Supplychainwetenschap: toepassing van AI en ML in 2021

De termen AI en Machine Learning (ML) worden tegenwoordig zo vaak en door elkaar gebruikt dat het moeilijk te constateren valt waar de ene begint en de andere ophoudt. En hoewel AI en ML synoniemen zijn, is het belangrijk om te erkennen dat deze technologische verwanten niet hetzelfde zijn.

AI is een tak van de computerwetenschap waarmee machines met intelligent gedrag worden opgebouwd, terwijl het team op de Stanford University in Californië ML definieert als "de wetenschap om computers zover te krijgen zonder expliciete programmering te handelen". Hoewel er altijd AI-onderzoekers nodig zullen zijn om slimme machines te bouwen, zijn het ML-experts die deze machine echt intelligent maken – en met die woorden is het eenvoudig de ambiguïteit tussen de twee te zien!

Voor ons bij Manhattan bevindt ML zich op de kruising van datawetenschap, computerwetenschap en statistiek: het is het vermogen van systemen om door ervaring automatisch te leren en analysetaken te verbeteren zonder expliciete programmering. ​

Hoe sluiten de twee dus op elkaar aan? En misschien nog belangrijker: hoe werkt het in de context van supplychainwetenschap?   Zie het als volgt. Als AI voornamelijk de intelligentie is, dan is ML de implementatie van de rekenmethoden die AI ondersteunen. ML is het werkpaard en de facilitator van AI die met zijn algoritmen systemen het vermogen biedt om door ervaring automatisch te leren en te verbeteren zonder expliciete programmering.

David A. Kolb zei in 1984: "leren is het proces waarbij kennis wordt gecreëerd door de transformatie van ervaring". Ongeacht of mensen of machines leren, het wordt gestimuleerd door de wens om een eerdere prestatie of ervaring te verbeteren. ​

Als we eenmaal het verschil weten tussen de twee termen en het belangrijkste punt van Kolb over het leerproces kiezen, kunnen we zowel AI als ML toepassen op een aantal zeer complexe processen (inclusief TMS, WMS en zelfs omnichannelscenario's) die in moderne supply chains aanwezig zijn.

Als we kijken naar de toepassing van ML op supply chains en de belangrijkste bouwstenen van deze toegepaste supplychainwetenschap, dan zien we drie parameters die dit onderbouwen.

Ten eerste: supervised learning​. Dit is een belangrijk aspect van ML om zaken te voorspellen wanneer we over duidelijke gegevens en functies beschikken. Met 'supervised' bedoelen we dat de gegevens en het doel bekend zijn. ​

We kunnen dit bijvoorbeeld gebruiken om de prijs van een huis te voorspellen. Op basis van bekende feiten zoals het aantal vierkante meter, het aantal slaapkamers/badkamers en omdat we de details kennen van een aantal andere huizen die in dezelfde buurt zijn verkocht, kunnen we die gegevens gebruiken als 'trainingsset' voor supervised learning om nieuwe voorspellingen te doen. ​

In de context van supply chains kan een retailer supervised learning gebruiken om nauwkeurigere voorspellingen voor winkeltrends in een piekseizoen te maken met behulp van historische gegevens over klanten en websiteverkeer, en zelfs eventuele recente activiteiten op sociale media en de weersverwachting. Daar kunnen retailers dan weer gebruik van maken door hun omnivoorraadstrategie effectief op die piektijden af te stemmen.

Ten tweede unsupervised learning​, dit wordt gebruikt om te zoeken naar bepaalde groepen, patronen of verbanden tussen gegevens, vooral als we niet echt weten waar we naar op zoek zijn.

Stel je voor: het aantal promoties is vertienvoudigd, dan snap je wel dat het moeilijker dan ooit is om te voorspellen welke invloed elke afzonderlijke promotiecampagne op de vraag zal hebben. Toegang hebben tot dergelijke inzichten in prestaties is cruciaal om op een winstgevende manier te groeien. Maar deze inzichten zijn niet eenvoudig te verkrijgen.

Met zoveel verschillende en gelijktijdig lopende promoties wordt het zelfs nog moeilijker om te bepalen welke promotionele activiteit tot een grotere vraag leidt, dus hoe is verandering in de vraag dan nauwkeurig te voorspellen?​

In Manhattan's Demand Forecasting, inclusief promotieplanning, worden de meest geavanceerde modellen in data science en machine learning gebruikt, zodat u de waarde van uw verborgen gegevens kunt extrapoleren en de meest nauwkeurig mogelijke voorspellingsmodellen kunt maken.

Tot slot, reinforcement learning​, voor die gevallen waar er weinig of geen gegevens beschikbaar zijn maar waar wel interactie met een omgeving mogelijk is.

Denk bijvoorbeeld aan een soort tussenpersoon die navigeert en communiceert met de omgeving om te proberen een doel te bereiken. De omgeving biedt ofwel een beloning (bijvoorbeeld als het doel nadert) of een sanctie (als ze verder van het doel af raken) voor elke beslissing van de 'tussenpersoon' – dit wordt dan vastgelegd zodat de omgeving ervan kan 'leren'.

Dezelfde techniek wordt in schaaksimulaties gebruikt. Maar u kunt ook denken aan een robotarm of cobot (zoals we die gebruiken in het Manhattan Automation Network), die artikelen pickt of verplaatst in een warehouse en die de grootte, snelheid en het gewicht leert kennen van verschillende artikelen om steeds efficiënter te worden in zijn pickpatronen. ​

Door grote aantallen historische observaties (data) te analyseren van een bepaalde analysetaak en -omgeving, kan ML bedrijven helpen belangrijke problemen in supply chains op te lossen of te verbeteren, die vaak te groot of te complex zijn om wiskundig nauwkeurig te modelleren of precies te coderen.

U gebruikt immers ook geen hamer om een schroef aan te draaien of een hark om een gat te graven. Datzelfde principe geldt ook voor de hulpmiddelen die we in data science gebruiken. ML is een geweldige ontwikkeling, maar het is belangrijk om te beseffen dat er vele soorten analyseproblemen op te lossen zijn in zulke gecompliceerde en fluïde omgevingen zoals supply chains. Elk analyseprobleem vereist een gespecialiseerde wetenschappelijke benadering om de beste oplossing te realiseren.

Toegepaste machine learning is al een krachtig middel dat in de loop van het decennium alleen maar belangrijker zal worden naarmate onze behoefte groeit naar technologie die zelfstandig kan luisteren, leren en zich aanpassen – op dit moment biedt ML een van de beste kansen in de supply chain om dit te bereiken.

En dan nu AI. Volgens een recent wereldwijd onderzoek van McKinsey levert de toevoeging van AI aan supply chains al tastbare voordelen op voor bedrijven die het invoeren. 

Uit het onderzoek bleek dat 61% van de ondervraagde leidinggevenden een kostenverlaging rapporteerde en 53% meldde een hogere omzet als direct gevolg van de introductie van AI in hun supply chains. En meer dan één op de drie rapporteerde een omzetstijging van meer dan 5%.

Gebieden die inkomsten genereren in supplychainmanagement zijn verkoop en vraag, forecasting, uitgavenanalyse en optimalisatie van het logistieke netwerk zoals de warehouse- en transportruimten.

Laten we de warehouseomgeving even als voorbeeld nemen. Een warehouse is vaak een chaotische plek en een gang die de ene minuut leeg is, kan het volgende moment volledig vol staan. Dit veroorzaakt aanzienlijke uitdagingen voor arbeidskrachten en hun cobots waarvoor AI een praktische oplossing kan bieden.

AI kan het visiesysteem van een cobot trainen om zijn omgeving te herkennen en erop te reageren. In supervised training kan een robot herhaaldelijk beelden van verschillende obstakels worden getoond, van gescheurd karton in allerlei maten, vormen en kleuren onder verschillende lichtinvallen, tot andere obstakels zoals mensen of andere cobots.

Na verloop van tijd leren de cobots verschillende soorten obstakels in diverse scenario's te herkennen en 'leren' ze zelfstandig hoe ze veilig kunnen navigeren. Ook kan de cobot voorraden tot op SKU-niveau grondig analyseren, praktijkgericht zonder handmatige tussenkomst van mankracht.

Er zijn echter andere toepassingen van AI in supply chains dan robots. End-to-end zichtbaarheid en bruikbare inzichten zijn twee van deze belangrijke gebieden.

In de huidige complexe supplychainnetwerken waar gegevens vanuit vele verschillende bronnen worden gecreëerd en verzameld, kan een AI-platform een enkele 'live' virtuele gegevenslaag creëren, waarbij het en passant ook oorzaak en gevolg, knelpunten en kansen op verbetering in realtime onthult en uitlicht.

Wat bruikbare analytische inzichten betreft, kan AI grote hoeveelheden informatie filteren om patronen te onderscheiden en combinaties te kwantificeren op een veel grotere schaal dan mogelijk is met conventionele, door mensen uitgevoerde methoden.

Tot slot kan AI, vooral als het gaat om weloverwogen besluitvorming, veel nauwkeuriger voorspellingsmodellen leveren om de prestaties van de supply chain te verbeteren. Ook kan het implicatiegerichte prognoses voor verschillende scenario's op basis van tijd, kosten en opbrengsten bieden. En door in de loop van de tijd autonoom te handelen, kan het continu aanbevelingen verbeteren al naar gelang omstandigheden en variabelen veranderen.

In de 2019 Hype Cycle merkte Gartner op dat toegepaste ML en AI zich nog echt in een opgaand traject bevonden wat markttoepassing en -volwassenheid betreft. Veel bedrijven moeten deze sprong echter nog wagen. 

Maar dat geldt niet voor Manhattan. Bij ons zijn ML en AI allebei allang 'science fact' en geen 'science fiction' meer. Veel van onze ML/AI-oplossingen hebben al aantoonbare en positieve effecten opgeleverd voor klanten in de gehele wereld.

Het is belangrijk om te beseffen dat zowel AI als ML geen wondermiddel zijn voor alle analytische en technologische uitdagingen waarmee bedrijven momenteel worden geconfronteerd.  Maar we brengen graag de grote voordelen die beide disciplines opleveren in moderne supplychainomgevingen onder de aandacht.

We hebben gezien welke positieve effecten AI en ML kunnen hebben als ze samen met machines, robotics en zelfs arbeidsprocessen worden gebruikt, vooral in de afgelopen acht maanden tijdens de pandemie.

Of u nu uw personeel wilt beschermen, uw supplychainnetwerken wilt stroomlijnen, uw merkbelofte aan eindklanten wilt nakomen, uw bedrijf milieuvriendelijker en duurzamer wilt maken of gewoon uw winstresultaten wilt verbeteren: AI en ML kunnen u in al deze gevallen helpen en zijn inmiddels niet meer weg te denken. Het is dus nu zeker tijd om uzelf de vraag te stellen: "zijn we 'machine-ready'?"