即使你去年划船穿越大西洋，你也无法避免听到关于新技术热点——ChatGPT的讨论，它似乎征服了世界，承诺让成千上万的工作变得多余，并迫使领导者重新评估业务流程。许多公司积极地实施它，主要是作为一个LLM支持的聊天机器人。想法很明确：他们希望通过让一些人工助手变得多余，另一些变得更有效率来降低成本。
现在是否太早在业务中，特别是供应链中采用LLM？我认为时机已到，但我们不应该首先考虑聊天机器人。
然而，在最初发布约1.5年后，有许多例子表明这种技术已经完全失控，给出了危险的建议和“幻觉”（提供完全错误的信息）。一些疯狂的例子包括与汽车经销中心的聊天机器人互动，结果使它对经销中心的利益不利。换句话说，LLM存在风险，现在高管们采取谨慎的态度，采用“观望”策略。
现在是否太早在业务中，特别是供应链中采用LLM？我认为时机已到，但我们不应该首先考虑聊天机器人。以下是三个具体的即时数据清理用例，任何供应链专业人员都可以在低风险的情况下开始利用LLM的先进功能。
示例1：订单备注清理
如果我们总结一下全球供应链专业人员花在重新输入电子表格中自动删除的前导零上的时间，我们可能会使全球GDP至少提高一个百分点。开玩笑地说——数据清理是大多数公司大多数流程的一个组成部分。
让我们看看一个经典的供应链例子，我们有一份带有备注的订单列表，任务是提取城市名称。由于订单备注显然是手动输入的，里面会有错误和奇怪的字符。每个订单的文本字段可能都不同。如果你有成千上万个这样的订单呢？这意味着，对于一个只配备传统电子表格的人来说，这需要数周的工作，对于一个精通ETL工具或编程语言的人来说，这需要几小时，而对于一个基本的LLM来说，只需要几分钟。
示例2：数据提取
在第二个例子中，我们有一组人在一段时间内完成的任务列表。为了对这些数据进行任何类型的分析，我们需要提取人的名字。虽然这可以用传统的电子表格公式完成，但使用LLM要快得多。一个示例提示可以是：“团队成员的名字：Max、Tom、Eric。如果没有找到，写‘other’。”类似于编写传统公式，重要的是要指出如果没有匹配项，该函数应该做什么。
示例3：数据匹配
在第三个例子中，我们来看一个已经存在参考列表的情况，因此我们本质上需要找到“脏”数据名称与“干净”数据名称的匹配（最好直接来自数据库）。对于最先进的传统工具来说，理解“WLM”意味着“Walmart”并解析字段中的“噪音”是非常困难的——但对于LLM来说，这非常容易。
最后一个例子是一个常见的用例，即在两个不同数据库系统中协调相同SKU的不同命名约定。这个问题通常被称为“命名约定不一致”或“命名法差异”。更广泛地说，它属于数据协调问题的范畴，不同系统或来源使用不同术语来描述同一事物。例如，一个供应商称某种产品为“蓝色柠檬水”，而其分销商则称同一产品为“柠檬水，蓝色”。每个公司的供应链部门通常手动维护大量表格，其中建立了这些值之间的关系。LLM驱动的引擎使我们接近不再需要手动维护这些表格的程度。
结论
在本文中，我给出了如何利用LLM技术处理日常数据清理供应链任务的具体例子。所有这些例子都不涉及客户，风险低且非常容易验证。
将LLM功能融入供应链部门的日常工作，将帮助他们关注“什么”而不是“如何”。团队将减少花在无增值活动上的时间，而是专注于分析结果，与同事讨论并提出建议。每个人都想要一份有意义的工作，而LLM肯定能帮助我们更快地实现这一目标。
企业网D1net(www.d1net.com)：
国内主流的to B IT门户，旗下运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。
版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号