
Sieci konwolucyjne
5 stycznia 2022
Rekurencyjne sieci neuronowe
28 stycznia 2022

Sieci konwolucyjne
5 stycznia 2022
Rekurencyjne sieci neuronowe
28 stycznia 2022Jak rewolucja AI zmienia biznes

Sztuczna inteligencja (AI) towarzyszy nam od lat pięćdziesiątych ubiegłego wieku, kiedy to Alan Turing zaproponował test pozwalający zbadać, czy komputer potrafi przekonać człowieka, że jest istotą ludzką. Jej historia pełna jest wzlotów i upadków. Czy tym razem sytuacja jest inna? Najnowsze analizy sugerują, że tak: sztuczna inteligencja stała się realna i wreszcie zaczyna przynosić korzyści biznesowe, to już nie jest science fiction. Jeden z czołowych ekspertów w tej dziedzinie, Andrew Ng, nazywa AI „nową elektrycznością”.
Nie ma jednej, powszechnie akceptowanej definicji sztucznej inteligencji. Termin ten zwykle odnosi się do zdolności maszyn do uczenia się i podejmowania decyzji. Technologie, które wykonują jedno określone zadanie, działając w ramach określonych reguł, jak na przykład aplikacje Siri, Alexa czy Bixby zaliczane są do wąskiej AI. Czymś więcej jest ogólna sztuczna inteligencja, która ma wykonywać każde intelektualne zadanie, jakie realizować może człowiek, a czymś jeszcze innym jest superinteligencja, która ma pod każdym względem przewyższać ludzi. Warto podkreślić, że obecnie dysponujemy jedynie wąską AI, a naukowcy przewidują narodziny ogólnej sztucznej inteligencji dopiero po roku 2040.
Zastosowanie sztucznej inteligencji wymaga ogromnej ilości danych oraz zdolności do ich przetwarzania. Obecnie generujemy wielkie ilości informacji, które są paliwem dla sztucznej inteligencji (codziennie 2,2 mld gigabajtów). Taka liczba nowych danych zapewnia algorytmom coraz więcej przykładów, które mogą zostać wykorzystane do rozpoznania, korygowania oraz odrzucania nieprawidłowych odpowiedzi.
Wielkie przedsiębiorstwa technologiczne epoki cyfrowej, takie jak Amazon, Apple czy Google, inwestują miliardy dolarów w rozwój technologii. W skali globalnej rozwój sztucznej inteligencji jest zdominowany przez USA i Chiny. 150 miliardów dolarów – tyle ma być wart chiński rynek sztucznej inteligencji do 2030 roku. Dla porównania, światowy rynek AI w 2025 roku będzie wart 190 mld dolarów.
Aplikacja Dature wykorzystuje uczenie maszynowe i sztuczną inteligencję do prognozowania popytu. Dzięki temu znacząco zwiększa trafność prognoz w porównaniu do tradycyjnych modeli prognostycznych. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature pozwala określić właściwe poziomy zapasów oraz generuje optymalne rekomendacje zatowarowania dla naszych kanałów i/lub punktów sprzedaży.
Najlepiej w przyszłości na rynku pracy będą radziły sobie osoby, które wiedzą, jakie wnioski wyciągnąć z analizy danych, jak porozmawiać z klientem i jak na tym wszystkim zarobić. Analitycy są przy tym optymistami. Według danych firmy Gartner na 100 miejsc pracy likwidowanych w wyniku wprowadzania AI ma się pojawiać 130 nowych. Ministerstwo cyfryzacji szacuje, że wykorzystanie sztucznej inteligencji może pozwolić Polsce osiągnąć w 2030 roku PKB na poziomie, jaki w innym razie pojawiłby się dopiero na przełomie 2034 i 2035 roku. Już obecnie, w przeliczeniu na milion mieszkańców Polska ma tę samą liczbę absolwentów kierunków istotnych dla AI co Wielka Brytania – wiodący ośrodek AI w Europie..
Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.
OSTATNIE WPISY
TAGI
- #AI
- #bullwhip-effect
- #covid19
- #łańcuch-dostaw
- #NCBiR
- #optymalizacja-zapasów
- #out-of-stock
- #outllier
- #overstock
- #prognozowanie
- #prognozowanie-popytu
- #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
- #projekcja-zapasów
- #projekcja-zapasów-w-czasie
- #przy_kawie_o_łańcuchu_dostaw
- #service-level-dostawcy
- #sieci-neuronowe
- #supplychain
- #sztuczna-inteligencja-od-A-do-Z
- #zapas-bezpieczeństwa
- #zapas-sezonowy
- #zapas-zabezpieczający
- #zarządzanie-zapasem
Powiązane wpisy
D jak Dead Stock
PRZECZYTAJ
Dead stock, czyli dosłownie martwy zapas, to produkty, które nie znajdują nabywców w oczekiwanym czasie lub w ogóle nie są sprzedawane. Wpływa to negatywnie na efektywność […]
C jak cash to cash cycle
PRZECZYTAJ
Cykl cash to cash cycle to okres pomiędzy momentem, w którym firma płaci swoim dostawcom za zapasy, a otrzymaniem gotówki od klientów. Koncepcja ta służy do […]
B jak Break-event-point
PRZECZYTAJ
Metoda punktu równowagi (break-even point) jest narzędziem wykorzystywanym do optymalizacji zapasów w łańcuchu dostaw. Jest to punkt, w którym koszty posiadania zapasów równają się korzyściom z […]