Memulai bisnis Prewave bertujuan untuk mengubah gelombang global data sosial dan sumber terbuka menjadi peringatan risiko rantai pasokan dan ketahanan yang dapat ditindaklanjuti. Jika Anda salah satu produsen terbesar di dunia, rantai pasokannya adalah selimut tambal sulam vendor yang tersebar luas di seluruh dunia. Volkswagen, misalnya, mencantumkan lebih dari 40.000 vendor. Dan bisnis kecil kemungkinan besar akan memiliki ratusan vendor, menyebabkan mimpi buruk bagi perencana mana pun: Bagaimana Anda menentukan kemungkinan ancaman, aktor jahat, dan titik lemah untuk menghindari operasi hilir yang sangat terpengaruh oleh kegagalan hulu?
Jelas, mengauditnya satu per satu akan menjadi tantangan yang monumental, tetapi bagaimana jika Anda dapat memanfaatkan pengalaman kolektif dan informasi yang dilokalkan untuk memulai lebih awal tentang apa yang terjadi dalam rantai pasokan Anda? Memulai bisnis Prewave mengklaim dapat melakukannya dengan menggunakan pembelajaran mesin untuk memproses kecerdasan sumber terbuka dari seluruh internet, termasuk sumber berita lokal dan media sosial, dan menyaring pengetahuan ini menjadi peringatan perusahaan dalam salah satu dari 50 bahasa yang saat ini diproses.
Visibilitas Rantai Pasokan Oleh Crowdsourcing
“Sejak awal, premis dan filosofi adalah menggunakan media sosial dan media berita sebagai sumber untuk mencoba menangkap ancaman dan peristiwa semacam itu dalam skala global.” Harald Nitschinger, Co-Founder dan Managing Director Prewave, menjelaskan.
“Kami segera menemukan bahwa ada lautan pengetahuan yang luas yang sebagian besar tersembunyi dari kami di Barat karena informasinya terdapat dalam bahasa lokal, media lokal, dan saluran media sosial.” “Penduduk di Indonesia secara harfiah dapat men-tweet atau mengeluh dalam bahasa Indonesia bahwa pabrik ini atau itu mencemari,” misalnya, tetapi bagaimana Anda menangkapnya? Dan bagaimana Anda akan sampai ke sana? ”
Solusinya adalah membuat sistem yang akan mengikis data dari halaman media sosial publik, layanan berita lokal, dan departemen pemerintah, lalu mengolahnya melalui sistem pembelajaran mesin. Kemudian, berdasarkan bahasa yang digunakan, mereka menafsirkan dan memecahnya, menetapkan kepentingan informasi dari sudut pandang rantai pasokan. Akhirnya, ini mempertimbangkan jumlah data dan bagaimana berbagai elemen berinteraksi untuk menentukan apakah itu harus ditingkatkan menjadi risiko besar yang harus disadari oleh organisasi dengan peringatan.
“Kami berkonsentrasi pada pesan bahasa lokal yang sangat terlokalisasi,” kata Nitschinger, “dan ini seringkali memberi Anda permulaan yang besar dalam mengikuti [sebuah] kejadian dalam perkembangan awalnya.” Sebagai contoh, kami memiliki studi kasus … di mana kami memperkirakan pemogokan pekerja pelabuhan 18 hari sebelumnya. Dalam pengertian itu, prediksi secara harfiah berarti bahwa kita mengambil tahap paling awal dari suatu kejadian.
“Ini mungkin berbulan-bulan atau berminggu-minggu sebelum ditempatkan di panggung yang lebih besar oleh LSM atau semacam platform berita,” kata Nitschinger. Perencana rantai pasokan sekarang memiliki metode lain untuk memperingatkan mereka tentang kemungkinan risiko yang berubah menjadi penghentian, memungkinkan mereka untuk menjadwalkan pencadangan atau mencari pemasok alternatif.
Nitschinger juga menekankan bahwa “pendekatan mereka untuk menggunakan kecerdasan sumber terbuka dan data yang dapat diakses publik adalah pendekatan tanpa izin.” Anda tidak perlu meminta izin dari pemasok Anda. Anda tidak diharuskan untuk bekerja sama …. Anda tidak perlu meminta izin siapa pun untuk menerapkan visibilitas dan akuntabilitas melalui seluruh rantai pasokan.” Anda tidak perlu meminta izin siapa pun untuk menerapkan visibilitas dan akuntabilitas melalui seluruh rantai pasokan.”
Risiko Keberlanjutan dan Pemasok Terkait Erat
Nitschinger sangat antusias dengan potensi platform untuk dijadikan dasar untuk memahami keberlanjutan rantai pasokan dan secara konkret menghubungkannya dengan ketahanan dan kesuksesan. “Ada korelasi langsung dan penting antara keberlanjutan dan ketahanan rantai pasokan,” katanya, “karena pemasok yang tidak mengikuti standar ketenagakerjaan seperti itu jauh lebih rentan terhadap kerusuhan, pemogokan, dan gangguan tenaga kerja.” Hal yang sama berlaku untuk masalah etika seperti korupsi. Hal ini, serta kekhawatiran seperti kelalaian dan pencemaran ekosistem lokal, sering kali menjadi pendahulu dari penghentian regulasi dalam beberapa minggu atau bulan ke depan, yang dapat menyebabkan “potensi kebangkrutan dan masalah keuangan”. Jadi semuanya terhubung. ”
Ia percaya bahwa “tidak melihat insiden yang secara tradisional dikategorikan sebagai terkait keberlanjutan, seperti emisi dan kondisi kerja, dari perspektif ketahanan adalah kesalahan besar” bagi perencana rantai pasokan. “Saya yakin sebagian besar bisnis telah menyadari hal ini dan prihatin tentang penegakan … serta kelangsungan jangka panjang pemasok mereka, dan dengan alasan yang bagus.”
“Ini juga memiliki latar belakang yang sangat realistis,” tambahnya, “karena sekarang ada undang-undang yang berkembang yang mewajibkan bisnis untuk melakukan uji tuntas yang ketat dalam rantai pasokan mereka, baik di Jerman maupun di sekitar UE.” Yang paling menonjol dari undang-undang baru ini telah diberlakukan di Jerman dan Inggris, dengan yang pertama berencana untuk meminta pertanggungjawaban perusahaan atas pelanggaran hak asasi manusia dan lingkungan yang dilakukan oleh produsen mereka, dan yang terakhir memperkuat ketentuan uji tuntas untuk pemasok dan mempertimbangkan untuk menambahkan undang-undang ke mengurangi deforestasi.
Yang paling menonjol dari undang-undang baru ini telah diberlakukan di Jerman dan Inggris, dengan yang pertama berencana untuk meminta pertanggungjawaban perusahaan atas pelanggaran hak asasi manusia dan lingkungan yang dilakukan oleh produsen mereka, dan yang terakhir memperkuat ketentuan uji tuntas untuk pemasok dan mempertimbangkan untuk menambahkan undang-undang ke mengurangi deforestasi.
Masalah Skala Besar dengan Solusi yang Relevan
“Semuanya bermuara pada pengumpulan data dan kemudian memfilternya ke beberapa poin data yang dapat ditindaklanjuti yang sangat penting bagi pelanggan kami,” kata Nitschinger. Bagaimana cara kerjanya? kata narator. Ini menyiratkan apa? Jadi … kami menggunakan model pembelajaran mesin yang memungkinkan kami mengotomatiskan proses untuk menentukan apakah sebuah dokumen, seperti tweet atau cuplikan berita, benar-benar penting atau tidak. ”
“Kesulitan mendasar dalam pemrosesan bahasa alami sebenarnya menangkap relevansi semantik dari teks tertulis,” katanya. Membaca perbedaan antara … serangan udara, pemogokan bisbol, dan pemogokan buruh … ini adalah aspek dasar di mana pembelajaran non-mesin, metode berbasis kecerdasan buatan berjuang dengan mudah. Jadi, dalam situasi seperti itu, solusinya adalah melatih algoritme berdasarkan contoh untuk memahami pola, bukan secara khusus memprogram komputer untuk memahami kata kunci tersebut. ”
Mereka melakukan ini dengan mengambil sejumlah besar data untuk menyertakan contoh untuk perangkat lunak pembelajaran mesin, dan kemudian “Anda perlu mengambil teks, Anda perlu memecahnya menjadi apa yang disebut token, yang pada dasarnya adalah kata-kata yang terdiri dari teks tersebut. . ” Ini berbeda untuk kalimat bahasa Mandarin daripada kalimat bahasa Inggris, tetapi pada akhirnya, sebagian besar pertanyaan tersebut dapat dijawab hanya dengan membangun algoritme dengan contoh dan tidak secara spesifik menentukan apa yang penting, tetapi membuat algoritme berhasil. diri.” “Selama Anda menunjukkan cukup banyak contoh pada algoritme, algoritme akan menemukan pola yang sebenarnya penting, dan membedakan teks yang relevan dari teks yang tidak relevan,” katanya tentang pendekatan pembelajaran mesin mereka.
Kemudian masalah menentukan signifikansi dan hubungan antara berbagai objek teks yang dikontekstualisasikan. “Biasanya Anda memiliki ribuan, bahkan ratusan, outlet melalui berbagai media untuk melakukan aksi mogok kerja di pabrik atau pelabuhan: media sosial, berita media, video YouTube, dan sebagainya. Kemudian, dan ini adalah bagian penting kedua, kami menggabungkan semua itu ke dalam satu pesan risiko. Jadi, kami telah mendengar ada pemogokan buruh yang sedang terjadi – siapa yang terpengaruh, dan kapan akan terjadi? Berapa ukuran dan signifikansinya? ”
“Terutama dalam menskalakannya melalui 50 bahasa yang saat ini kami bahas karena, tentu saja, sumber daya dan pemrosesan bervariasi dari bahasa ke bahasa, dari kelas bahasa ke gugus bahasa,” kata perusahaan rintisan Austria itu setelah mereka mengembangkan konsep tersebut di universitas. Jadi itu adalah tantangan besar, ”kata mereka, tetapi sekarang algoritme mereka telah menggabungkan otak AI di sekitar banyak aspek bahasa manusia yang aneh dan menakjubkan, mereka berharap dapat membuat rantai pasokan global lebih mudah diakses.
