00:00:00 Интро; Bamboo Rose и охват розничного PLM
00:02:21 Проблемы розничного PLM: жизненный цикл, координация, масштаб
00:04:15 Глубина аэрокосмической отрасли против неглубоких, но массовых ассортиментов в ритейле
00:09:45 От силосов к адаптивным процессам с общим контекстом
00:12:56 Классификация тарифов без обучения заменяет ручной труд
00:16:42 Генеративный ИИ обрабатывает неструктурированные документы PLM в масштабе
00:21:38 LLM осуществляют оркестрацию; появляются экосистемы агент-агент
00:24:26 Прагматика обмена данными; минимизация рисков, связанных с персональными данными
00:28:53 Слой логики/интерфейса истончается; данные и метаданные центрируются
00:34:23 Автоматизация сводит на нет рабочие процессы, возникшие из разделения труда
00:37:48 Настройка сетей агентов: цели, ограничения, разрешения
00:44:30 К автоматически создаваемым коллекциям и обмену с поставщиками
00:49:55 Влияние ИИ: защищать, расширять, добавлять
00:55:04 Количественная оптимизация принимает решения; LLM обрабатывают документы и коммуникации
00:59:08 Преимущества: скорость, точность; автоматизация бэк-офиса ускоряется
Резюме
Руперт Шиессл (Главный директор по ИИ Bamboo Rose) присоединяется к Йоаннесу Верморелю (CEO Lokad) и Конору Дохерти (директор по маркетингу) для обсуждения того, как генеративный ИИ изменяет управление жизненным циклом продукта (PLM). Шиессл объясняет, что классические силосные модули розничного PLM (от планирования до распределения) могут быть растворены с помощью систем на базе ИИ/агентов, которые способны разрушать силосы, адаптировать процессы динамично и автоматизировать задачи, требующие обработки большого объема текста и неструктурированные (например, классификация тарифов, создание технических спецификаций). Верморель проводит контраст между глубоким, многолетним PLM (например, в аэрокосмической отрасли) и неглубокими, но массовыми ассортиментами в ритейле, отмечая, что LLM превосходно справляются с оркестрацией, генерацией документов и пред/после принятия решений рабочими процессами, в то время как количественная оптимизация по-прежнему занимается ценообразованием и подбором ассортимента. Оба предвидят, что слой логики/интерфейса будет истончаться, по мере того как данные и метаданные станут центральными, а экосистемы агент-агент будут появляться, при этом значительная часть бэк-офисной работы будет автоматизирована.
Расширенное резюме
Конор Дохерти (директор по маркетингу Lokad) закладывает основу для разговора под девизом «Переосмысление PLM в эпоху ИИ», попросив Главного директора по стратегии и ИИ Bamboo Rose, Руперта Шиессла, определить, что такое PLM в ритейле и как ИИ его меняет. Шиессл описывает PLM как координацию пути продукта — от концепции и дизайна до закупок и распределения — охватывая от тысяч до сотен тысяч единиц и множество ролей (дизайнеры, разработчики, аналитики по закупкам, специалисты по цепочке поставок). Исторически поставщики разделяли сложность на силосные модули (планирование, дизайн, разработка, закупки, заказы, логистика). Такой подход работал, когда процессы были стабильными, но недавняя волатильность (пандемия, торговые изменения) делает жестко заданные рабочие процессы хрупкими. ИИ предлагает способ растворения силосов, позволяет модулям «общаться» и адаптировать процессы динамично.
Йоаннес Верморель (CEO Lokad) расширяет взгляд: PLM варьируется в зависимости от вертикали. В аэрокосмической отрасли каждый продукт является глубоким (терабайты данных по тестированию и соответствию) и долговечным; в ритейле каждый продукт обладает неглубокими характеристиками, но ассортимент огромен и быстро обновляется. Проблема в ритейле заключается в сложности ассортимента, многоканальных поставках и необходимости быть гибкими. Верморель утверждает, что силосы ограничивают оптимизацию; современный ИИ позволяет автоматизировать принятие решений и устраняет множество рутинных задач, которые ранее требовали целых команд координаторов (например, создание ярлыков для магазинов с жесткими ограничениями по символам). LLM не идеальны для числовой оптимизации (например, ценообразования), но они превосходно справляются с обработкой текстов и служат оркестрационным слоем вокруг других алгоритмов.
Конкретное достижение: классификация тарифов (HTS). Шиессл объясняет, что подбор таможенных кодов из разрастающихся, постоянно обновляемых нормативных актов ранее осуществлялся вручную; с помощью ИИ модели воспринимают самые новые своды правил и выполняют «классификацию без обучения», заменяя рабочие процессы, которые раньше требовали размеченных наборов данных и постоянного переобучения. Верморель отмечает, что метод zero-shot меняет экономику: вы кодируете правила и контекст, а не накапливаете примеры. Аналогичные выгоды применимы и к неструктурированным данным — PDF-файлам от поставщиков, файлам дизайна в Illustrator/SVG, каталогам и ответам на запросы предложений — где ИИ может извлекать, согласовывать и направлять информацию.
Глядя в будущее, и Шиессл, и Верморель предвидят появление экосистем агент-агент: поставщики предоставляют агентам каталоги, доступные для обмена; агенты ритейлеров запрашивают их. Это обещает сократить количество хрупких PDF-пайплайнов, но поднимает вопросы управления: что агент может раскрыть и как предотвратить утечки или ошибки? Верморель умалчивает миф о «данных как коронных драгоценностях» для большинства ритейлеров (каталоги продуктов зачастую являются публичными; персональные данные представляют собой риск, который необходимо минимизировать), одновременно настаивая на строгой гигиене данных.
Что касается архитектуры программного обеспечения, Шиессл выдвигает провокационное утверждение: «ИИ уничтожает слой логики». В классической архитектуре — данные (низ), бизнес-логика (средний уровень), интерфейс (верх) — LLM теперь могут по запросу генерировать логику с учетом контекста и адаптивные пользовательские интерфейсы. Ценность концентрируется в данных и метаданных, которые их описывают; поставщики должны укреплять данные, обогащать их семантическими и метаданными слоями и позволять LLM и агентам динамично формировать потоки. Верморель соглашается, добавляя, что большая часть корпоративной «логики» лишь координирует разделение труда. Когда автоматизация берет верх, слои рабочих процессов, KPI и разрешений сводятся к индикаторам здоровья автоматизаций. Эволюция антиспама — от параметрических джунглей до невидимой фоновой службы — иллюстрирует этот коллапс.
На практике Шиессл выделяет три уровня влияния ИИ: (1) Защита — автоматизация существующих этапов для повышения скорости и точности (например, тарифы); (2) Расширение — изменение процессов (соединение дизайна и сметы в реальном времени; объединение этапов); (3) Дополнение — создание новых возможностей (например, почти автоматическое создание технических спецификаций для ведомостей, соответствия и размеров). Верморель распределяет рабочую нагрузку PLM: использовать количественную и стохастическую оптимизацию для формирования ассортимента, а затем задействовать LLM для генерации обширной документации и автоматизации взаимодействия с поставщиками до и после ключевых решений.
Для нетехнических заинтересованных сторон Шиессл позиционирует ИИ как системное средство снятия болей: меньше задержек, лучшая доступность и соответствие требованиям, улучшенные отношения с поставщиками и экономия затрат и времени — всё это внедряется постепенно, а не разом. Заключительный прогноз Вермореля прямолинеен: ИИ автоматизирует большую часть бэк-офисной, офисной работы в PLM в течение следующего десятилетия, особенно те задачи, которые заключаются лишь в перераспределении информации между форматами.
Полная расшифровка
Конор Дохерти: С возвращением. Сегодня в студии со мной Руперт Шиессл, главный директор по стратегии и ИИ в Bamboo Rose. Сегодня он расскажет мне и Йоаннесу о переосмыслении управления жизненным циклом продукта в эпоху ИИ. Прежде чем мы перейдём к этому, вы знаете, что делать: подпишитесь на наш канал LokadTV на YouTube и подумайте о том, чтобы следить за нами в LinkedIn. Недавно мы преодолели отметку в 25 000 подписчиков, и я бы хотел как можно скорее достичь 30 000. На полном серьёзе, мы пытаемся создать сообщество — ваша поддержка очень важна для нас. С этим сказанным, представляю вашему вниманию сегодняшнюю беседу с Руперт Шиесслом.
Конор Дохерти: Первый вопрос. В моем вступлении я представил вас как главного директора по стратегии и ИИ в Bamboo Rose. Кто такие Bamboo Rose и чем вы там занимаетесь?
Руперт Шиессл: Bamboo Rose — это поставщик программного обеспечения. Мы предлагаем решение под названием total PLM, которое помогает нашим клиентам — главным образом ритейлерам — управлять полным жизненным циклом продукта от планирования и дизайна до распределения. Вот чем Bamboo Rose занимается уже 25 лет. Мы работаем с такими крупными брендами, как American Eagle, Urban Outfitters, Wolf, Walmart и другими. Моя роль заключается в том, чтобы внедрять ИИ в этот стэк, потому что, как мы обсудим, ИИ трансформирует не только деятельность поставщиков PLM, но и в целом то, чем занимаются компании, предоставляющие программное обеспечение и программное обеспечение как сервис.
Существует множество возможностей улучшить наши решения для клиентов с помощью ИИ, генеративного ИИ и агентов. Это моя работа: объединить существующий стэк — все знания и интеллект, запакованные в наше решение — с ИИ и сделать наше программное обеспечение пригодным для использования ИИ.
Конор Дохерти: Вы упомянули ритейл. Когда вы продаете концепцию управления жизненным циклом продукта, какие проблемы люди пытаются решить, или как вы объясняете им, в чем именно заключаются эти проблемы?
Руперт Шиессл: Как следует из названия, вы управляете полным жизненным циклом продукта — от его дизайна и создания, а иногда и до момента, когда задаетесь вопросом «Стоит ли создавать продукт?», — до точки распределения, или даже до переработки, или того момента, когда продукт становится отходами. Во время этого цикла происходит множество процессов: множество людей работают вместе, объединяясь с клиентами, поставщиками и подрядчиками, и наше программное обеспечение ставит задачу координировать всё это. Особенно для крупных компаний с огромным количеством продуктов — тысячами, десятками тысяч или, например, для Walmart, сотнями тысяч — это невозможно сделать вручную с помощью Excel-таблицы.
Поэтому необходимо создавать процессы, организовывать их, устанавливать права доступа и объединять всех этих людей — дизайнеров и разработчиков продуктов, аналитиков по закупкам, менеджеров по цепочке поставок — чтобы они работали вместе в рамках этого сложного процесса согласованно и совместно.
Конор Дохерти: Йоаннес, хотите что-то добавить к определению проблематики PLM в ритейле?
Йоаннес Верморель: Для ритейла это имеет смысл. PLM — огромный рынок, и в зависимости от вертикали он может означать совершенно разные вещи. Например, аэрокосмическая отрасль: каждый продукт может содержать терабайты информации, с тысячами проведённых экспериментов, доказывающих, что изделие безопасно при любых условиях полёта. У вас есть все записи экспериментов, все доказательства, даже симуляции на компьютерах, подтверждающие, что ваш дизайн безопасен, надежен, соответствует требованиям и так далее. Всё это чрезвычайно рекурсивно: модуль имеет список подмодулей, у которых тоже есть подмодули, и у каждого имеются доказательства соответствия и инженерные данные. Эти процессы длятся десятилетиями.
На другом полюсе спектра проблема иная: информация по одному продукту относительно невелика. Для ритейлера — даже для Walmart — сомневаюсь, что для большинства продуктов имеется более чем несколько десятков страниц документации. Возможно, некоторые медиа-материалы, но в целом информация поверхностна, а десятки тысяч продуктов постоянно обновляются. Таким образом, проблема не в одном продукте с чрезвычайно сложным жизненным циклом, охватывающим десятилетия; а в десятках тысяч продуктов, которые быстро обновляются, и необходимо сохранять высокую гибкость. Один и тот же продукт может закупаться у полудюжины компаний; вы можете захотеть сменить поставщика и обеспечить непрерывность, даже если продукт продолжают получать от другого.
На мой взгляд, PLM сильно зависит от вертикали, и задача для ритейла заключается в управлении сложностью ассортимента на высшем уровне — если посмотреть на портфолио Walmart, там явно сотни тысяч продуктов.
Руперт Шиессл: Я полностью согласен относительно зависимости от вертикали. Это действительно наш подход в Bamboo Rose: сильно ориентированный на ритейл, особенно в моде, и всё больше в сегменте продуктов питания, где присутствует множество ингредиентов и юридических ограничений, а затем — в категории общих товаров. В модной индустрии это не аэрокосмическая отрасль, но продукты могут быть сложными: разные размеры, различные компоненты, и более сложные изделия, такие как одежда, обувь или спортивная экипировка, могут быть довольно сложными и требовать совместного дизайна и всех этих разных этапов, которые мы объединяем в нашем программном обеспечении.
Конор Дохерти: Прежде чем перейти к тому, как ИИ нарушает традиционные методы PLM, расскажите, как исторически компании в ритейле решали описанные вами проблемы? Что в этом подходе работало, а что было не так хорошо?
Руперт Шиессл: Исторически интуитивная реакция на сложный процесс заключалась в его разбиении на множество процессов — то, что стало силосами. Это происходило в PLM на протяжении последних 20–30 лет. В рамках PLM присутствуют планирование, дизайн, разработка, закупки, заказы, логистика и так далее. Это типично для большинства поставщиков программного обеспечения на рынке PLM: разные модули, покупка одного или другого, модули работают вместе, и разные команды используют эти модули. Такой подход хорошо работает для сложных процессов, так как сам процесс заранее определён, и после настройки решения — иногда с очень длительными проектами развертывания — он отлично воспроизводит изначально заданный процесс.
Однако в последние годы, с учётом сбоев цепочки поставок и других факторов, процессы и продукты меняются очень часто, очень быстро. Продукты, для которых было разработано программное обеспечение, уже не соответствуют этим процессам, и силосные, заранее определённые решения сложно адаптировать или они могут устареть, так как были созданы для процессов, которые больше не существуют. Это одна из лучших возможностей, которые мы видим в Bamboo Rose: внедрение ИИ в качестве решения для более быстрой адаптации процессов, разрушения силосов, обеспечения взаимосвязи элементов, обмена информацией по цепочке и повышения гибкости процессов.
Конор Дохерти: Йоаннес, вы — огромный поклонник силосов в цепочке поставок, не так ли?
Йоаннес Верморель: Огромный поклонник. Силосы определяют границы того, что можно оптимизировать. Когда есть силосы, это означает, что целые классы оптимизации или пути даже недоступны. Если вы хотите, чтобы всё оставалось управляемым при высокой степени разделения труда между десятками людей, вам как бы нужны эти силосы; альтернатива — когда все разговаривают друг с другом — не масштабируется за пределы команды из пяти или, может быть, десяти человек.
Однако с более современными технологиями появляется возможность переосмыслить поддержку принятия решений, автоматизацию решений или простую автоматизацию. Многие шаги были чрезвычайно рутинными, но затратными по времени, и их нельзя было автоматизировать. Я имею в виду всё, что связано с текстом, до недавнего времени — например, выбор ярлыка, который бы идеально вписывался в 80 символов для вывесок в магазинах. Вам приходилось тщательно подбирать название, которое укладывалось бы в лимит. Это не давало огромной дополнительной ценности, но альтернатив не существовало, и вы тратили сотни или тысячи человеко-часов в год на рутинную задачу. Теперь многое из этого ушло, и люди могут сосредоточиться на более стратегических проблемах.
Rupert Schiessl: У нас есть очень похожий случай использования у наших клиентов, связанный с тарифами — выбор правильного номера HTS в США. Многие наши клиенты базируются в США. Это тарифный номер, который используется для импорта продукта в США; это универсальная глобальная система, которая до сих пор существует. Им приходится выбирать правильный номер на основе характеристик продукта, и у них есть некая гибкость для выбора более выгодной таможенной ставки, когда возможны различные варианты. До сих пор это был и остаётся полностью ручным процессом. Теперь может вступить в силу ИИ, который прочитает новейшие регуляции, поймёт, для чего предназначены номера HTS, и объединит всю информацию. Благодаря GenAI полностью заменён базовый процесс, чего раньше было невозможно.
Joannes Vermorel: Это называется классификация без примеров (zero-shot classification). Технический термин означает, что вы создаёте машинное обучение классификатор без каких-либо предварительных примеров. У вас есть спецификация закона, собранная и включённая в запрос, затем производится разумная предварительная обработка для преобразования PDF в Markdown и любых других источников, касающихся продуктов. После этого ваш классификатор — LLM — работает без специального обучения.
Концепция становится интересной с GenAI: вы внезапно можете создать классификаторы, не собирая сначала базу примеров, как это делалось пять лет назад. Тогда люди говорили: «Мы используем метод случайного леса: сначала вручную классифицируем, скажем, 1 000 примеров, а затем используем этот классификатор для классификации остальных». Но эти 1 000 примеров стоили дорого и занимали много времени. Прелесть GenAI заключается в том, что вы можете получить классификацию без примеров: задаёте правила и логику — которая может быть расплывчатой и субъективной — и получаете достаточно работоспособный классификатор, который функционирует без предварительных данных.
Это открывает множество вариантов использования, которые ранее были экономически нецелесообразны. Вы могли бы создать базу данных для тысячи продуктов по тарифам, но тарифы быстро меняются, и всё сводилось бы к тому, что «лучше сделаем это вручную, это быстрее». Так что да, абсолютно.
Conor Doherty: Пример с тарифами легко понять, потому что он очевиден. Но базовая логика — внедрение ИИ в рабочий процесс — существует независимо от масштабного макро-события. Если вы говорите о максимизации возврата инвестиций для принятия решения, это справедливо как для меняющихся тарифов, так и для их отсутствия. Руперт, как бы вы объяснили ценностное предложение внедрения ИИ в PLM в целом?
Rupert Schiessl: Вероятно, можно выделить два класса. Один — это пример с тарифами: мы сохраняем тот же процесс, но, как объяснил Joannes, мы можем адаптировать данные и работать более гибко без необходимости собирать источники данных, поскольку у нас уже есть предварительно обученные модели, способные понимать источники данных так, как это делают люди. Для тарифного случая мы просто загружаем PDF с 4000 страницами регуляций — если он меняется каждый день, просто загружаете новую версию — и модель может его прочитать, чего не смог бы сделать ни один человек. Это преобразует не только тарифный процесс, но и множество неструктурированных источников данных: PDF, изображения, дизайны, которые постоянно обновляются.
Дизайнеры создают файлы Adobe Illustrator в формате SVG и изменяют их — перемещение кнопок немного влево создаёт новую версию, которую необходимо просмотреть и утвердить разработчику продукта. Много PDF поступает от поставщиков при ответе на RFP и RFI; они не хотят заполнять формы, им удобнее отправить уже имеющуюся информацию: каталоги, брошюры. До сих пор менеджерам по закупкам приходилось просматривать всё это. Теперь это можно заменить GenAI.
Второе преобразование касается организации — способы, по которым процессы и решения принимаются в программном обеспечении. Теперь мы можем адаптироваться к тому, что происходило ранее в различных подразделениях и модулях. Допустим, поставщик объявляется банкротом или больше не может поставлять продукцию: вам придется адаптировать план, ассортимент или дизайн — возможно, это поставщик кнопок или какого-то определённого материала. Весь этот процесс занимал много времени; возможно, в модной индустрии его просто не проводили, потому что жизненный цикл слишком короткий. Теперь это возможно с ИИ: вы можете постоянно мониторить базу данных, иметь процессы, которые адаптируются, автоматически перенастраивать, пересоздавать ассортимент, менять цены, корректировать дизайны и динамично связывать процессы.
Joannes Vermorel: LLM не очень хорошо подходят для проведения строго структурированных действий. Если вам нужно пройтись по списку из 10 000 продуктов, нужен цикл, и с LLM это будет медленно. LLM подходят, когда речь идёт о тексте. Например, оптимизация цен: LLM подходит для помощи в написании кода для стратегии ценообразования, но не для ввода характеристик с запросом «Дайте мне цену». Это не лучший инструмент для такой задачи.
То, что я вижу в будущем, — это взаимодействие агент-агент. Несколько недель назад Google выпустил спецификацию протокола для взаимодействия агент-агент. Идея в том, что, как компании выставляют свои веб-сайты, они могли бы публично открыть доступа к агентам. То, чем вы снабжаете агента, — это то, чем вы готовы поделиться с миром. Если вы поставщик, у вас будет ваш каталог в открытом доступе; этот агент может отвечать на запросы ваших клиентов, а вы поддерживаете базу данных, которая снабжает этого агента информацией. Ваши клиенты могли бы обращаться к этим агентам — предназначенным для общения с другими агентами — избавляясь от необходимости проходить через PDF и медиа, не очень подходящие для обработки LLM. Когда у вас есть PDF, их сначала нужно преобразовывать в текст; это устраняет множество барьеров.
Rupert Schiessl: Это определённо интересно: соблюдение норм в различных сетях агентов клиентов и поставщиков. Очень схожий вопрос, который нам уже задают: «Я поставщик и делюсь своими данными с вами, клиентом. Как мне убедиться, что вы не заберёте всю информацию? Как понять, что вы берёте только то, чем я готов поделиться?» Это станет одной из самых важных проблем в ближайшие годы. Как мы можем контролировать, чем делятся агенты? Как мы можем убедиться, что они не совершают ошибок? Агенты будут общаться друг с другом, это точно, но как мы можем контролировать, какие данные выходят за пределы компании? Здесь будут огромные возможности, серьёзные вызовы и, вероятно, крупные инциденты — надеюсь, не с участием наших компаний.
Joannes Vermorel: В настоящее время существует множество IT-проблем — например, программное обеспечение-вымогатель — гораздо более критичных и серьезных. По моему мнению, для большинства компаний данные не столь критичны, как считается, если только вы не ASML с супервысокотехнологичными физическими процессами или SpaceX с ракетными двигателями — тогда у вас действительно очень чувствительные активы. Но 99% компаний обладают очень небольшим объемом действительно критичных данных. Данные, которые считаются критичными, скорее являются обременениями, чем активами. Если вы ритейлер, вам, вероятно, не нужна личная информация ваших клиентов; это обременяет вас. Если она утечёт, это станет серьёзной проблемой для прессы и не даст значительного прироста вашему бизнесу.
Таким образом, продуктовый каталог — любой может его собрать с e-commerce. Безусловно, его внутренняя организация имеет свою ценность; я не хочу этого отрицать. Я говорю о том, что если эти данные будут слишком широко распространены среди конкурентов, это не конец света. Данные, которыми вы не хотите делиться — личные данные ваших клиентов — являются обременением. В Lokad для почти всех наших клиентов мы гарантируем, что у нас нет никаких личных данных, потому что это обременяет. Даже если случится утечка в Lokad — чего никогда не было, но возможно — идея в том, что у нас имеется только информация, которая не нанесёт ущерба с точки зрения PR: коммерческая информация, список продуктов, перечень потоков, уровни запасов. Вы не хотите, чтобы ваши уровни запасов были доступны конкурентам, но если они появятся на Reddit, это не станет концом света для вашей компании.
Conor Doherty: Возможно, это не конец света, но в статье «Конец программного обеспечения, как мы его знаем», которую вы написали, Руперт, вы утверждали, что ИИ уничтожает логический слой. Каков был ключевой аргумент, который вы приводили, и как ИИ уничтожает логический слой PLM?
Rupert Schiessl: Заголовок немного провокационный, но, вероятно, именно так и происходит. Я занимаюсь программным обеспечением уже 17 лет; как поставщик ПО, мы гордимся тем, что создаём логику и бизнес-логику, воспроизводящую бизнес-процессы клиентов элегантно и универсально, чтобы вы могли решать множество задач с минимальным количеством кода. Кроме того, у вас есть прекрасно разработанный пользовательский интерфейс для взаимодействия с этой логикой. На нижнем уровне стека находятся данные, взаимосвязанные для отражения процессов и бизнес-логики клиентов, использующих программное обеспечение. Это был традиционный подход.
Теперь, как сказал Joannes, LLM не будут генерировать алгоритмы для ценообразования, оптимизации или прогнозирования — те математически оптимизированы — но они способны создавать код и описывать логические потоки. Эти алгоритмы могут адаптировать логику и процессы, предопределённые поставщиками ПО, более динамичным, интерактивным, контекстно-ориентированным способом — в зависимости от текущей экономической обстановки, того, какой поставщик откликается, или какого пользователя использует программное обеспечение. Процесс может изменяться и адаптироваться динамически с помощью LLM, без необходимости программиста предусматривать каждый шаг. Это значительное изменение.
Это также затрагивает пользовательский интерфейс. Пользовательские интерфейсы были разработаны надёжно и стабильно, как и логика, чтобы предусматривать случаи и требования пользователей. Дизайнеры воспринимают ситуацию иначе, чем финансисты. Теперь, с агентами, генерирующими код и логику — с этими алгоритмами GenAI — вы можете создавать пользовательский интерфейс в зависимости от того, что получается из базы данных, каков процесс и кто находится перед вами. Соедините всё это, и логика постепенно исчезает; пользовательские интерфейсы уходят в прошлое. Всё, что остаётся — это данные и бизнес-логика, заложенная в данных. Значимость слоя данных возрастает. Мы должны улучшить способы защиты этих данных и создать метаданные, которые объяснят наши данные, чтобы LLM понимали, что происходит, и могли сделать их доступными для внутренних агентов и агентов других компаний — клиентов и поставщиков.
Joannes Vermorel: Если взглянуть на системы учёта — корпоративное программное обеспечение, предназначенное для создания электронного аналога чего-либо в вашей компании: продуктов и их жизненных циклов, уровней запасов, заказов и т.д. — подавляющее большинство логики существует для поддержки разделения труда. Если удаётся автоматизировать, вам не нужно управлять этим разделением труда. Внезапно отпадает необходимость в слоях пользовательских интерфейсов, логики, рабочих процессов и прочего для автоматизированных процессов. Во многих системах корпоративного ПО разделение труда составляет более 90% логики.
Вы создаёте этапы, рабочие процессы, надзор, ключевые показатели эффективности, призывы к действию и т.д. Если вы способны к автоматизации, нужны ли вам такие детализированные этапы, рабочие процессы, КПЭ? Всё это исчезает. Возможно, оно сведётся к техническому индикатору, показывающему, что ваша автоматизация работает в нормальных условиях — зелёный или нет — и всё. Чтобы понять влияние автоматизации, подумайте об анти-спаме. В 90-х годах корпоративное анти-спам программное обеспечение было чрезвычайно сложным: масса правил, контроля, сотни параметров. А сейчас, что происходит с вашим анти-спамом? Ничего. Оно существует, работает, и вам всё равно. Есть папка со спамом, которую вы никогда не проверяете. Логика исчезает благодаря автоматизации того, что ранее было невозможно.
Да, с LLM можно автоматически составлять SQL-запросы для создания отчетов, что экономит некоторую логику, но это ничтожно по сравнению с устранением артефактов, существовавших только для обслуживания большого количества людей. Если у вас много сотрудников, нужны администраторы с разными правами, менеджеры, уровни видимости и прочее. Корпоративные поставщики любят внедрять функции для работы с большим числом людей, но когда исчезает необходимость в этом, большинство этих функций утрачивает свою полезность.
Rupert Schiessl: Ещё одно изменение заключается в том, что весь процесс становится более ориентированным на ввод данных. Вместо того чтобы настраивать весь процесс, рабочие потоки и совместное распределение обязанностей, вы задаёте границы, лимиты, ограничения и цели. Затем новый тип программного обеспечения самоорганизуется — как это делал бы человеческий коллектив — с координатором и командами, работающими вместе, потому что вы им это указали. Это необходимо в человеческих организациях: правила и иерархии.
Это основное направление: изменение того, как нам, поставщикам ПО, приходится работать. Мы должны создавать программное обеспечение, которое позволяет клиентам устанавливать правила и создавать организации для этих инструментов автоматизации, вместо того чтобы строить целые процессы.
Conor Doherty: В статье вы говорили об ИИ и о том, что возникнут новые правила или целенаправленные процедуры — что ИИ научится самообучаться. Можете рассказать об этом подробнее?
Rupert Schiessl: Вместо того чтобы предугадывать каждый шаг, вы создаёте организацию различных агентов, работающих вместе — инструментов ИИ на базе LLM, — которые описывают, как они взаимодействуют, кому разрешено общаться с кем, границы их возможностей, к каким инструментам они имеют доступ (внутренним или внешним), их права пользователей и доступ к данным. После того как это настроено, вы позволяете им действовать — пока выполняя ещё очень базовые задачи, но со временем уровень их сложности растёт — и позволяете им совместно выполнять поставленные в начале цели.
Conor Doherty: Мы противопоставляли современное видение PLM старому миру, где доминировали силосы, ориентированные на людей. Как разрушить эти силосы и приблизиться к тому, что вы только что описали?
Rupert Schiessl: В Bamboo Rose у нас есть шесть элементов — шесть силосов от планирования до дистрибуции, — и сверху мы внедряем то, что называем «интеллектом принятия решений». Мы могли бы назвать это ИИ; это способ принятия решений, совместимый как с upstream, так и с downstream, где решения принимаются коллективно через силосы. В рамках интеллекта принятия решений мы даём клиентам возможность устанавливать правила и цели, которые они хотят улучшить, а затем различные процессы запускаются автоматически.
На данный момент мы реализуем это для конкретных задач. Ранее мы обсуждали поиск правильного тарифного номера: раньше это был процесс с несколькими интегрированными шагами; теперь вы просто говорите: «Найдите правильный тарифный номер для этого продукта», и агент проходит через части, извлекает необходимую информацию, получает самую свежую правовую информацию, запускает классификатор для объединения, проверяет и объясняет, а затем заполняет нужный HTS номер в поле для пользователя с пояснением.
Это направление переходит к более сложным процессам, таким как создание технического пакета — очень важной части PLM: техническое описание спецификации материалов и пунктов измерения в моде и одежде. Иногда на один продукт требуется 50–100 страниц: все нормативные и правовые ограничения, органический хлопок или нет, все размеры, а затем это отправляется поставщику. Сегодня, когда клиенты хотят новый свитер, они либо копируют и адаптируют похожий продукт — что всё равно занимает время — либо создают новый продукт и начинают с нуля. Это отнимает много времени: необходимо составить все эти 50–100 страниц технической информации.
Сеть агентов может просматривать недавно появившиеся продукты — у некоторых клиентов сотни тысяч товаров в базе данных — находить информацию о похожих продуктах, извлекать самые свежие правовые ограничения и объединять их для составления технического пакета. Это автоматизация сложного процесса, выполняемая полностью или почти полностью сетью агентов — с помощью ИИ. Наша путеводная звезда такова: клиент хочет вывести продукты на рынок и в распределительные центры. То, что происходит между всеми этими этапами — это работа, которую нужно выполнить, но которую клиенты поручили бы ИИ, если бы он был способен. Конечное видение PLM таково: «Создать коллекцию на следующий год и вывести её на рынок», и это работает автоматически. Возможно, появятся стартапы, создающие единорога с одним сотрудником — возможно, модная дистрибуция будет одним из них.
Conor Doherty: Joannes, есть идеи?
Joannes Vermorel: Для применимости необходимо различать составление ассортимента — какие предметы одежды, диапазоны размеров, цвета, узоры, стили — и сопроводительную документацию. Большие языковые модели (LLM) не подходят для составления ассортиментов: нельзя загрузить в LLM каталог из 20 000 вариантов и ожидать осмысленного баланса цветовой гаммы для различных типов товаров. Для составления ассортимента требуются другие классы алгоритмов — классическая или стохастическая оптимизация. Как только у вас появляется общее описание идеального ассортимента, для каждого продукта начинается процесс сбора требований и составления документов. Вот где LLM действительно блестяще справляются.
LLM отлично справляются с неструктурированными данными — в основном с текстом, немного с изображениями — но не с вычислениями. Их можно использовать для вычислений, генерируя код, который затем выполняется — на разных уровнях. Таким образом, LLM могут помочь вам написать код для анализа и перераспределения ассортимента, а затем помочь сгенерировать тысячи страниц документации по множеству продуктов — огромная экономия времени. Представьте себе очень умную логику предварительного шаблонирования, которая автоматически адаптирует простые задачи; затем люди вмешиваются для корректировки там, где модели не хватает информации. Иногда предоставление всей необходимой информации модели обходится дороже, чем вмешательство человека, поэтому существуют компромиссные решения. Но для основной части работы и автоматизации большинства обменов между тем, что хочет компания, и тем, что может предложить поставщик, существует огромное количество бумажной работы, которую LLM могут автоматизировать, чтобы все были на одной волне.
Rupert Schiessl: Спасибо за точную формулировку. LLM следует рассматривать как оркестраторы для других инструментов и алгоритмов, уже существующих. В Bamboo Rose или в системах PLM существуют алгоритмы для создания спецификаций (BOM), анализа или поиска в BOM. LLM не созданы для этого, но они могут знать, что такие алгоритмы существуют, решить, когда их использовать в качестве инструментов, и выводить информацию, чтобы перейти к следующему этапу процесса.
Conor Doherty: Если я начну подытоживать все этапы PLM, Rupert, где вы видите, что ИИ — LLM, генеративный ИИ или любые алгоритмы — оказывают наиболее значительный положительный эффект?
Rupert Schiessl: Я бы сказал, что их три уровня. Первое, защитный ИИ: взять процесс и автоматизировать тот же процесс с помощью ИИ, делая его быстрее, надежнее, экономя время сотрудников — без изменения общих процессов, просто быстрее, точнее, с более высокой производительностью. Второе, расширение: трансформировать процессы, динамически адаптировать их, как мы описали — объединять процессы и автоматизировать их, перерабатывать процессы с помощью ИИ. Это сложнее настроить, но приносит больше ценности.
Третье, добавление: создать что-то новое благодаря ИИ — то, что раньше было невозможно — поверх вашего процесса. Компании могут изобретать новые продукты, предложения, услуги с помощью ИИ. Можно сразу подумать о фармацевтике: их процесс трансформации и создания продукта теперь может быть автоматизирован, что позволяет создавать новые продукты с помощью GenAI за гораздо более короткие сроки. Для нас в Bamboo Rose есть множество функций автоматизации первого уровня, которые можно внедрить для немедленной экономии времени и затрат. У нас есть процессы, которые можно объединять и трансформировать — создание технического пакета является типичным многофункциональным процессом. Еще один процесс, который мы внедрили недавно: предоставление модным дизайнерам мгновенного доступа к оценке стоимости. Раньше дизайнеры отправляли информацию разработчикам для оценки стоимости, получали ответ, вносили изменения и снова отправляли. Теперь эти процессы взаимосвязаны, и мы пересчитываем оценку стоимости на основе изменений в дизайне.
Конечно, последний уровень — добавление — позволяет нам трансформировать то, как клиенты разрабатывают и выводят продукты, и, возможно, дает им возможность создавать новые продукты или улучшать услуги.
Conor Doherty: Спасибо, Rupert. Joannes, как ИИ помогает клиентам Lokad?
Joannes Vermorel: У нас подход немного иной, поскольку полная роботизация решений в цепочке поставок для нас началась более десяти лет назад, и большая часть этого вовсе не связана с генеративным ИИ. Прогнозная оптимизация потоков физических товаров — вот чем мы занимаемся: определяем, когда покупать, куда отправлять, где хранить, что производить, куда отправлять и корректируем цены. Эти решения являются высоко количественными и на протяжении более десяти лет основывались на числовых рецептах. Они уже были роботизированы без генеративного ИИ.
Генеративный ИИ упрощает поддержку кода и облегчает такие задачи, как очистка каталога продуктов, когда у людей нет хорошо организованного PLM и данные немного в беспорядке. Но для нас полная автоматизация началась давно. Теперь, с использованием генеративного ИИ, процессы до и после количественных решений могут быть автоматизированы. Раньше: допустим, MOQ, который у вас есть от одного поставщика, устарел — вы хотите свежей информации. Раньше процесс был ручным: написание электронных писем или использование шаблонов для сбора информации, и ответы не были достаточно чёткими. С LLM это можно полностью автоматизировать.
После принятия решения: предположим, вы решаете ускорить выполнение заказа, уже размещённого у поставщика. Это означает взаимодействие с поставщиком и возможные переговоры — «Да, мы можем, но есть накладные расходы». Ответ не является простым или бинарным. Взаимодействие с третьими сторонами после процесса может быть автоматизировано с помощью генеративного ИИ, даже если основное решение — идентификация кандидатов для ускорения — не связано с генеративным ИИ и является весьма аналитическим расчётом.
Conor Doherty: Я понимаю, что время ограничено. В качестве заключительной мысли для нетехнических специалистов: как вы представляете ценностное предложение внедрения ИИ в PLM-процесс, чтобы 100% слушателей могли понять его ценность?
Rupert Schiessl: Для наших клиентов процесс PLM часто занимает много времени, вызывает трудности на различных этапах и не является оптимальным. Клиенты теряют возможности, потому что некоторые поставщики уже недоступны и не могут отгрузить продукцию. Существует множество узких мест на протяжении всего пути продукта. ИИ не решит всё завтра, но это огромная возможность устранить эти проблемы одну за другой: добиться большей точности, лучшей доступности продукта, лучшего качества продукта, соблюдения стандартов, а также улучшить отношения с поставщиками, поскольку розничным торговцам потребуется меньше времени от поставщиков.
Выгоды для всех сторон, участвующих в цепочке, будут доступны быстрее, чем прежде. Всё будет работать более плавно. Это потребует времени; наша задача как поставщика программного обеспечения — внедрить эту технологию для наших клиентов в том стеке, который они уже знают, и который описывает, как должен управляться жизненный цикл продукта. Наши клиенты получат выгоду за счёт экономии затрат, времени и улучшения качества продуктов, которые они смогут создавать с помощью нашего программного обеспечения.
Conor Doherty: Joannes, перед завершением, что-нибудь добавить?
Joannes Vermorel: ИИ, вероятно, придёт за 90% офисных служащих. Многие рутинные операции в PLM будут автоматизированы в ближайшее десятилетие. Если задача не приносит значительной добавленной стоимости — в основном простая перекомпоновка информации из одного формата в другой — её автоматизируют в предстоящие десятилетия. Это станет значительной трансформацией, потому что для этих компаний речь идет о массе офисных сотрудников, которые будут заменены автоматизацией — всего один пример на сегодня.
Conor Doherty: Ну, господа, у меня больше нет вопросов. Rupert, большое спасибо за ваше время и за участие в студии для этого разговора. А вам, оставшимся, я говорю: возвращайтесь к работе.
