Was ist KI?
Künstliche Intelligenz (KI) ist eine Technologie, die durch Computer die Problemlösungs- und Entscheidungsfähigkeit nachahmt, die der menschliche Geist besitzt, und für eine Vielzahl von Zwecken eingesetzt werden kann. Bisher gibt es viele Anwendungsgebiete und es ist tatsächlich schwer, einen Bereich zu finden, der noch nicht betroffen ist.
Im Kontext von Industrie 4.0 und speziell in S&OP- und MOM-Anwendungen spielt KI eine wichtige Rolle, da sie durch die Analyse von Daten, die aufgrund ihrer Vielzahl und Komplexität manuell schwer zu verarbeiten wären, quantitative Elemente zur Unterstützung von Entscheidungsprozessen liefert. Dadurch wird sowohl die Fähigkeit verbessert, bereits etablierte und robuste S&OP- und MOM-Prozesse zu planen als auch ihre Reaktionsfähigkeit auf unvorhergesehene Ereignisse zu verbessern.
In beiden Fällen ist es wichtig, die Bedeutung des Begriffs „Unterstützung“ für Entscheidungsprozesse zu betonen. KI kann auch verwendet werden, um bestimmte Aufgaben zu automatisieren. Dies wird jedoch oft als Synonym für menschliche Ersetzung betrachtet, mit damit verbundenen ethischen Fragen, deren Diskussion über den Umfang dieses Artikels hinausgeht.
Was ist der Unterschied zwischen künstlicher Intelligenz und maschinellem Lernen?
Künstliche Intelligenz und maschinelles Lernen sind nicht dasselbe; diese beiden Technologien sind miteinander verwandt, aber unterschiedlich. KI erstellt die Architektur, während das maschinelle Lernen sie verbessert.
Künstliche Intelligenz ist tatsächlich die Wissenschaft, die seit Jahren darauf abzielt, Maschinen zu entwickeln, die in vollständiger Autonomie Entscheidungen treffen können: Sie kann als die Wissenschaft definiert werden, die die Architektur entwickelt, die notwendig ist, damit Maschinen wie das menschliche Gehirn und seine neuronalen Netzwerke funktionieren können. Maschinelles Lernen ist andererseits der Algorithmus, der es intelligenten Maschinen ermöglicht, sich im Laufe der Zeit zu verbessern, so wie es beim menschlichen Geist der Fall ist. Tatsächlich wäre es ohne fortgeschrittenes Lernen nicht möglich, künstliche Intelligenz „in Bewegung zu setzen“.
Gemäß der von der sedApta-Gruppe definierten Strategie liegt der Schwerpunkt auf der Integration von KI-basierten Fähigkeiten in die Produkte der Suite, die es durch richtig trainierte Machine-Learning-(ML-)Algorithmen ermöglichen, Einzelpersonen bei der Entscheidungsfindung auf der Grundlage dessen zu unterstützen, was unter ähnlichen Bedingungen in der Vergangenheit bereits geschehen ist (Mensch-in-der-Schleife).
Dieser Prozess hat zu einem virtuellen Assistenten geführt, der in die sedApta Suite integriert ist und die Fähigkeit der Benutzer zur Identifizierung von Mustern in Daten verbessert, wodurch die Informationsressourcen, die Unternehmen üblicherweise nur minimal nutzen, optimiert werden.
Künstliche Intelligenz sedApta
Die sedApta-Gruppe ist aufgrund der Querschnittlichkeit und Heterogenität der verarbeiteten Daten in einer privilegierten Position bei der Implementierung von KI-Fähigkeiten.
Eine der wichtigsten Funktionen der sedApta Suite ist ihr End-to-End-Ansatz für S&OP- und MOM-Prozesse – von der Nachfrageprognose über die lang- und mittelfristige Planung bis hin zur Bestandsverwaltung, Terminplanung und Verwaltung von Logistikdienstleistungen.
Darüber hinaus wird deutlich, wie bedeutend und unverwechselbar eine solche Datenbank sein kann, wenn man bedenkt, dass die Suite mit den wichtigsten ERP-Systemen integriert werden kann.
Innerhalb der sedApta-Gruppe gibt es zwei Organisationen, Almesys und i2Lab, die eng mit der Forschungs- und Entwicklungsabteilung zusammenarbeiten, um innovative KI-Funktionen in sedApta-Produkte in beiden Prozess- und diskreten Domänen zu identifizieren, zu entwickeln und zu integrieren.
Verwendungsbeispiele von sedApta im Bereich Künstliche Intelligenz
Eine erfolgreiche Bestandsplanung ist aufgrund der hohen Variabilität der zu berücksichtigenden Faktoren ein zunehmend komplexer Prozess: Allen voran die Nachfrage, deren Verhalten aufgrund immer komplexerer Variablen (mehr Transaktionen, höherer Kundenanpassungsbedarf und mehr beteiligte Akteure als Hauptursachen) schwieriger vorherzusagen ist sowie Lieferzeiten, die tendenziell weniger stabil und zuverlässig sind.
Laut Gartner stehen Supply-Chain-Manager ständig unter Druck, durch die Reduzierung von Beständen positiv zum Cashflow beizutragen. Zu den wichtigsten Maßnahmen zur Erhöhung des Cashflows bei gleichzeitig hohen Serviceleveln, Rentabilität und Wachstum gehören eine bessere Verwaltung der Nachbestellpunkte auf der Grundlage von Vorlaufzeiten, Nachfrageverläufen und Ziel-Servicelevels, die auf Basis von Sicherheitspufferanalysen festgelegt wurden [Gartner Top-Maßnahmen zur Reduzierung von Lagerbeständen, 2018]
Aus diesem Grund gehören Nachfrageplanung und Bestandsmanagement-Prozesse zu den wichtigsten S&OP- Prozessen, für die sedApta ML-Algorithmen trainiert hat, die dem Betrieb des virtuellen Assistenten zugrunde liegen.
Heute bietet sedApta seinen Kunden Funktionen, mit denen sie die Nachfrage genauer prognostizieren und einen robusteren Bestandsauffüllungsplan erstellen können. Dies ermöglicht es, Bestände zu optimieren und die Reaktionsfähigkeit auf unvorhergesehene Ereignisse zu erhöhen, die durch die Dynamik des Marktes und den Zustand der Logistikinfrastruktur insgesamt verursacht werden.
Nachfrageplanung
- Verwendung von exogenen Variablen zur Steigerung der Genauigkeit der Nachfrageprognosen. Verwendete Variablen können makroökonomische Variablen (z.B. BIP), Energiepreistrends, sektorspezifische Variablen und Variablen im Zusammenhang mit bestimmten Situationen (z.B. Bewegungsströme während einer Pandemie, um Zeitreihen von ‚Covid-Effekt‘ zu bereinigen) sein. Je nach Art der exogenen Variable kann man die Nachfrage mittel- bis langfristig (z.B. BIP exogene Variable) oder kurz- bis sehr kurzfristig (z.B. Wettervorhersage als exogene Variable) prognostizieren, jeweils entsprechend gewichtet.
- Optimierung der Nachfrageprognose. Traditionelle Algorithmen, die durch Best-Fit-Logiken ausgewählt wurden, werden zusammen mit multivariaten ML-Algorithmen angewendet. Letztere ermöglichen es durch Nutzung der endogenen Variablen in der Zeitreihe und aller verfügbaren exogenen Variablen, Bedingungen zu identifizieren, die intrinsisch komplex zu prognostizieren sind, bei denen in der Vergangenheit traditionelle Algorithmen und/oder von Benutzern vorgenommene Korrekturen innerhalb einer kollaborativen Umgebung ungenau waren. ML-Algorithmen signalisieren die Wahrscheinlichkeit, dass solche Bedingungen wieder auftreten werden und schlagen dem Benutzer einen korrigierenden Faktor für die Vorhersage vor.
- Einführung neuer Produkte. Einer der kritischen Aspekte bei der Prognose von Nachfrage ist die Berechnung der Prognose für neue Produkte, für die keine historischen Daten verfügbar sind. Dieses Problem wird in der Regel durch die manuelle Auswahl eines vorhandenen Produkts durch den Benutzer gelöst, von dem er glaubt, dass es ähnlich zum neuen Produkt ist. In diesem Bereich hat sedApta überwachte und nicht überwachte Algorithmen trainiert, um eine quantitative Rangliste der Produkte zu erstellen, die dem neuen Produkt am ähnlichsten sind. Diese Rangliste wird vom Benutzer zur analytischen Validierung der von ihm getroffenen Wahl ohne Unterstützung des virtuellen Assistenten herangezogen und/oder um ähnliche Produkte zu identifizieren, an die er nicht gedacht hatte.
Bestandsmanagement
- Lieferantenranking. Die Leistung der Lieferanten (z.B. Pünktlichkeit, Qualität, Nachhaltigkeit, etc.), die in der Regel in ERP-Systemen berechnet wird, wird im Hinblick auf die spezifischen Bedingungen, unter denen sie verarbeitet wurden, kontextualisiert, um eine noch zeitgerechtere Rangfolge zu liefern. Unter Berücksichtigung einer bestimmten Situation ermöglichen es die von sedApta implementieren ML-Algorithmen, abzuschätzen, welcher Lieferant am wahrscheinlichsten die erforderliche Leistung entsprechend den Zielen einer oder mehrerer Analyse-Dimensionen (z.B. Pünktlichkeit-Qualität, Qualität-Nachhaltigkeit, etc.) erbringen wird.