や品質問題などの 確率的予測 を提供できると指摘します。彼はまた、AIが特にファッションのeコマースにおいて重要な要因である顧客の返品を予測できると述べています。これらの予測機能は、サプライチェーンの運営を最適化し、そのプロセスに内在する多くの不確実性を軽減する上で重要な役割を果たす可能性があります.
後に、チャンドラーとヴェルモレルは、このようなシステムを導入するために必要なAIの専門知識のレベルについて議論します。問題は、企業がサプライチェーン管理におけるAIの利益を活用するためにAIの専門家を必要とするかどうかということです.
ヴェルモレルは、オペレーションのAI要素は外部に委託可能であり、企業が内部でAI専門家のチームを維持する必要を取り除けると考えています。彼は、組織がLokadのようなサプライチェーン最適化を専門とする企業にAIに関するニーズを委任できると提案しています.
ヴェルモレルは、企業におけるAI採用の大きな障壁の一つとして、現状の レジリエンス-供給チェーン/ の崩壊による内部対立の可能性を指摘します。AI実装に伴う雇用喪失への懸念も議論に上がります。しかし、ヴェルモレルはこの懸念は有効ではあるものの、しばしば誤解に基づいていると考えています。彼は、AIがスプレッドシート管理のような煩雑で単調な作業を置き換える傾向があると述べ、これを「これまでで最悪の仕事」と称しています。このような自動化は反感を生むのではなく、従業員がより意味のある業務に専念できるように解放する可能性があるのです.
それでもヴェルモレルは、AIの採用が企業内で対立を引き起こす可能性があることを認めていますが、この対立は一般従業員間ではなく、企業レベルで顕在化すると述べています。彼はこれを小売業の例で説明します。小売店における在庫は、顧客の需要を満たすと同時に、その店を魅力的にするという二つの機能を果たしています。ここで、AIは両方の目的を達成するために最適な在庫量を決定することができます.
問題は、会社のどの部門が各目的の費用を負担すべきかを決定する際に生じます。サプライチェーンは当然、顧客の需要を満たすための 在庫コスト を負担します。しかし、店舗を魅力的にするための在庫（これをヴェルモレルはテレビ広告などのマーケティング費用と同等と見なしている）の費用は論理的にマーケティングに割り当てられるべきです。このAIの精度によって駆動される費用配分は、例えばマーケティングディレクターが大きな予期せぬ費用を一気に負担する羽目になるといった場合に、重大な論争を引き起こす可能性があります.
ヴェルモレルは、まさにこのような問題が企業におけるAI採用を遅らせる原因となると示唆しています。ソフトウェア自体の導入は比較的迅速に行えるとしても、それに伴う組織的変革がより長い時間を要するだろうというのが彼の見解です。ヴェルモレルは、AI実装によって促される業務規範と責任の再評価が、今後数年間で企業が直面する主な課題となると考えています.
完全文書文字起こし
キアラン・チャンドラー: 今日は人工知能について話をします。ここ数年、テクノロジー界で話題の主題となっている人工知能について、今回はその話題性を超えて、その応用とサプライチェーンの世界にもたらすものに焦点を当てます。再びジョアネス・ヴェルモレルに参加してもらい、今日の議論を進めてもらいます。では、ジョアネス、再び参加していただきありがとうございます.
ジョアネス・ヴェルモレル: こんにちは、キアラン.
キアラン・チャンドラー: では、業界の専門家の意見を聞くと、人工知能が2050年までに世界の仕事の半分を置き換えると言われています。しかし、一般的なサプライチェーンを見ると、まだその段階には達していません。彼らは依然としてExcelスプレッドシートで管理され、非常に人力主体で運営されています。では、サプライチェーン業界に人工知能がいつ導入されると考えますか？具体的にはどの程度の期間を見込むべきでしょうか？
ジョアネス・ヴェルモレル: 非常に興味深い質問ですね。人工知能が流行語であるというあなたのご意見に同意します。そして、人工知能について語る際に、その言葉を使うか否かで、その人が本当に内容を理解しているかどうかが分かると思います。最も有能な人々はしばしばその用語を使わないのです。しかし、流行語だからといって、その下に何もないというわけではありません。では、その下には何があるのでしょう？具体的には、より優れた数学的手法、膨大なデータ、そして処理能力の向上という3つの要素があります。サプライチェーンにおいては、より優れた数学的手法を用いて、これらのデータをより良い結果に変換する方法が必要であり、それがより正確な予測へと繋がるのです。タイミングに関しては、サプライチェーン特有の多くの側面がまだ解決される必要があるため、その実現は非常に不明瞭で、実際数十年かかると考えています.
キアラン・チャンドラー: では、用語の問題を横に置き、人工知能が基本的に一部の非常に高度なディープラーニング技術を指すとした場合、サプライチェーンの担当者は、これらの高度な統計手法から何を期待できるでしょうか？より正確な予測が得られると考えられますが、それ以上の何かがあるのでしょうか？
ジョアネス・ヴェルモレル: はい、実際にはもっと多くの可能性があります。人工知能が登場する前の予測の問題点は、より正確な予測がどのようなものかという実例があまりなかったことにあります。定義上、より正確な予測はより良い予測ですが、それが唯一の方法でしょうか？人工知能は、そうではないことを示唆する他の例も提供してくれます。まるで白黒しか見たことがなかったのに、急に色彩が加わったかのようです。単に解像度が上がるだけでなく、まったく新しい次元が現れるのです。サプライチェーンにおいては、最大の利益は統計的な問題に見えないところから生じると私は考えています。そしてそこに、人工知能本来の輝きが発揮されるのです.
キアラン・チャンドラー: つまり、一見統計的な問題に見えないが、実際には何らかの予測手法として利用可能な問題が存在する、ということですね。もう少し詳しく説明していただけますか？
ジョアネス・ヴェルモレル: 昨年、私は自動車業界における非常に興味深い問題、すなわち自動車部品の互換性に取り組む機会がありました.
キアラン・チャンドラー: 基本的に修理が必要な車があり、その車に部品が必要なのです。ヨーロッパ市場の現状を示すと、数百万種類の部品が存在します。ヨーロッパ人が3億人しかいないことを考えると、これは少々常軌を逸しています。さらに、十万を超える異なる車両があります。自動車と部品の互換性データベースを構築するという、一つのことに全産業が競っている状態です。すべての企業は、どの車がどの部品と互換性があるかのリストを作成しているに過ぎません.
ジョアネス・ヴェルモレル: 実際、これらのデータベースは何百万行にも及び、その全てが手作業で管理されており、何百人もの人々がそのデータベースの維持に人生を捧げています。私のLokadのチームは、厳密には人工知能ではなく機械学習を専門としており、あるアルゴリズムを開発しました。このアルゴリズムを実際の環境でテストしたところ、データベースに記載された互換性の誤りを検出する際に98%の精度を達成しました。また、互換性の欠如も98%の精度で検出することができました。つまり、実際にはあなたの車に取り付け可能な部品が存在するのに、それが今は誰にも判明していないという問題に対して、非常に効果的な解決策となり得るということです.
キアラン・チャンドラー: 自動車部品が自分の車に適合するかどうかを判定するために人工知能を使うのは、やや過剰な手法のように思えます。単純なカタログまたは市販の基本的なソリューションでも十分かと思われます。しかし、一般的なサプライチェーンにおいては、人工知能は何をもたらすのでしょうか?
Joannes Vermorel: 私が伝えたいポイントは、サプライチェーンにおける多くの課題は実際にはエッジケースに起因しているということです。通常は問題なく機能する状況でも、例外が発生することがあります。その例外は自動的に解決するものではなく、解決するためには多くの人手が必要となるのです。結果的に、多くの人々がExcelシートを細かく調整して対応しているのが現状です。サプライチェーンにおけるエッジケースに対応している人の数が非常に多いことは、Excelシートを編集している人数の多さからも明らかです。彼らは時間を無駄にしているのではなく、メインのERPシステムに収まらないエッジケースに対処しているのです。そのため、Microsoft Excelを使って多数のエッジケースを手動で処理しているのを見るたびに、これはおそらく人工知能で解決できる状況であると考えられます。
Kieran Chandler: それで、AIがこれらのエッジケースを検出するというのは素晴らしいアイディアのように聞こえます。それは、Lokadで見られる遅延や偶発的な在庫切れといった問題の解決に大いに寄与するでしょう。しかし、実際にはこれがどのように実現されるのでしょうか？ オペレーターの耳元で「何をすべきか、いつすべきか」を指示するような、SiriやCortanaのようなものになるのでしょうか？
Joannes Vermorel: 電話が突然「左を見ろ、問題がある」と言い出すなんて、完全なサイエンスフィクションです。現行のAIシステム、CortanaやSiriは、むしろ非常に専門化されたマイクロユースケースの集まりにすぎません。例えば、彼らはピザを注文するためだけに特化したユースケースを構築し、世界中どこでも十分に柔軟に機能するように大量のコードを組んでいるのです。
Kieran Chandler: 世界中どこでも成功裏にピザを届けるというのは、実際かなりの挑戦です。すべては非常に特定のユースケースに依存しています。これらのAIアシスタントは、単なる統合されたユースケースの集合体に過ぎません。サプライチェーンにおいてもほぼ同じで、不確実性のあるあらゆる領域に対して予測が行われるでしょう。未来の需要だけが不確実なわけではなく、例えばリードタイムのような他の多くの要素にも不確実性は存在します。サプライヤーは完璧に信頼できるわけではなく、その信頼性の度合いは明確ではないのです。
Joannes Vermorel: その通りです。そしてここでAIが大いに役立つのです。人工知能は、サプライヤーが引き起こしうる様々な問題について、非常に正確な確率論的予測を提供することができます。そしてそれは単に遅延の問題だけに留まりません。たとえサプライヤーが注文した商品を時間通りに届けたとしても、倉庫に到着し検品した際に品質問題が見つかるかもしれません。
つまり、単に遅延の問題だけではなく、受け取った商品の品質の問題もあるのです。もしあなたがファッションeコマースプラットフォームであれば、顧客に商品を販売しますが、ファッションという特性上、気に入られずに返品されることもあります。あらかじめ誰がどれだけの商品を返品するかを把握することは、サプライチェーンの最適化に非常に役立ちます。 不確実性に直面する領域は他にも山ほどあります。未来の需要予測ほど重大ではないにしても、取り組むべき重要な問題が多々存在します。 私は、AIに基づくこれらの未来技術がサプライチェーン管理に大きく寄与すると信じています。
Kieran Chandler: 次に、人間による監督の側面に移りましょう。これらのAI技術は自律して動作することはできません。こうしたプロジェクトを成功させるためには、どれほどのAI専門知識が必要になるのでしょうか？ Googleのような大企業は多くのAI専門家を雇うリソースを持っていますが、我々のような企業はどうでしょうか？ 例えば、ファッションeコマース企業は技術トレンドの先端を走っていますが、必ずしも社内にAI専門家がいるわけではありません。実際、これはどのように機能するとお考えですか？
Joannes Vermorel: まず、私の知る限り最良のファッションeコマース企業は、例外的ではありますが、社内にAI専門家を抱えています。しかしご質問にお答えすると、サプライチェーンを管理する企業は必ずしもAI専門家を必要とするわけではありません。彼らに必要なのは別の何かであり、その点については後ほど詳しく触れます。
AIコンポーネントは、Lokadのような企業に完全にアウトソースすることが可能です。もしAIに関して懸念があるなら、単にLokadのクライアントとなり、AIコンポーネントを我々にアウトソースすればよいのです。それは非常にスケール可能な戦略です。
しかし、スケールできない要素にも目を向けなければなりません。ここでタイミングの問題が関わってきます。私が考えるに、AIの問題点は、企業により合理的になることを強いる点にあります。また、企業はあいまいさを排除し、現状に挑戦せざるを得なくなるのです。まさにこれが、私が量的サプライチェーンマニフェストの本で論じている内容です。何かを最適化しようとするなら、まずは測定を確立する必要があります。これは現状を直接問い直すことになるため、非常に困難な作業です。これこそが、サプライチェーンにおけるAI技術の真の課題だと信じています。
Kieran Chandler: 企業は、AIを改善し活用するために現状を変革しなければならないという課題に直面しています。これは内部での対立を引き起こす可能性もあります。その経過を見るのは非常に興味深いです。現実的な可能性としてAIを見る企業もある一方で、これらの知能システムに職を奪われるかもしれない従業員に対しては同情の念もあります。テレビにAIのプレゼンターが登場するのはいつになるのでしょうか？ 冗談はさておき、こうした状況が技術の採用を妨げたり遅らせたりするのではないかという懸念はありませんか？ Lokadでは多くのクライアントを抱えています。もし新たな人工知能モデルを導入した場合、御社のお客様との連携はどのように機能するとお考えですか？
Joannes Vermorel: いい指摘です。恐れは正当ですが、人々が予想することは通常、実際に起こることと異なります。報道を見ると、これらすべての仕事が自動化され、人々が反対するように見えるかもしれません。しかし、サプライチェーンの現場ではそうではありません。なぜなら、正直なところ、自動化される仕事はそれほど魅力的なものではないからです。毎日8時間もExcelシートを編集する仕事を想像してみてください。そんな仕事はあまり魅力的ではありません。その作業が自動化されることで、人々はもっと意義のある、理解しやすい仕事に従事できるようになるのです。しかし、これで論争が全く起こらなくなるというわけではありません。とはいえ、こうした論争は全く別のレベル、つまり企業レベルで起こることになるでしょう。
例えば、小売ネットワークには様々な店舗があります。問題は―各店舗の在庫はどうなるかということです。一見すると、店舗にあるすべての商品は顧客に販売するためだけに存在していると考えられます。しかし、これは完全には正しくありません。店舗内の在庫は二つの目的を持っています。一つ目は、顧客が店舗に入り、望む商品を見つけて購入するためです。二つ目は、店舗自体を魅力的に見せ、顧客に何かを買いたくさせるためです。つまり、在庫は二重の役割を果たしているのです。
Kieran Chandler: 今日議論している問題は、店舗にあふれる商品の理由です。まるで店舗が半分空であるのを恐れているかのようで、旧ソ連の店舗を思わせます。これは顧客にとって望ましいイメージではありません。
Joannes Vermorel: まったくその通りです。小売業の皆さんはこの点を十分理解しています。これこそが本来のマーチャンダイジングの意味です。さて、人工知能がどのような付加価値をもたらすか考えてみましょう。AIは非常に精密で、あなたが必要だとさえ気づいていなかった答えを提供してくれます。まず、顧客に対応するために正確に何ユニットの在庫が必要かを教えてくれます。次に、店舗を顧客にとって見た目良くするためにはどれだけの在庫が必要かを計算してくれます。
Kieran Chandler: それでは、企業レベルで考えると、これら二種類の在庫の費用は誰が支払うことになるのでしょうか？
Joannes Vermorel: まず、サプライチェーンは顧客のために必要な在庫の費用を当然負担します。しかし、店舗を魅力的に見せるためだけにある追加の在庫は、本質的にはマーケティング費用となります。これはテレビ広告に支払う費用に似ており、直接商品を売るわけではなく、興味を引くためのものです。ですから、AIをretail chainに統合すると、サプライチェーンとマーケティングの境界線が曖昧になってしまいます。特にマーケティングディレクターにとっては、突然予算の大部分が在庫に割かれることになり、困惑するかもしれません。
Kieran Chandler: この変化は、会社内で内部対立を引き起こす可能性があるように思えます。
Joannes Vermorel: そうですね、以前の予算管理に慣れていた人々からは抵抗があるかもしれません。彼らは「いや、サプライチェーンの皆さん、そのままでいい。私はテレビ広告だけで十分だった」と言うかもしれません。しかし、今や物の見方は変わりつつあります。在庫はマーケティングの一部として捉えられるようになっているのです。これは大きな変革であり、AIソフトウェアの導入自体は迅速に行えるとしても、これらの変化を理解し適応するには何十年もかかるかもしれません。
Kieran Chandler: なるほど、とても洞察に満ちたご意見ですね。さて、今日はこれで時間が尽きてしまいました。興味深い議論をありがとうございました、Joannes。人工知能の話から始まり、旧ソ連の店舗の話になったとは。本当に、そういうものです。それでは、お時間をいただきありがとうございました、Joannes。
Joannes Vermorel: ありがとう、Kieran。
Kieran Chandler: 私たちの議論が、人工知能に関する一般的な誤解の解消に役立ったことを願っています。ご視聴いただき、これまでにいただいた素晴らしいフィードバックに感謝します。またすぐに戻って参りますが、それまで皆さん、さようなら.
