即使你去年劃船穿越大西洋，你也無法避免聽到關于新技術熱點——ChatGPT的討論，它似乎征服了世界，承諾讓成千上萬的工作變得多余，并迫使領導者重新評估業務流程。許多公司積極地實施它，主要是作為一個LLM支持的聊天機器人。想法很明確：他們希望通過讓一些人工助手變得多余，另一些變得更有效率來降低成本。
現在是否太早在業務中，特別是供應鏈中采用LLM？我認為時機已到，但我們不應該首先考慮聊天機器人。
然而，在最初發布約1.5年后，有許多例子表明這種技術已經完全失控，給出了危險的建議和“幻覺”（提供完全錯誤的信息）。一些瘋狂的例子包括與汽車經銷中心的聊天機器人互動，結果使它對經銷中心的利益不利。換句話說，LLM存在風險，現在高管們采取謹慎的態度，采用“觀望”策略。
現在是否太早在業務中，特別是供應鏈中采用LLM？我認為時機已到，但我們不應該首先考慮聊天機器人。以下是三個具體的即時數據清理用例，任何供應鏈專業人員都可以在低風險的情況下開始利用LLM的先進功能。
示例1：訂單備注清理
如果我們總結一下全球供應鏈專業人員花在重新輸入電子表格中自動刪除的前導零上的時間，我們可能會使全球GDP至少提高一個百分點。開玩笑地說——數據清理是大多數公司大多數流程的一個組成部分。
讓我們看看一個經典的供應鏈例子，我們有一份帶有備注的訂單列表，任務是提取城市名稱。由于訂單備注顯然是手動輸入的，里面會有錯誤和奇怪的字符。每個訂單的文本字段可能都不同。如果你有成千上萬個這樣的訂單呢？這意味著，對于一個只配備傳統電子表格的人來說，這需要數周的工作，對于一個精通ETL工具或編程語言的人來說，這需要幾小時，而對于一個基本的LLM來說，只需要幾分鐘。
示例2：數據提取
在第二個例子中，我們有一組人在一段時間內完成的任務列表。為了對這些數據進行任何類型的分析，我們需要提取人的名字。雖然這可以用傳統的電子表格公式完成，但使用LLM要快得多。一個示例提示可以是：“團隊成員的名字：Max、Tom、Eric。如果沒有找到，寫‘other’。”類似于編寫傳統公式，重要的是要指出如果沒有匹配項，該函數應該做什么。
示例3：數據匹配
在第三個例子中，我們來看一個已經存在參考列表的情況，因此我們本質上需要找到“臟”數據名稱與“干凈”數據名稱的匹配（最好直接來自數據庫）。對于最先進的傳統工具來說，理解“WLM”意味著“Walmart”并解析字段中的“噪音”是非常困難的——但對于LLM來說，這非常容易。
最后一個例子是一個常見的用例，即在兩個不同數據庫系統中協調相同SKU的不同命名約定。這個問題通常被稱為“命名約定不一致”或“命名法差異”。更廣泛地說，它屬于數據協調問題的范疇，不同系統或來源使用不同術語來描述同一事物。例如，一個供應商稱某種產品為“藍色檸檬水”，而其分銷商則稱同一產品為“檸檬水，藍色”。每個公司的供應鏈部門通常手動維護大量表格，其中建立了這些值之間的關系。LLM驅動的引擎使我們接近不再需要手動維護這些表格的程度。
結論
在本文中，我給出了如何利用LLM技術處理日常數據清理供應鏈任務的具體例子。所有這些例子都不涉及客戶，風險低且非常容易驗證。
將LLM功能融入供應鏈部門的日常工作，將幫助他們關注“什么”而不是“如何”。團隊將減少花在無增值活動上的時間，而是專注于分析結果，與同事討論并提出建議。每個人都想要一份有意義的工作，而LLM肯定能幫助我們更快地實現這一目標。
企業網D1net(hfnxjk.com)：
國內主流的to B IT門戶，旗下運營國內最大的甲方CIO專家庫和智力輸出及社交平臺-信眾智(www.cioall.com)。旗下運營19個IT行業公眾號(微信搜索D1net即可關注)。
版權聲明：本文為企業網D1Net編譯，轉載需在文章開頭注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號