Generelle forretningsprocesser og AI-ydelse

Ved udvikling af et specifikt AI-værktøj til en bestemt opgave inden for en bestemt aktivitetssektor vil den AI-metode, der understøtter det (ML, DL, RPA osv.), blive konfigureret til at opnå et relevant resultat, som ofte er forskelligt fra sektor til sektor. En RPA-baseret løsning til husdyravl vil gøre det muligt at vaccinere de dyr, der har brug for det, på den rigtige dato. I modsætning hertil vil en RPA-løsning til en tredjepartsvirksomhed, der leverer regnskabstjenester, gøre det muligt for virksomheden at konvertere en faktura, der er modtaget på papir, til data, som dens regnskabssystem kan behandle direkte. Den anvendte metode, RPA, er den samme, men den løsning, der udvikles, og det ønskede resultat er forskelligt i de enkelte sektorer. I dette undermodul vil vi analysere de aktivitetssektorer, der er vist i ovenstående graf. Lad os se.

Forsikring

I forsikringssektoren er de vigtigste AI-applikationer automatisering af dataindberetninger, risikovurdering og konkurrerende prisfastsættelse i forbindelse hermed..


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Indsendelse	Behandling af indsendelse	RPA (Robot Process Automation) / Optisk tegngenkendelse (OCR) / Naturlig sprogbehandling (NPL)	De uddrager oplysninger fra ustrukturerede data ved hjælp af optisk tegngenkendelse (OCR) og naturlig sprogbehandling (NLP). Disse teknologier kan eliminere behovet for at gennemgå hvert enkelt dokument manuelt fra traditionelle eller ikke-traditionelle kilder og hjælpe forsikringsselskaberne med at indsamle og klassificere nyttige oplysninger.	AI kan forbedre behandlingen af indsendelser betydeligt og spare værdifuld tid til mere produktive opgaver.
Risikovurdering	Analyse af kundeprofilen	Big Data / maskinlæring (ML) / forudsigelsesanalyse	Ved hjælp af maskinlæringsmodeller og andre analyseteknikker kan forsikringsmænd uddybe deres forståelse af den risiko, der er forbundet med en kundes profil. Ved hjælp af data fra interne og eksterne kilder kan disse modeller lære af fortiden og forudsige risikoprofilen for nye ansøgninger.	Forsikringsselskaberne kan spare en betydelig mængde tid på dataanalyse og træffe mere velinformerede beslutninger, da disse modeller er bedre end mennesker til at genkende mønstre i omfattende data.
Prissætning af forsikringer	Profilrisiko og profitabel pristilpasning	Big Data / maskinlæring (ML) / forudsigelsesanalyse	Ved at bruge maskinlæringsmodeller kan forsikringsselskaberne prissætte risici mere konkurrencedygtigt. AI-drevne systemer kan desuden muliggøre dynamisk prissætning baseret på data i realtid.	En bedre forståelse af risikoen gør det muligt for forsikringsselskaberne at træffe beslutning om en rentabel og rimelig prisfastsættelse, dvs. risikoprofilerne. Disse kan øge rentabiliteten gennem forbedring af arbejdsgange og prissætningsstrategi, reducere time-to-market og sikre kundetilfredshed og fastholdelse af kunderne.

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project

Logistik og transport

I logistik- og transportsektoren skaber de utallige bevægelser, transaktioner og mellemliggende lagerpunkter på produkternes rejse fra deres oprindelse til deres endelige bestemmelsessted et væld af muligheder for anvendelse af kunstig intelligens.

De vigtigste anvendelser omfatter:

- Forvaltning af materialebevægelser og de involverede ressourcer.
- Kontrol af kapaciteter og anvendte transportmidler.
- Organisering og optimering af distributions- og leveringsruter.
- Planlægning og prognose af efterspørgsel og tilhørende indtægter.s.


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Logistisk administration	Data om forsendelse og varebevægelser	RPA (Robot Process Automation) Lagerstyring	Prædiktiv analyse estimerer kundernes efterspørgsel ved at udtrække og organisere historiske data ved at anvende den analytiske test på dem.	Prædiktiv analyse estimerer kundernes efterspørgsel ved at udtrække og organisere historiske data ved at anvende den analytiske test på dem. Med forskellige metoder til efterspørgselsprognoser kan organisationen forbedre sine beslutningsprocesser i kapacitetsplanlægningen.
Logistisk administration	Lagerstyring	Maskinlæring (ML) / sensorer / RPA (robotprocesautomatisering) / autonome køretøjer	Varer modtages på lageret (indgående), identificeres, sorteres, behandles, pakkes og trækkes til forsendelse (udgående); alle trin udføres automatisk med minimale, ubetydelige fejl og kan endda spores og elimineres i de efterfølgende faser.	Ved at kombinere maskinlæring med IoT-sensorer og overvågningsdata i realtid skabes et intelligent lager, der også kan forbindes med den centrale databehandlingsenhed, så mængden af ordrebehandling øger den samlede produktivitet: i pick-and-pack-processer, ruter til pakkeruter, parkering og levering af den rigtige pakke.
Logistiske ressourcer Vedligeholdelse	Forudseende vedligeholdelse	Datamining / maskinlæring (ML) / RPA (robotprocesautomatisering)	AI-drevne systemer indsamler og analyserer automatisk data om aktiver og advarer om mulige nedbrud. Sådanne systemer kan samle oplysninger om fejl, udarbejde statistikker og planlægge reparationer på grundlag af disse statistiske data.	Hvis en udbyder kan garantere, at der er tilgængelige og pålidelige aktiver til rådighed, vil det være med til at give ham en konkurrencefordel og øge tjenesteforbrugernes tillid.
Forsyningskæde	Logistisk planlægning	Prædiktiv analyse / maskinlæring (ML)	Prædiktiv analyse er at estimere kundernes efterspørgsel ved at udtrække og organisere historiske data ved at anvende analytisk test på dem.	Med forskellige metoder til efterspørgselsprognoser kan organisationen forbedre sine beslutningsprocesser inden for ressourceplanlægning, risikovurdering, salg og marketingaktiviteter, strategi osv,
Ruteføring	Design og optimering af ruter	Datamining / maskinlæring (ML) / RPA (robotprocesautomatisering)	Ruteoptimeringsteknikker bruger algoritmer til at identificere den mest effektive rute for logistiklastbiler til at levere produktet.	Med ruteoptimering hjælper AI med at holde styr på vejtrafikken, reducere brændstofforbruget, forbedre luftkvaliteten og byplanlægningen af leverancer, identificere chaufførens fritid og lette parkeringsmulighederne. Det er med til at fremskynde forsendelsesprocessen, hvilket reducerer forsendelsesomkostningerne betydeligt og i sidste ende forbedrer kundetilfredsheden.
Udbyttestrategi	Optimering af udbyttet	Datamining / maskinlæring (ML) / RPA (robotprocesautomatisering)	Datamining / maskinlæring (ML) / RPA (robotprocesautomatisering) AI-systemer kan gøre hele processen hurtigere, mere sikker og smartere. Det er med til at lette rettidig levering til kunden i henhold til forpligtelsen. Automatiserede systemer fremskynder traditionelle lagerprocedurer og fjerner dermed operationelle flaskehalse langs værdikæden med minimal indsats for at nå leveringsmålene.	Med udbytteoptimering kan du afgøre, hvilke lagerområder der fungerer godt og hvilke der ikke gør. Du vil forstå de specifikke elementer eller omstændigheder i disse områder og udnytte dem til at maksimere effektiviteten og øge din indtjening.
Logistisk efterspørgselsprognose	Forudsigelse af efterspørgslen	Datamining / maskinlæring (ML) / forudsigelsesanalyse	Du kan bruge AI og maskinlæring til at forudsige efterspørgslen eller forbedre efterspørgselsprognoser og lagerstyring.	Baseret på erfaring får du en detaljeret analyse af alle de faktorer, der påvirker efterspørgslen, og du får værdifuld indsigt.

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project.

Uddannelse

AI er i stigende grad til stede i uddannelsessektoren, lige fra uddannelsescentrets administrative og akademiske forvaltning til personligt tilpasset læringsindhold, værktøjer, feedback og vurderingsmetoder.


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Ledelse af uddannelsescenter	Administrative opgaver i uddannelsescentret	RPA (Robot Process Automation)	Systemer til akademisk forvaltning af kurser, lærere og studerende samt administrativ og dokumentarisk forvaltning i forbindelse med uddannelsescentret.	Sparer på den faglige og dokumentariske forvaltning af centret. Nøjagtighed, kontrol af overholdelse, standardisering og konsistens af data. Et væld af på forhånd udformede rapporter kan udføres ubesværet.
Læring	Personaliseret læring Indhold Definition	Maskinlæring (ML)	Den rute og det indhold, der passer bedst til den lærendes stil, udvindes og foreslås ved at analysere den lærendes læringsprofil og læringsdatabasen med en lang række lignende profiler. Dette forslag justeres løbende i henhold til resultaterne af den studerendes brug af det og udviklingen af deres læringsstil.	Personaliseret elektronisk læringsindhold tilpasset elevens læringsstil og præferencer.
Læring	Tilgængelighed og universalisering	Maskinlæring (ML) / RPA (Robot Process Automation)	Oprettelse af profiler og forslag til personlige læseplaner, der opdateres, efterhånden som den studerende gennemgår stadier og konsoliderer læringsresultater. Systemet kan følge den studerende til ethvert sted og tidspunkt, hvor det er nødvendigt.	Universel adgang til globale klasseværelser. Systemer til støtte for livslang og livslang læring.
Læring	Hjælp til læring	Stemme- og visuelle assistenter / virtuelle miljøer	Virtuelle menneskelige guider, virtual reality-spil og facilitatorer til brug i forskellige uddannelsesmiljøer. En AI-drevet virtuel undervisningsassistent er et program, der er designet til at forbedre en studerendes læringsoplevelse. Mange online college-kurser kræver, at de studerende skal lære noget selv.	AI-drevne virtuelle undervisningsassistenter er designet til at aflaste fakultetets skuldre. Med maskinlæringsfunktioner giver disse programmer ikke blot svar på almindelige spørgsmål; de kan analysere læringsprocessen og komme med forslag til optimering af undervisningstilgangen.
Læring	Smart indhold	Virtuelle platforme / intelligente indholdsgeneratorer	AI bruger algoritmer til at tilpasse den studerendes oplevelse. Den lærer din måde at lære på. Samtidig genererer den data til at analysere de enkelte elevers og klasselokalets behov som helhed. Denne teknologi forsøger også at kondensere lærebøger til værdifulde værktøjer til eksamensforberedelse, f.eks. sandt eller falsk-spørgsmål.	Det forventede resultat er et større udbytte af elevernes læring, der opnås gennem personalisering af indholdet og den lærings- og vurderingsautonomi, som systemet giver. Effektivitet: større tilgængelighed og større personalisering. Effektivitet: mindre personlig indsats fra lærerens side.
Styring af feedback	Øjeblikkelig feedback	RPA (robotprocesautomatisering) / maskinlæring (ML)	Dette værktøj gør det muligt for eleverne at få formativ feedback på deres akademiske færdigheder baseret på kriterier, som lærerne har fastsat. Eleverne kan gentage deres opgaver, inden de afleverer en endelig version.	Elevernes autonomi indebærer en potentiel acceleration af læringsprocessen. Standardisering af den feedback, som alle elever modtager, og som på forhånd aftales af en gruppe lærere.

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project.

Detailhandel

Ai er til stede i detailsektoren med hjælp til kundernes indkøb, virtuelle prøverum, definition af sortiment og lagerniveau, automatiserede betalingsmetoder og konkurrencedygtige priser.

Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Kundeoplevelse i detailhandlen	Hjælp til køb	Chatbots / Anbefalingssystemer / Visuelle søgesystemer / Stemmesøgesystemer	En chatbot er et computerprogram, der kommunikerer via lyd eller tekst. Chatbot anvender avancerede teknikker til behandling af naturligt sprog, men simple systemer scanner efter nøgleord i input og vælger et svar med de mest analoge eller lignende ordmønstre fra databaser.	Sådanne programmer er designet til at efterligne, hvordan et menneske kan opføre sig som en kommunikationspartner. De kan yde et højere niveau af kundeservice, sende meddelelser om nye kollektioner og foreslå lignende produkter. Chatbots er målrettet mod kundernes behov og løser deres problemer effektivt og gennemsigtigt.
Kundeoplevelse i detailhandlen	Virtuelle forsøgsrum	Forbedret virkelighed / virtuel virkelighed	De fungerer ved at have kundernes billede i butikkerne, og de kan vælge det tøj, der skal prøves, så man får et realistisk billede af tøjet uden at skulle prøve det bogstaveligt talt. Dette gør hele processen virkelig praktisk og effektiv uden alt for meget rod i butikken.	Hjælp kunderne med at spare tid og penge fra rejseudgifter og bekvemmeligheden i deres hjem; kunden finder det perfekte tøj med alle elementer perfekt matchet på få minutter. AI-scannere kan få et enormt salg inden for den samme kundebase ved at give dem et realtidsbillede af, hvad der ville passe til dem.
Prognoser for efterspørgsel i detailhandelen	Planlægning af efterspørgsel i butikkerne	Big Data / maskinlæring (ML) / forudsigelsesanalyse	Dataloger kan åbne en ny verden af muligheder for virksomhedsejere ved at udtrække anomalier og korrelationer fra hundredvis af modeller med kunstig intelligens og maskinlæring for at planlægge efterspørgselsniveauet i butikkerne i en periode under hensyntagen til mange faktorer.	AI i detailhandelens forsyningskæde kan bruges til genopfyldning af lagerbeholdning - beregning af efterspørgslen efter et bestemt produkt ved at tage højde for historikken for salg, placering, vejrforhold, tendenser, kampagner og andre parametre. Det resulterede i undersøgte tilfælde med en reduktion på op til 30 % af hyldehuller i butikkerne.
Ledelse af merchandising	Rum Distribution og sortiment på butikshylderne/webstederne	Big Data / maskinlæring (ML) / forudsigelsesanalyse / computervision / webanalyse / IoT	Salgsdataanalyse efter butik og hyldeplacering kan lagres og modelleres for at forbedre resultaterne ved at tage højde for sæsonbestemte og andre påvirkningsfaktorer.	Forbedrede salgsresultater pr. butiksbesøg og optimering af den overfordeling, der er tildelt de enkelte varer på hylderne.
Forvaltning af lagerbeholdning	Beregning af lagerbehovet	Big Data / maskinlæring (ML) / forudsigelsesanalyse / robotprocesautomatisering (RPA)	AI-baseret teknologi kombineret med andre algoritmer for maskinlæring kan hjælpe butikkerne med at regulere og holde styr på produktkategoriseringen. Det ville også hjælpe med at få realtidsopgørelsen til butikken for at få de nødvendige lagre ind hver dag for at undgå at gå glip af en kunde.	Øger kundetilfredsheden ved at hjælpe kunden med at finde produkter, der er nemme at finde i butikken. Dette kan hjælpe detailbutikker med at få alle produkterne stablet op og klar til salg i deres lager i tide. Reducerer omkostningerne ved lagerprocessen.
Kontanthåndtering i detailleddet	Kasserer Gratis systemer	RPA (robotprocesautomatisering) / IoT	Shoppingteknologien fungerer, når du tager noget ud af hylden eller lægger det tilbage, når du går ud af butikken; butikkens konto vil trække dit køb fra i løbet af en brøkdel af et sekund. I andre tilfælde scanner maskinerne stregkoderne på de købte varer og er også klar til at acceptere digitale betalingsformer.	Ved at skære ned på lønnen til medarbejderne, øge effektiviteten og reducere ventetiden har robotiseringen af butikkerne medført betydelige besparelser på driftsudgifterne.
Strategi for detailpriser	Prissimulering/følsomhed	Big Data / maskinlæring (ML) / forudsigelsesanalyse	AI-teknologi til detailbutikker visualiserer de sandsynlige resultater af flere prisstrategier. Den læser data inden for få sekunder fra virksomhedens tidligere transaktioner og markedet for produktets faktiske omkostninger, salgsfremmende aktiviteter og salgstal på markedet og holder sin par til at generere overskud inden for den samme tærskel med højere effektivitet.	AI-teknologi til detailbutikker hjælper dem med at fastsætte priserne på deres produkter mere konkurrencedygtigt for at klare sig godt på markedet. AI læser og fortolker statistikkerne i henhold til efterspørgsel, sæsonbestemte tendenser, karakteristika, kundernes valg, udgivelsesdatoen for nye modeller af de samme varer osv.

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project.

Kvæg

Individualisering af dyrefoder, sundhedskontrol, reproduktionsstyring og styring af dyrenes produktion er de vigtigste bidrag fra AI i husdyrsektoren..


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Forvaltning af husdyrhold	Balanceret fodring/indtag Sammensætning	Maskinlæring (ML) / Sensorer / Droner	Et system til styring af husdyrbestanden, der er baseret på computervision, og som giver landmænd mulighed for at overvåge køer. Kameraets feed analyseres i realtid, og resultaterne sendes til landmændenes mobiltelefoner.	Smarte kameraer overvåger dyrenes fysiske aktivitet, fodringsmønstre og generelle aggressivitet for at informere landmændene om deres besætnings trivsel og sikre, at den rette mængde foder udleveres, hvilket øger besætningens produktivitet.
Forvaltning af husdyrhold	Overvågning af dyresygdomme	Ansigtsgenkendelsessystemer / Bevægelses- og aktivitetsgenkendelse	En chip overvåger vitale oplysninger om dyret, herunder temperaturvariationer, fodringsmønstre og reproduktionsstadier via den smarte sensor, og kan registrere sygdomme 48 timer før de manifesterer sig, så de kan behandles i tide. Oplysningerne for hvert dyr synkroniseres og lagres på en cloud-platform.	Hovedmålene er at udnytte dataene til at maksimere produktionen og begrænse køernes stressniveau. Øger landbrugets fortjenstmargin med gennemsnitligt 15 %. Opdager sundhedsproblemer med op til 95 % nøjagtighed
Forvaltning af husdyrhold	Administration af vaccine	Robotisk system	Robotinjektionssystem til at give vacciner og reproduktionsmedicin til husdyr på en mælkeproduktionsbedrift.	Robotinjektionssystemet læser de RFID-tags, der er fastgjort til koens øre, og får sundhedsrelaterede oplysninger og vaccinationsoplysninger. Hvis koen har brug for en indsprøjtning, dirigeres den mod indsprøjtningsstedet, og indsprøjtningsmekanismen placerer sig så, at den afgiver medicinen i koens hals. Reduktion af omkostningerne og 100 % nøjagtighed.
Forvaltning af husdyrhold	Estrus-styring	Big Data / sensorer / maskinlæring (ML)	Koens halshalsbånd (med bevægelsessensorer) indsamler alle typer data 24 timer i døgnet. AI-komponenterne i mælkeautomatiseringssystemet behandler de indsamlede data for at give indsigt i varmestress, ændringer i fodringseffektiviteten og koens brunst.	Østruscyklussen medfører, at der frigives særlige hormoner, som påvirker koens adfærd og bevægelse. AI-komponenten sammenligner de nyligt indsamlede data (om bevægelser) med lagrede data og kan forudsige koens ægløsningsperiode på forhånd. Da ægløsningsperioden starter 24 til 32 timer efter indtræden af "stående brunst", har landmanden tid nok til at forberede sig på kunstig inseminering af den brunstende ko.
	Brug af antibiotika	Big Data / sensorer / maskinlæring (ML)	Løsningen gør det muligt at overvåge dyrene døgnet rundt. Hvis systemet registrerer adfærdsmønstre, der tyder på sygdom - f.eks. hvis svin drikker mere end normalt eller bevæger sig unormalt - kan systemet straks advare landmændene, så de hurtigt kan træffe målrettede foranstaltninger og undgå at skulle bruge medicin.	Det er afgørende for dyrenes sundhed og velfærd og for en reduktion af antibiotikaforbruget at opdage de tidlige tegn på sygdom og sikre en hurtig bedring af køerne. En undersøgelse har vist, at med Ida, en intelligent mælkeassistent, kan køernes restitutionstid reduceres med mere end halvdelen.

Source: Diagnostic Tool - LiveCircular Canvas Project.

Landbrug

Individualisering af dyrefoder, sundhedskontrol, reproduktionsstyring og styring af dyrenes produktion er de vigtigste bidrag fra AI i husdyrsektoren..


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Forvaltning af husdyrhold	Balanceret fodring/indtag Sammensætning	Maskinlæring (ML) / Sensorer / Droner	Et system til styring af husdyrbestanden, der er baseret på computervision, og som giver landmænd mulighed for at overvåge køer. Kameraets feed analyseres i realtid, og resultaterne sendes til landmændenes mobiltelefoner.	Smarte kameraer overvåger dyrenes fysiske aktivitet, fodringsmønstre og generelle aggressivitet for at informere landmændene om deres besætnings trivsel og sikre, at den rette mængde foder udleveres, hvilket øger besætningens produktivitet.
Forvaltning af husdyrhold	Overvågning af dyresygdomme	Ansigtsgenkendelsessystemer / Bevægelses- og aktivitetsgenkendelse	En chip overvåger vitale oplysninger om dyret, herunder temperaturvariationer, fodringsmønstre og reproduktionsstadier via den smarte sensor, og kan registrere sygdomme 48 timer før de manifesterer sig, så de kan behandles i tide. Oplysningerne for hvert dyr synkroniseres og lagres på en cloud-platform.	Hovedmålene er at udnytte dataene til at maksimere produktionen og begrænse køernes stressniveau. Øger landbrugets fortjenstmargin med gennemsnitligt 15 %. Opdager sundhedsproblemer med op til 95 % nøjagtighed
Forvaltning af husdyrhold	Administration af vaccine	Robotisk system	Robotinjektionssystem til at give vacciner og reproduktionsmedicin til husdyr på en mælkeproduktionsbedrift.	Robotinjektionssystemet læser de RFID-tags, der er fastgjort til koens øre, og får sundhedsrelaterede oplysninger og vaccinationsoplysninger. Hvis koen har brug for en indsprøjtning, dirigeres den mod indsprøjtningsstedet, og indsprøjtningsmekanismen placerer sig så, at den afgiver medicinen i koens hals. Reduktion af omkostningerne og 100 % nøjagtighed.
Forvaltning af husdyrhold	Estrus-styring	Big Data / sensorer / maskinlæring (ML)	Koens halshalsbånd (med bevægelsessensorer) indsamler alle typer data 24 timer i døgnet. AI-komponenterne i mælkeautomatiseringssystemet behandler de indsamlede data for at give indsigt i varmestress, ændringer i fodringseffektiviteten og koens brunst.	Østruscyklussen medfører, at der frigives særlige hormoner, som påvirker koens adfærd og bevægelse. AI-komponenten sammenligner de nyligt indsamlede data (om bevægelser) med lagrede data og kan forudsige koens ægløsningsperiode på forhånd. Da ægløsningsperioden starter 24 til 32 timer efter indtræden af "stående brunst", har landmanden tid nok til at forberede sig på kunstig inseminering af den brunstende ko.
	Brug af antibiotika	Big Data / sensorer / maskinlæring (ML)	Løsningen gør det muligt at overvåge dyrene døgnet rundt. Hvis systemet registrerer adfærdsmønstre, der tyder på sygdom - f.eks. hvis svin drikker mere end normalt eller bevæger sig unormalt - kan systemet straks advare landmændene, så de hurtigt kan træffe målrettede foranstaltninger og undgå at skulle bruge medicin.	Det er afgørende for dyrenes sundhed og velfærd og for en reduktion af antibiotikaforbruget at opdage de tidlige tegn på sygdom og sikre en hurtig bedring af køerne. En undersøgelse har vist, at med Ida, en intelligent mælkeassistent, kan køernes restitutionstid reduceres med mere end halvdelen.

Source: Diagnostic Tool - LiveCircular Canvas Project.

Tjenester

I lighed med produktfremstilling kan AI hjælpe servicesektoren med forskning og konceptualisering af serviceydelser. Specifikke bidrag i servicesektoren er relateret til serviceproduktionsprocessen, med et stærkt fokus på:

- Planlægning og tildeling af serviceressourcer for at sikre kunden en god serviceoplevelse.
- Kvalitetskontrol af serviceydelser til tiden, da QC i serviceydelser primært bør være forebyggende, fordi produktion og forbrug finder sted samtidig, og der er ikke noget lager som i produkter til at ændre eventuelle kvalitetsproblemer før forbruget.


Arbejdsgang	Opgaver	AI-metodologier	AI TOOL Proces Beskrivelse af ansøgningen	Resultater Beskrivelse
Design af tjenester	Serviceforskning, konceptualisering, strukturering og afprøvning	Big Data / Data Mining / Machine Learning (ML) / Natural Language Processing / Web scraping / Predictive Analysis / RPA (Robot Process Automation) / Internet of Things (IoT).	AI-teknologien indsamler data fra en udvalgt målgruppe for at definere og teste de vigtigste servicekoncepter, strukturere de grundlæggende, supplerende og styrende tjenester og endelig teste servicen og den dermed forbundne tilfredshed.	Der skal foretages markedsundersøgelser hurtigst muligt for at bevare relevansen. Forsinket levering resulterer ofte i forældede indsigter og unøjagtige analyser af stemninger. AI-værktøjer til markedsundersøgelser, øger effektiviteten og reducerer procesomkostningerne.
Drift af service	Planlægning af serviceressourcer	Datamining / maskinlæring (ML) / forudsigelsesanalyse Kvalitetskontrol af tjenester (QC)	Baseret på historisk ressourceforbrug og efterspørgselsprognoser, der tager højde for flere variabler, vil algoritmen generere efterspørgselsniveauer for hver tjeneste, identificere flaskehalse og anbefale ressourceallokeringer.	Juster tjeneste og ressourcetilgængelighed og -anvendelse (personer, rum og værktøjer) for at forudsige efterspørgslen. Reduktion af omkostningerne til servicedrift.
Drift af service	Kvalitetskontrol af tjenester (QC)	Datamining / Maskinlæring (ML) / Prædiktiv analyse / RPA (Robot Process Automation) / Internet of Things (IoT)	Brug af intelligente kameraer og tilhørende AI-aktiveret software til serviceinspektionsopgaver. Herunder faciliteter, kundernes deltagelse, serviceteam, serviceværktøjer og andre elementer i servicemiljøet.	Forbedret kvalitetsinspektion med hastigheder, latenstid og omkostninger, der ligger ud over de menneskelige inspektørers muligheder

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project.

Forbrugsvarer i emballage

I CPG-sektoren kan vi ud over generelle AI-løsninger til processor finde andre specifikke løsninger, der er rettet mod:

- Produktdesign, test og forbedring
- Ressourceallokering i fremstillingsindustrien
- Kvalitetskontrol af de indgående råmaterialer og komponenter og produktionsresultater.


Arbejdsgang	Opgaver	AI-metodologier</ stærk>	AI TOOL Proces Beskrivelse af ansøgningen	Resultatbeskrivelse</strong >
Produktdesign	Produktforskning og -udvikling	Big Data / Maskinlæring (ML) / Behandling af naturligt sprog / Webscraping / RPA (Robot Process Automation)	AI-baserede markedsundersøgelser leverer resultater i næsten realtid. AI-en indsamler data fra en udvalgt teknologisk målgruppe og overvåger og scanner automatisk nøgleord eller emner.	Der skal foretages markedsundersøgelser hurtigst muligt for at bevare relevansen. Forsinket levering resulterer ofte i forældede indsigter og uøjagtige analyser af stemninger. AI-markedsundersøgelsesværktøjer, øger effektiviteten og reducerer procesomkostningerne.
Produktion	Teknisk kontor	Dataminering / maskinlæring (ML) / forudsigelsesanalyse / RPA (robotprocesautomatisering)	Identificere potentielle forbedringer, der er afledt af mindre ændringer af tekniske produktspecifikationer.	Reducerer produktomkostningerne og/eller øger kundetilfredsheden.
Produktion	Indkøb (råmaterialer og komponenter)	Dataminering / maskinlæring (ML) / forudsigelsesanalyse / RPA (robotprocesautomatisering)	Ved at forudsige efterspørgslen kan RPA-løsninger forudse de forskellige leverandørers komponentbehov, og de nødvendige ordrer automatiseres under hensyntagen til de minimumsordrer, der er forhandlet med leverandørerne.	Det reducerer omkostningerne ved komponent- og råvareopfyldningsprocessen og justeringer af omkostningerne ved sådanne lagre .
Produktion	INPUT/OUTPUT Logistik	Dataminering / maskinlæring (ML) / forudsigelsesanalyse / RPA (robotprocesautomatisering)	For at forudsige lagermangel og håndteres ved at arrangere nye forsendelser kan CPG -virksomhederne overvåger produktplacering og lagerbeholdning ved hjælp af IoT-enheder og andre kilder som transaktionsdata og endda eksterne kilder som f.eks. vejret.	AI-værktøjer kan fjerne manuel indsats og øge effektiviteten i logistikken.< /td>
Produktion	Oplagring	Dataminering / maskinlæring (ML) / forudsigelsesanalyse / RPA (robotprocesautomatisering)	Produktionsprognosen giver os mulighed for at opstille indkøbsprognosen. Vi kan bestemme, hvilken blanding af komponenter, der skal lagres i hver periode, og hvor hurtigt de vil blive omdannet til færdigvarelager.	Justering af de nødvendige investeringer i faciliteter og andre menneskelige og tekniske ressourcer, der er nødvendige for at forvalte de indgående og udgående lagre i perioden.
Produktion	Produktion	Dataminering / maskinlæring (ML) / forudsigelsesanalyse	AI giver os mulighed for at indarbejde de mange forskellige datakilder, der er nødvendigt for at producere resultater, der er præcise nok til den moderne virksomhed. AI-baserede systemer kan mere præcist forudsige det nødvendige antal produkter og den frist, inden for hvilken de skal genopføres.	Reducerer overlagring af komponenter og færdige produkter.
Produktion	Produktkvalitetskontrol (QC)	Dataminering / Maskinlæring (ML) / Prædiktiv analyse / RPA (Robot Process Automation) / Internet of Things (IoT)	Brug af intelligente kameraer og tilhørende AI-aktiveret software til inspektionsopgaver i produktionen .	Forbedret kvalitetsinspektion med hastigheder, latenstid og omkostninger, der ligger ud over menneskelige inspektørers muligheder.

Kilde: Diagnostisk værktøj - LiveCircular Canvas Project.

Yderligere ressourcer: Videoer og/eller nyttige links

PERFORM AI-film.

PERFORM AI-animationer.

Referencer

Business Process Applications. In Depth Guide to the Top 100+ AI Use Cases & Applications. https://research.aimultiple.com/ai-usecases/

AI in Consumer Packaged Goods (CPG). https://www.dataiku.com/stories/reshaping-cpg-industry-with-ai/

AI in Services. Springer Nature Switzerland AG 2019 77 P. P. Maglio et al. (eds.), Handbook of Service Science, Volume II, Service Science: Research and Innovations in the Service Economy, https://doi.org/10.1007/978-3-319-98512-1_5