Kunstmatige intelligentie: Toekomstige sleutel voor geoptimaliseerde berekening van de veiligheidsvoorraad?

Door Lena Schneider

De term "kunstmatige intelligentie" ligt nu op ieders lippen. Maar waar gaat het eigenlijk over? Wat wordt bedoeld met kunstmatige neurale netwerken? Hoe kunnen deze getraind worden? En welke voordelen zou het kunnen hebben om ze te gebruiken voor het optimaliseren van de veiligheidsvoorraad?

Volgens de definitie van SAP is kunstmatige intelligentie (KI), ook vaak artificial intelligence (AI) genoemd, de overkoepelende term voor toepassingen waarbij machines handelingen uitvoeren met een op mensen gebaseerde intelligentie.

Eén tak van AI zijn kunstmatige neurale netwerken (KNN's), die geïnspireerd zijn op het menselijke zenuwstelsel en de informatieverwerking van de hersenen nabootsen. Ze bestaan uit kunstmatig nagebouwde neuronen; Wiskunde vervangt op dit punt de boodschapperstoffen en synapsen. Hierdoor kan informatie op intelligente wijze worden verwerkt en kunnen complexe problemen zonder menselijke tussenkomst worden opgelost.

Een initieel neuraal netwerk bevat aanvankelijk geen informatie. Om concrete problemen op te kunnen lossen, moet het eerst voldoende getraind worden. Dit is waar machine learning, een centraal deelgebied van AI, om de hoek komt kijken.

Machinaal leren wordt gebruikt om AI-systemen op basis van bestaande gegevensrecords en algoritmen in staat te stellen bepaalde patronen en wetmatigheden te herkennen en overeenkomstige oplossingen te ontwikkelen. Kortom: kunstmatige kennis wordt gegenereerd uit ervaringen. De kwaliteit van het neurale netwerk staat en valt met de selectie en voorbereiding van de juiste trainingsgegevens.

Een getraind neuraal netwerk is uiteindelijk in staat om de verworven kennis toe te passen op voorheen onbekende problemen. Op deze manier kunnen processen worden geoptimaliseerd of betrouwbare voorspellingen worden gedaan.

Gebruik van neurale netwerken voor het optimaliseren van veiligheidsvoorraden

Hoe kan deze technologie worden gebruikt voor supply chain management (SCM)? Vindingrijke ontwikkelaars bij GIB hebben de berekening van de veiligheidsvoorraad als een nuttig toepassingsgebied geïdentificeerd. In de huidige Supply Chain Excellence-versie is de bètaversie 2.0 S/4 HANA voor optimalisatie van de veiligheidsvoorraad met neurale netwerken al een feit.

Door het uitbreiden van kunstmatige neurale netwerken kunnen in het SAP-systeem aanzienlijk uitgebreidere veiligheidsvoorraadberekeningen worden uitgevoerd. Op deze manier kan er rekening worden gehouden met meer beïnvloedende variabelen met gelijktijdige evaluatie van de betreffende mate van invloed. In het begin zijn alle netwerken nog onwetend. Om hen te laten bijdragen aan het optimaliseren van de veiligheidsvoorraad, moeten ze stap voor stap worden getraind.

De eerste stap is het selecteren van geschikte kengetallen. In deze context kijken we naar welke beïnvloedende factoren een veiligheidsvoorraad eigenlijk heeft. Hierbij spelen aspecten zoals herbevoorradingstijd, schommelingen, leveringsbetrouwbaarheid of vraag per dag een doorslaggevende rol.

Na het vastleggen van de kengetallen begint de training. Hiervoor zijn materialen geschikt die al een aantoonbare optimale veiligheidsvoorraad hebben. De taak voor het neurale netwerk wordt geformuleerd en het uitgevoerde resultaat wordt geëvalueerd door de trainer. Dit is mogelijk omdat het optimale resultaat al bekend is door het gebruik van historische gegevens. Het algoritme is dus in staat om correlaties en patronen te herkennen en dus om te leren.

Zodra het leerproces is voltooid, wordt het neurale netwerk gevoed met problemen waarvan de expert de resultaten nog niet kent. De route van het neurale netwerk naar het optimale resultaat kan bij complexe taken niet langer door de expert worden gevolgd. Bij de berekening van de veiligheidsvoorraad is er gewoonlijk de mogelijkheid om het resultaat op zijn minst kwalitatief te beoordelen. In principe is dit echter niet altijd het geval bij het gebruik van AI-oplossingen; dan geldt het geloof in de prestaties van het getrainde KNN.

Nu is het neurale netwerk perfect getraind en kan de verzamelde kennis effectief worden gebruikt voor de berekening van de veiligheidsvoorraad van alle materialen.

Waar gaat de AI-reis naartoe?

In het geheel zijn er verschillende stappen nodig totdat een neuraal netwerk volledig getraind is. Het door GIB ontwikkelde prototype wordt momenteel extra getest op systemen van klanten. Binnen deze context is het bijvoorbeeld belangrijk om uit te zoeken hoeveel trainingsgegevens nodig zijn of welke beïnvloedende factoren bijzonder geschikt zijn.

Neurale netwerken hebben al veel eerste successen geboekt en bieden veel mogelijkheden. Het is spannend om te zien waar de reis ons zal brengen. De procedures worden steeds verder ontwikkeld, dus het is te hopen dat het idee in de toekomst tot duurzame voordelen in de berekeningen van veiligheidsvoorraden zal leiden.