Inventori berlebihan, penghantaran berulang, dan kerja manual yang memakan masa muncul sebagai kos dalam e-dagang. Ia juga memberikan perniagaan titik permulaan praktikal untuk memulakan ESG. Setiap satunya bermula daripada keputusan yang dibuat oleh pasukan setiap hari tentang apa yang perlu dibeli, bagaimana untuk menghantar, dan di mana mereka perlu meluangkan masa.
Di AINNA, kami membangunkan NeuralOps untuk membantu pasukan membangunkan aplikasi dan mengautomasikan aliran kerja. Seni bina Smart Routing-nya memilih model AI berdasarkan keperluan setiap tugas. Kami telah menggunakan NeuralOps untuk menyokong pembangunan sistem bagi dua buah kilang dan sebuah kerajaan negeri. Pengalaman tersebut mengukuhkan prinsip yang saya terapkan pada kedua-dua AI dan ESG: mulakan dengan masalah operasi yang spesifik dan tentukan cara anda akan mengukur kemajuan.
Alam Sekitar | Padankan penggunaan sumber dengan tugas
Dalam pengurusan inventori, amaran awal mengenai stok bergerak perlahan boleh menggalakkan pasukan menyemak semula pembelian sebelum inventori berlebihan terkumpul. Prinsip yang sama berlaku bagi AI. Jika model ringkas boleh mengelaskan rekod dengan boleh dipercayai, Smart Routing boleh menugaskan tugas tersebut kepada model itu.
Dalam kira-kira bulan pertamanya, seni bina NeuralOps mengendalikan beban kerja sekitar 32 bilion token, dengan kos model AI sekitar RM100. Angka token tersebut mencerminkan beban kerja merentasi keseluruhan seni bina. Menilai impak alam sekitar memerlukan pengukuran berasingan bagi penggunaan tenaga dan pelepasan.
Sosial | Berikan lebih masa kepada orang untuk kerja yang memerlukan pertimbangan mereka
Pemeriksaan data rutin, laporan, dan pemberitahuan boleh mengambil bahagian yang besar daripada hari kerja. Mengautomasikan sebahagian langkah tersebut memberikan pasukan lebih banyak masa untuk menyiasat percanggahan stok atau menyelesaikan isu pelanggan. Masa pemprosesan dan kadar ralat boleh membantu menunjukkan sama ada perubahan itu berkesan untuk penggunanya.
Tadbir Urus | Jadikan keputusan mudah untuk disemak
Apabila AI mencadangkan tindakan yang mempengaruhi inventori, perbelanjaan, atau pelanggan, pasukan seharusnya dapat melihat data apa yang mendasarkan cadangan tersebut, apa yang mencetuskannya, dan siapa yang meluluskan tindakan itu. Sebagai contoh, NeuralOps boleh menanda stok bergerak perlahan dan mencadangkan pesanan semula yang lebih kecil. Pasukan pembelian kemudiannya boleh menyemak cadangan tersebut sebelum mengubah pesanan pembekal.
Bagi saya, titik permulaan praktikal ialah satu proses dengan garis dasar yang jelas. Jika inventori berlebihan menjadi isu, ukur nilai stok bergerak perlahan sebelum dan selepas perubahan. Jika laporan manual menjadi isu, jejak masa yang diambil dan kekerapan ralat berlaku. Ukuran tersebut memberikan pasukan asas untuk memutuskan sama ada mengekalkan, menambah baik, atau mengembangkan aliran kerja itu.
Jika anda boleh menambah baik satu proses dalam organisasi anda dengan AI, proses manakah yang anda akan pilih dan bagaimana anda akan mengukur hasilnya?
#ESG #NeuralOps #AINNA #DigitalTransformation #AIAutomasi
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. Email diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
32 की व्याख्या सरल और समझने योग्य है।
Read this twice. model AI sekitar RM100 is what stayed with me.
Angka tentang 32 lebih masuk akal daripada kebanyakan pos.
Pengalaman tersebut mengukuhkan prinsip yang - that is the whole thing in one line.