[et_pb_section fb_built=“1″ _builder_version=“4.16″ min_height=“1701.8px“ custom_margin=“||5px|||“ custom_padding=“0px||5px||false|false“ global_colors_info=“{}“][et_pb_row _builder_version=“4.16″ background_size=“initial“ background_position=“top_left“ background_repeat=“repeat“ min_height=“4234.7px“ custom_margin=“|auto|5px|auto||“ custom_padding=“||3px|||“ global_colors_info=“{}“][et_pb_column type=“4_4″ _builder_version=“4.16″ custom_padding=“|||“ global_colors_info=“{}“ custom_padding__hover=“|||“][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ custom_margin=“||1px|||“ global_colors_info=“{}“]<\/p>\n
In Zeiten von Rohstoffknappheit, erh\u00f6hten Transportkosten und anderen potenziellen H\u00fcrden wie Strafz\u00f6llen suchen Unternehmen zunehmend nach Wegen, um gesch\u00e4ftskritische St\u00f6rungen wie Lieferengp\u00e4sse zu vermeiden. Die Minderung solcher Risiken erfordert jedoch viel manuellen Aufwand und h\u00e4ngt von der Verf\u00fcgbarkeit von Expertenwissen und den richtigen Daten ab. Es liegt auf der Hand, dass eine erfolgreiche Risikominderung\u00a0 sehr zeitaufw\u00e4ndig sein kann und mit einer gewissen Unsicherheit einhergeht.<\/p>\n
Der Bereich der k\u00fcnstlichen Intelligenz erm\u00f6glicht es Unternehmen, Ihre Daten zu analysieren und geeignete KI-Modelle einzusetzen, um Vorhersagen \u00fcber potenzielle Lieferrisiken zu treffen und Unternehmen automatisch zu warnen. Aber wie funktioniert das in der Praxis? Wie erstellt man eine solche L\u00f6sung, und welche Herausforderungen gibt es bei ihrer Einf\u00fchrung?<\/p>\n
Werfen wir zun\u00e4chst einen Blick auf das Problem der Lieferengp\u00e4sse und Lieferunterbrechungen. Um potenzielle Umsatzeinbu\u00dfen zu vermeiden, versuchen Fertigungsunternehmen im Allgemeinen alles zu tun, um ihre Absatzprognosen zu erf\u00fcllen. Wie wir jedoch gerade in der Automobilindustrie sehen k\u00f6nnen, lassen sich Lieferengp\u00e4sse bei bestimmten Komponenten wie Halbleitern oder Display-Panels nicht ohne weiteres abfedern und f\u00fchren bei den meisten Automobilherstellern zu erheblichen Produktionsverz\u00f6gerungen. Der Endkunde sp\u00fcrt diese Ver\u00e4nderungen in Form von verl\u00e4ngerten Lieferzeiten, steigenden Preisen oder der Nichtverf\u00fcgbarkeit von Waren – besonders deutlich war dies im letzten Jahr bei PC-Komponenten wie Grafikprozessoren, auch GPUs oder Grafikkarten genannt.<\/p>\n
Nat\u00fcrlich kann ein Unternehmen nicht immer effektiv auf die Ursachen von Lieferengp\u00e4ssen reagieren. Dennoch gibt es einige M\u00f6glichkeiten, m\u00f6glichen Lieferengp\u00e4ssen vorzubeugen oder sie rechtzeitig zu erkennen, so dass die m\u00f6gliche Interventionszeit maximiert wird und man auf die anstehende Situation bestm\u00f6glich reagieren kann. K\u00fcnstliche Intelligenz (KI) bietet verschiedene M\u00f6glichkeiten, gro\u00dfe Datenmengen zu analysieren, m\u00f6gliche Warnsignale abzuleiten und die verantwortlichen Liefer- oder Bestandsmanager automatisch zu informieren, wenn eine potenzielle Bedrohung erkannt wurde.<\/p>\n
<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“94.2px“ custom_margin=“||13px|||“ custom_padding=“||0px|||“ global_colors_info=“{}“]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“83.2px“ custom_margin=“||2px|||“ custom_padding=“||0px|||“ global_colors_info=“{}“]<\/p>\n
Bevor man mit der Implementierung einer KI-gesteuerten L\u00f6sung beginnt, ist es wichtig, die Erwartungen und Ziele zu definieren und hervorzuheben: Was soll erreicht werden? Wer ist die beabsichtigte Benutzergruppe? Welche Materialien, Standorte oder Produktgruppen werden in der ersten Version abgedeckt? Es ist sehr wichtig, den Umfang f\u00fcr den „Wertnachweis“ – den ersten Prototyp der erwarteten L\u00f6sung – klein zu halten. Die genaue Ausgestaltung des Prototyps wird sich von Fall zu Fall unterscheiden – ist die Aktivierung eines Alarms ausreichend, wenn die Versorgung gef\u00e4hrdet ist? Kann ein Instrument entwickelt werden, das Vorschl\u00e4ge zur Abschw\u00e4chung des festgestellten Risikos enth\u00e4lt? Soll die L\u00f6sung in die bestehenden Planungsinstrumente integriert werden, oder kann sie ein eigenst\u00e4ndiges Instrument sein? Sobald diese Fragen beantwortet sind, ist es an der Zeit, \u00fcber das zuk\u00fcnftige Design nachzudenken.<\/p>\n
Das Konzept des maschinellen Lernens als Teilgebiet der k\u00fcnstlichen Intelligenz besteht darin, aus gegebenen Daten und Datenstrukturen sinnvolle Schl\u00fcsse zu ziehen. Zu diesem Zweck werden Algorithmen trainiert, um bestimmte Muster und Zusammenh\u00e4nge aus gro\u00dfen Datens\u00e4tzen zu finden und zu erkennen. In unserem konkreten Fall geht es darum, diese Daten zu identifizieren, die in Kombination miteinander auf eine m\u00f6gliche Unterbrechung der Lieferkette hinweisen. Anschlie\u00dfend soll unsere L\u00f6sung in der Lage sein, diese so genau wie m\u00f6glich vorherzusagen. Doch welche Daten werden ben\u00f6tigt, um das gew\u00fcnschte Ergebnis zu erzielen? Die Beantwortung dieser Frage macht oft 80% des Aufwandes in einem KI-Projekt aus und kann nur individuell – Unternehmen f\u00fcr Unternehmen – beantwortet werden.<\/p>\n
Bei der Entwicklung von KI-gesteuerten L\u00f6sungen ist es hilfreich, wenn die ben\u00f6tigten Daten in Echtzeit und vor allem in guter Qualit\u00e4t zur Verf\u00fcgung stehen. Solange Sie wissen, wo Ihre Daten aufbewahrt werden und wie Sie sie schnell und sicher abrufen k\u00f6nnen, spielt es eigentlich keine Rolle, wo Sie sie speichern. Ein Data Warehouse oder Data Lake, der immer auf dem neuesten Stand ist, kann jedoch eine gro\u00dfe Hilfe sein, um einen schnellen Zugriff auf die Daten zu erm\u00f6glichen. Gerade in gro\u00dfen Unternehmen kann ein zentraler Datenspeicher oft ein echter Vorteil sein, da er es erm\u00f6glicht, die ben\u00f6tigten Daten mit Leichtigkeit zu erfassen.<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ custom_margin=“||3px|||“ custom_padding=“||13px|||“ global_colors_info=“{}“]<\/p>\n
Nachdem Sie Ihr Projekt erfolgreich skizziert haben, beginnt der schwierige Teil. Datenanalysten und Datenwissenschaftler versuchen, Schl\u00fcsselzahlen, Ma\u00dfnahmen, Zahlen oder Ereignisse zu identifizieren, die sich auf das beobachtete Ergebnis auswirken k\u00f6nnen. Beispielsweise k\u00f6nnte ein R\u00fcckgang des Lieferanten-OTIF f\u00fcr ein bestimmtes Material darauf hindeuten, dass ein gewisses Risiko besteht, dass in Zukunft gr\u00f6\u00dfere Mengen nicht geliefert werden. Wenn es zus\u00e4tzliche Informationen gibt, dass das betreffende Material knapp ist (z. B. in Zeitungs- oder Webartikeln) und die Preise steigen, k\u00f6nnte dies ein weiterer Indikator f\u00fcr ein Risiko bei der Versorgung sein.<\/p>\n
Experten versuchen nun, all diese Daten zu sammeln und in einem Datenmodell zusammenzufassen. Dieser Schritt wird auch als Vorverarbeitung bezeichnet und nimmt in jedem Data-Science-Projekt einen gro\u00dfen Teil der Zeit in Anspruch. Nachdem die verschiedenen Daten gesammelt und zu einem Datenmodell zusammengef\u00fchrt wurden, trainieren Datenwissenschaftler Algorithmen f\u00fcr eine Vielzahl von Algorithmen des maschinellen Lernens wie Support Vector Machine (SVD), Entscheidungsb\u00e4ume, Zufallsforste oder Gradient-Boosted Decision Trees (z. B. XGBoost). Es ist besonders wichtig, historische Daten in Bezug auf die Zielvariable zu sammeln. In unserem Fall k\u00f6nnte dies zum Beispiel sein: ‚Potenzieller Stock-Out oder nicht?‘ kodiert mit 1 f\u00fcr „Wahr“ und 0 f\u00fcr „Falsch“. Diese historischen Daten werden f\u00fcr das sp\u00e4tere Training und die Validierung des Modells dringend ben\u00f6tigt.\u00a0<\/p>\n
Um Modelle zu trainieren, werden nur 80 % der verf\u00fcgbaren Referenzdaten verwendet – das ist der so genannte „Trainingssatz“. Sobald die Modelle trainiert sind, verwenden die Datenwissenschaftler die restlichen 20 % zur Validierung des Modells. Dies ist der so genannte „Test“- oder „Validierungs“-Satz. Die Leistung der einzelnen Algorithmen und die Frage, ob die Algorithmen zu pr\u00e4zise (‚over-fitting‘) oder zu allgemein (‚under-fitting‘) sind, werden anhand einer Vielzahl von Messgr\u00f6\u00dfen bewertet. Schlie\u00dflich werden mehrere trainierte Modelle zu einem Ensemble-Modell zusammengef\u00fchrt, das oft noch bessere Ergebnisse liefert als die Einzelmodelle.<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“66.2px“ custom_margin=“3px||11px|||“ custom_padding=“||1px|||“ global_colors_info=“{}“]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“172.2px“ custom_margin=“||0px|||“ custom_padding=“||0px|||“ global_colors_info=“{}“]<\/p>\n
Sobald der Prototyp fertig ist, ist es an der Zeit, die Leistung des maschinellen Lernmodells zu bewerten, indem man die Validierungsdaten in das Modell l\u00e4dt und eine Reihe von Leistungskennzahlen vergleicht, um ein Verst\u00e4ndnis daf\u00fcr zu erhalten, wie gut der Algorithmus funktioniert. Je nach Datentyp, der vorhergesagt wird, k\u00f6nnen mehrere Leistungskennzahlen berechnet und miteinander verglichen werden.<\/p>\n
[\/et_pb_text][et_pb_image src=“https:\/\/acopa.de\/de\/wp-content\/uploads\/sites\/4\/2021\/12\/31sheiI.png“ title_text=“31sheiI“ align=“center“ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“116.2px“ custom_margin=“||-5px|||“ global_colors_info=“{}“]<\/p>\n
Besonders n\u00fctzlich f\u00fcr Zielvariablen, die klassifiziert sind. Die Zielvariablen sollten diskreter Natur sein, d. h. die Beobachtungen k\u00f6nnen in klar abgrenzbare Kategorien oder Cluster unterteilt werden.<\/p>\n
[\/et_pb_text][et_pb_image src=“https:\/\/acopa.de\/de\/wp-content\/uploads\/sites\/4\/2021\/12\/RdKhFt5-1.png“ title_text=“RdKhFt5″ align=“center“ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_image][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“374.2px“ custom_margin=“||-6px|||“ global_colors_info=“{}“]<\/p>\n
MAE steht f\u00fcr die durchschnittliche Differenz zwischen dem tats\u00e4chlichen und dem vorhergesagten Wert f\u00fcr alle Vorhersagen. Nehmen wir zum Beispiel an, dass man Filmbewertungen vorhersagen m\u00f6chte, die Nutzer (die den Film noch nicht gesehen haben) auf der Grundlage ihrer historisch beobachteten Vorlieben wahrscheinlich bewerten w\u00fcrden.<\/p>\n
Beispiel: Film X | Benutzer X | N = 1:<\/p>\n
Ausgehend von dieser einen Beobachtung liefert die MAE einen Wert von 2, d. h. die absolute Abweichung zwischen dem tats\u00e4chlichen und dem vorhergesagten Wert.
Es liegt auf der Hand, dass diese Leistungskennzahl sinnvoller ist, wenn eine gr\u00f6\u00dfere Anzahl von Werten verwendet wird (z. B. N > 30). Bitte beachten Sie auch, dass diese Kennzahl gr\u00f6\u00dfenabh\u00e4ngig ist. Die analysierten Gr\u00f6\u00dfen m\u00fcssen die gleiche Einheit haben, um verglichen werden zu k\u00f6nnen. Ob die MAE von „2“ als guter oder schlechter Wert angesehen wird, h\u00e4ngt von der jeweiligen Einheit und der zugrunde liegenden Skala ab.<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=“4.16″ _module_preset=“370c49bd-6302-4df9-a8c0-f6a907232b4a“ min_height=“564.2px“ custom_margin=“||14px|||“ custom_padding=“||4px|||“ global_colors_info=“{}“]<\/p>\n
Bei der Entwicklung eines KI-Prototyps m\u00fcssen Datenwissenschaftler genau wissen, welche Leistungskennzahlen sie ausw\u00e4hlen und wie sie diese interpretieren sollen. Es gibt viel mehr, als wir hier aufgelistet haben. Aus Gr\u00fcnden der Komplexit\u00e4t werden wir in diesem Whitepaper jedoch nicht weiter ins Detail gehen.<\/p>\n
Kommen wir zur\u00fcck zum Ausgangspunkt dieses Whitepapers – der Vorhersage von Versorgungsengp\u00e4ssen mithilfe von KI. Wir haben ein gr\u00f6\u00dferes Projekt in der deutschen Pharmaindustrie unterst\u00fctzt, bei dem es um eine sehr \u00e4hnliche L\u00f6sung ging. Die Entwicklung verlief sehr gut, und die an dem Projekt beteiligten Datenwissenschaftler fanden geeignete Ma\u00dfnahmen zur Vorhersage m\u00f6glicher Lagerausf\u00e4lle. Es war gro\u00dfartig zu sehen, wie ein so umfangreicher datenwissenschaftlicher Prototyp zum Leben erweckt wurde, vor allem wenn man den potenziellen Wert dahinter bedenkt. Dennoch ist dieser Showcase mit einigen Einschr\u00e4nkungen verbunden:<\/p>\n
Einer der Hauptnachteile: Die Modelle des maschinellen Lernens mussten f\u00fcr jeden einzelnen Standort entwickelt und trainiert werden. Es war nicht ohne weiteres m\u00f6glich, ein einzelnes Modell auf eine gr\u00f6\u00dfere Anzahl von Standorten zu \u00fcbertragen. Da der Kunde \u00fcber weit mehr als 100 Standorte verf\u00fcgte, bedeutete dies einen erheblichen Aufwand, wenn die L\u00f6sung f\u00fcr einen gr\u00f6\u00dferen Teil des Unternehmens genutzt werden sollte. Einige der Gr\u00fcnde daf\u00fcr sind die unterschiedliche Datenqualit\u00e4t, die verschiedenen Gesch\u00e4ftsprozesse und die unterschiedlichen Datens\u00e4tze, die f\u00fcr jeden Standort verf\u00fcgbar sind.<\/p>\n
Obwohl die Ergebnisse f\u00fcr die Pilotstandorte sehr vielversprechend aussahen und der Prototyp von den Pilotanwendern auch gut genutzt wurde, war zu beobachten, dass die verwendeten Pr\u00e4diktorvariablen meist voneinander abh\u00e4ngig waren. Das liegt daran, dass die Pr\u00e4diktoren meist aus Key Performance Indicators (KPIs) bestanden, die ihrerseits bereits auf \u00e4hnlichen – wenn nicht gar denselben – Dateneingaben beruhten. Manchmal konnten wir nachweisen, dass mehrere KPIs teilweise auf denselben Dateninputs beruhten, was zu dieser gegenseitigen Abh\u00e4ngigkeit f\u00fchrte. Es hat sich gezeigt, dass nur wenige KPIs sehr relevant waren und den Gro\u00dfteil der vorhergesagten Ergebnisse erkl\u00e4ren konnten.<\/p>\n
Warum ist dies kritisch? Wenn es nur wenige Pr\u00e4diktorvariablen mit hoher Gewichtung im Modell gibt, ist die Gesamtvorhersage sehr anf\u00e4llig f\u00fcr Schwankungen der Datenqualit\u00e4t. Da die Pr\u00e4diktorvariablen zus\u00e4tzlich voneinander abh\u00e4ngig sind, wird der Effekt noch verst\u00e4rkt.<\/p>\n
Schlie\u00dflich m\u00fcssen wir auch die Interpretationsschwierigkeiten und die Skepsis der Endnutzer gegen\u00fcber KI-Tools ber\u00fccksichtigen. Jedes KI-Tool ist nur so n\u00fctzlich, wie es von der Zielgruppe produktiv genutzt werden kann. In unserem Fall lag der Schwerpunkt darauf, ein benutzerfreundliches Frontend zu schaffen, das sich an bew\u00e4hrten Verfahren des UI\/UX-Designs orientiert und so wenig Fragen wie m\u00f6glich offen l\u00e4sst. Sobald die L\u00f6sung in Betrieb ging, konnten wir etwas sehr Interessantes beobachten, an das zuvor niemand gedacht hatte.<\/p>\n
Wer tr\u00e4gt die Verantwortung f\u00fcr die Annahme oder Ablehnung einer Empfehlung des Tools zur Vorhersage von Lieferengp\u00e4ssen? Nehmen wir an, das Tool sagt Ihnen, dass kein Lagerausfall in Sicht ist – aber im n\u00e4chsten Monat tritt er ein. Wer tr\u00e4gt die Verantwortung daf\u00fcr? Was passiert, wenn sich ein Mensch \u00fcber das Prognosetool hinwegsetzt, aber es stellt sich heraus, dass seine Entscheidung falsch war und das Unternehmen nun m\u00f6glicherweise auf viel zu hohen Best\u00e4nden sitzt?<\/p>\n
Sie sehen, das Potenzial der KI kann sehr interessant und enorm sein – aber die Herausforderungen und Fallstricke k\u00f6nnen auch sehr schwer zu bew\u00e4ltigen sein. Forscher und Unternehmen versuchen gleicherma\u00dfen, Antworten auf diese Fragen zu finden.<\/p>\n
Dennoch ist es wichtig, dass Unternehmen die M\u00f6glichkeiten der KI so schnell wie m\u00f6glich nutzen, denn sie verf\u00fcgen \u00fcber alle Daten und Anwendungsf\u00e4lle, f\u00fcr die sie KI einsetzen k\u00f6nnen.<\/p>\n
Alle Angaben in diesem Whitepaper beruhen auf ACOPAs Erfahrungen und Beobachtungen in realen Industrieprojekten. Dieses Whitepaper erhebt keinen Anspruch auf Vollst\u00e4ndigkeit und gibt lediglich einen \u00dcberblick \u00fcber die aktuelle Situation beim Einsatz von KI in der Industrie.<\/p>\n
Autor: Fabian Ruehrnschopf
Leiter der Abteilung Digitale Transformation
(fabian.ruehrnschopf@acopa.de)<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"
In Zeiten von Rohstoffknappheit, erh\u00f6hten Transportkosten und anderen potenziellen H\u00fcrden wie Strafz\u00f6llen suchen Unternehmen zunehmend nach Wegen, um gesch\u00e4ftskritische St\u00f6rungen wie Lieferengp\u00e4sse zu vermeiden. Die Minderung solcher Risiken erfordert jedoch viel manuellen Aufwand und h\u00e4ngt von der Verf\u00fcgbarkeit von Expertenwissen und den richtigen Daten ab. Es liegt auf der Hand, dass eine erfolgreiche Risikominderung\u00a0 sehr […]<\/p>\n","protected":false},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[1,27,19],"tags":[],"class_list":["post-4552","post","type-post","status-publish","format-standard","hentry","category-aktuelles","category-news","category-whitepaper"],"_links":{"self":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4552","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/comments?post=4552"}],"version-history":[{"count":4,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4552\/revisions"}],"predecessor-version":[{"id":4996,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/posts\/4552\/revisions\/4996"}],"wp:attachment":[{"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/media?parent=4552"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/categories?post=4552"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/acopa.de\/de\/wp-json\/wp\/v2\/tags?post=4552"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}