Innovatie & Strategie

Analytics
Afvalcontainer

AI in logistiek

Vooral voordelen bij complexe planningsprocessen

Ondergrondse containers worden geleegd. © FaceMePLS/Flickr/Creative Commons FaceMePLS/Flickr/Creative Commons
19 oktober 2017

Een derde van het voedsel dat we produceren, bereikt nooit ons bord. Dat is de schatting van de Voedsel en Landbouworganisatie (FAO) van de Verenigde Naties. Het is onvermijdelijk dat een deel van het voedsel beschadigd raakt tijdens de oogst, de opslag of het transport - waar gehakt wordt vallen spaanders.

Maar veel voedsel wordt gewoon weggegooid omdat het onverkocht blijft liggen in magazijnen en winkels. Blijkbaar hebben we de logistieke keten niet goed genoeg op orde en voorkomen we nog steeds niet dat veel voedsel op het verkeerde moment op de verkeerde plek terechtkomt. Dat kan anders door volop in te zetten op kunstmatige intelligentie.

Al in de jaren vijftig deden wetenschappers onderzoek naar kunstmatige intelligentie. De mogelijkheden leken eindeloos, maar de techniek was nog niet rijp. Er was onvoldoende rekenkracht beschikbaar en data waren niet of nauwelijks beschikbaar. Dat is tegenwoordig heel anders nu we met de opkomst  van cloud-oplossingen vrijwel onbeperkt toegang hebben tot relatief goedkope rekenkracht. Samen met de enorme beschikbaarheid van data, mogelijk door het wereldwijde gebruik van internet, zorgt dat voor nieuwe groei-impulsen. Niet voor niets hebben bedrijven zoals Google, Facebook, Microsoft en IBM in 2015 meer dan tien miljard dollar in onderzoek naar kunstmatige intelligentie gestoken.

Kassagegevens

In de logistiek staat de toepassing van kunstmatige intelligentie nog in de kinderschoenen, ondanks dat de voordelen, met name bij complexe planningsprocessen, groot kunnen zijn. Denk aan forecasting. Het voorspellen van de vraag naar bijvoorbeeld levensmiddelen is lastig en leidt vaak tot teleurstellende resultaten en foutieve beslissingen. Kunstmatige intelligentie kan uitkomst bieden door de variabiliteit in de vraag nauwkeurig te modelleren. Daarvoor wordt voortdurend alle relevante input geanalyseerd. Denk aan kassagegevens en online clicks, maar ook aan de weersverwachting. Tegelijkertijd worden ‘verstoringen’ zoals toevallige fluctuaties uit de vraag gefilterd. Het systeem leert van de data en past het model aan op het veranderende klantgedrag.

Forecasts

Het onderzoek naar ‘predictive analytics’ verkeert nog in het beginstadium. Door verder onderzoek en slimme algoritmes moeten forecasts in de toekomst beduidend beter, nauwkeuriger en efficiënter kunnen worden opgesteld. Niettemin doen bedrijven er verstandig aan om nu al te evalueren of de eigen supply chain door slimme forecasttechnieken kan worden geoptimaliseerd. Voor de volgende scenario’s kan de inzet van kunstmatige intelligentie zinvol zijn:

• Als een bedrijf veel promotiecampagnes opzet, is het lastig om de vraag op betrouwbare wijze te voorspellen. Kunstmatige intelligentie kan helpen om verschillende scenario’s voor een veelvoud van producten door te rekenen.

• Als een bedrijf regelmatig nieuwe producten invoert, is de eerste voorspelling van de vraag eveneens lastig. Ook hier kan kunstmatige intelligentie uitkomst bieden.

• Als een bedrijf een assortiment heeft met veel langzaamlopers die onregelmatig en in kleine hoeveelheden worden besteld. Standaard-forecast-modellen bieden dan geen uitkomst.

• Als lokale bedrijven uitgroeien tot internationale ondernemingen. De oude forecastsystemen lopen dan tegen de grenzen van hun mogelijkheden aan.

Verantwoordelijkheid

Wie vandaag investeert in kunstmatige intelligentie heeft morgen een voorsprong. Disruptieve voorbeelden uit Silicon Valley hebben inmiddels vaak genoeg laten zien dat de dag van morgen sneller komt dan menigeen denkt. Daarnaast hebben we ook een maatschappelijke verantwoordelijkheid, zeker gezien de verwachte groei van de wereldbevolking. Het mag niet zo zijn dat we hier voedsel weggooien omdat we de vraag niet goed genoeg kunnen berekenen, terwijl elders tekorten bestaan.

Reactie toevoegen