AI 주도 공급망: 전자 제품에는 언제쯤 도입될까?

인공 지능(AI)은 로봇공학, 소셜 미디어, 개인화 및 기타 신흥 분야에서 계속해서 큰 관심을 받고 있습니다. 이 모든 것은 소프트웨어 커뮤니티 덕분에 조용히 배경에서 실행되고 있으며, 프레임워크, 라이브러리, 예제 프로젝트 및 엔터프라이즈 서비스의 수가 너무 많아 따라잡기 어려울 정도입니다. 이제 IBM Watson과 AWS의 AI 서비스와 같은 서비스가 저수준 AI 애플리케이션의 기반 운영 체제 역할을 하고 있습니다.

전자 산업은 AI가 자동차, 산업 4.0, 로봇공학 등 제품 수준에서 활용될 것으로 합리적으로 기대하고 있지만, 공급망 관리는 어떨까요? 사실 AI는 이미 전자 산업 내외부에서 다양한 형태로 공급망 관리에 사용되고 있습니다. 다른 산업과 마찬가지로 저수준 AI 기반 공급망 관리 애플리케이션은 팀의 생산성을 높이고 필요한 공급망 데이터를 빠르게 얻을 수 있도록 도울 수 있습니다. 조달 업무에 종사하고 있다면 주목해야 할 사항과 전자 부품 소싱에 미치는 영향에 대해 알아보겠습니다.

AI 기반 공급망은 어떤 모습일까요?

다른 소프트웨어와 마찬가지로, AI 기반 공급망 애플리케이션은 배경에서 AI를 사용합니다. 소프트웨어 회사들은 사용자가 명시적으로 제어하는 도구가 아니라 경험의 일부로 AI를 만드는 데 전문가가 되었습니다. 이는 공급망 관리 애플리케이션과 웹 플랫폼의 배경에서 실행되며, 우리는 공급망 관리를 위한 스카이넷 수준의 시스템을 가지고 있지 않습니다.

간단히 말해서, 공급망 결정(예: 배송 경로)의 결과를 예측하고 실제 결과를 관찰한 다음 예측이 현실과 더 가깝게 맞도록 스스로 조정하는 컴퓨터나 하드웨어 시스템이 있다면, 그것은 머신 러닝(ML)을 하는 것입니다. 이러한 기술이 의사 결정을 위한 더 큰 규칙 기반 전략에 통합될 때, 이제 저수준의 인공 지능 형태를 가지게 됩니다. AI 기반 공급망은 이러한 유형의 AI 애플리케이션을 다른 엔터프라이즈 수준의 애플리케이션과 함께 사용하여 데이터를 수집, 처리 및 소싱 및 조달과 관련된 예측을 합니다.

이러한 애플리케이션은 ERP의 다음 분야에서 두드러지게 나타났습니다:

• 수요 예측: 이름에서 알 수 있듯이, AI 시스템의 일부로 ML 모델은 지역 및 지역 수요를 예측하는 데 정기적으로 사용됩니다. 이는 재고 관리, 물류 및 수요 예측에 의존하는 기타 작업의 일부로 사용됩니다. 공급망 및 조달 전문가들은 2000년대 초부터 수요 예측 기법을 사용해 왔습니다.

• 물류: 이 넓은 분야는 예전에는 여행하는 세일즈맨 문제를 해결하는 것이 전부였습니다. 오늘날에는 AI 애플리케이션들이 지역 수요의 관찰 및 예측을 기반으로 더 효율적인 상품 흐름을 만들기 위한 경로 옵션을 계획하는 데 관여하고 있습니다.

• 공급망 가시성: 진정한 가시성은 방대한 양의 데이터를 처리하고 사용자 친화적인 형식으로 표시하는 것을 요구합니다. 이 데이터와 처리 결과는 더 넓은 AI 시스템의 일부로 다른 ML 모델에서도 사용될 수 있습니다.

세 영역 모두에서 사용되는 ML 모델은 모든 사람에게 명확하지 않은 추세를 인식할 수 있습니다. 수요 예측에 AI를 적용하는 목표는 공급망을 더 민첩하게 만드는 것입니다. 중요한 공급망 추세를 조기에 식별할 수 있다면 생산자, 공급업체, 유통업체, 심지어 최종 고객(예: PCB 설계자)도 그에 따라 자신의 조달 전략을 조정할 수 있습니다.

누가 조달을 위해 AI를 사용하고 있나요?

MHI.org의 2020년 연례 보고서에서 1,000명의 공급망 전문가를 대상으로 한 설문 조사 결과에 따르면 응답자의 12%가 그들의 조직이 관리 및 조달 운영에서 AI를 사용하고 있다고 밝혔습니다(2019년 이후로 변화가 없음). 응답자의 60%는 향후 5년 내에 이러한 유형의 애플리케이션을 사용할 것으로 예상하며, 이는 전문 AI 애플리케이션의 기술 주도 측면을 반영합니다. 응답자들은 교통부터 제조업에 이르기까지 다양한 분야에서 일합니다.

AI 기반 공급망을 만들기 위한 애플리케이션 사용으로 전환하는 이유는 무엇일까요? 특정 조직에서 무슨 일이 일어나는지 우리는 추측할 수밖에 없습니다. 그러나 MHI 설문 조사 결과에 따르면 기계 학습 기술을 사용하는 예측 분석 도구의 채택률은 28%입니다. 이러한 도구는 여전히 저수준이며, 사용자 그룹과의 상호 작용이나 다른 자산 추적 플랫폼과의 통합이 효과적으로 기능하기 위해 필요합니다.

전자 산업의 일부 사람들은 AI에 대한 논의가 나올 때 겁을 먹습니다. 그러나 설계자와 조달 관리자는 이러한 개발에 대해 걱정할 필요가 없을 것입니다. 이러한 애플리케이션은 경험이 풍부한 인간과 같은 가치와 통찰력을 제공할 수 없습니다. 대신, 중요한 공급망 결정을 주도하는 중요한 추세를 발견하는 데 매우 유용한 도구입니다. 최근 COVID-19 주변의 변동성이나 공급망 관리에서 일하는 기술 인재 부족 여부와 관계없이, 더 많은 회사들이 이러한 도구를 조달 및 관리에 사용할 것으로 예상할 수 있습니다.

AI 기반 공급망에서 PCB 설계자에게 필요한 것은 무엇인가요?

ML 기반 및 AI 기반 공급망 애플리케이션에서 혜택을 받을 수 있는 특정 그룹이 있습니다: 전자 설계자들. 이 그룹은 소량 및 대량으로 구성 요소를 선택, 추적 및 구매하기 위해 공급망 가시성이 필요합니다.

데이터시트에는 엄청난 양의 정보가 포함되어 있으며, 개별 설계자는 모든 유통업체의 공급망 데이터를 추적할 시간이 없습니다. 설계자는 생산 전에 구성 요소를 검색하고 자신의 조달 전략을 세울 때 필요한 정보를 정확하게 얻을 수 있도록 도와주는 시스템이 필요합니다. 올바른 부품 검색 엔진을 사용하면 설계자는 다음을 위한 AI 기반 필터링 기능을 활용할 수 있습니다:

• 구성 요소 찾기: 단일 구성 요소는 다양한 이름(예: 전압 조정기, 전력 변환기 등)으로 여러 애플리케이션에 적합할 수 있습니다. 특정 유형의 구성 요소를 찾을 때, AI 기반 검색 기능은 애플리케이션별로 유사한 구성 요소를 그룹화하고 분류하는 데 사용될 수 있습니다. 이는 설계자가 설계를 확정하기 전에 필요할 수 있는 구성 요소를 발견하는 데 도움이 됩니다.

• 부품 필터링: 대부분의 설계자들은 제조사나 가격보다 사양을 더 중요하게 생각하며, 아무도 데이터시트를 일일이 살펴보며 기술 사양을 좁혀나가는 데 시간을 낭비하고 싶어하지 않습니다. AI 기반 분석 및 필터링 도구는 관련 기술 사양을 추출하여 대량의 부품을 검색할 때 설계자에게 신속하게 보여줄 수 있습니다.

이 모든 것은 여러 유통업체로부터의 데이터 집계와 사용자를 위한 AI 기반 데이터 처리에 의존하며, 이를 통해 설계자들이 설계 과정 초기에 더 나은 결정을 내릴 수 있도록 합니다. 대규모 전자 설계 회사, EMS 서비스 및 유통업체는 이러한 기능을 자체 ERP 시스템에 통합함으로써 혜택을 받을 수 있습니다. 궁극적으로, 이러한 도구들은 공급망의 변동성을 완화하고, 기업이 부품 부족을 예상하고 방지하는 데 도움을 줄 것입니다.

Octopart는 AI 기반 공급망 환경의 활발한 일부이며, 설계자들에게 다양한 공급망 데이터에 대한 접근을 제공합니다. Octopart를 사용하면 고급 검색 및 필터링 기능이 있는 검색 엔진과 전 세계 유통업체의 부품 데이터에 무료로 접근할 수 있습니다. 개발자라면 Octopart API에 접근하여 자체 AI 기반 공급망 솔루션을 구축할 수 있습니다. 필요한 부품을 검색하기 위해 카테고리 페이지를 살펴보세요.

최신 기사를 받아보려면 뉴스레터에 가입하세요.