Sådan kommer du i gang med AI i supply chain planning

Kunstig intelligens har været kendt og anvendt teknologi i flere årtier. Sygehuse over hele verden har for eksempel i mange år gjort brug af kunstig intelligens til at scanne billeder med det formål at detektere sygdomme eller anormaliteter. Amazon har også i lang tid gjort brug af kunstig intelligens til at servere boganbefalinger til kunderne.

”Det er blot to eksempler på udbredt brug af kunstig intelligens, der er foregået mange steder i mange år. Men det har nok ikke været genstand for så meget opmærksomhed, at det er kunstig intelligens, som driver eksemplerne”, fortæller Stephan Skovlund. Han har arbejdet med supply chain planning i 15-20 år både som konsulent, planlægger hos Carlsberg samt som underviser og har en faglig baggrund inden for statistik. Det gør han i Roimas webinar ’AI in supply chain – beyond the buzzwords’. Han supplerer:

”Det tog Open AI to måneder at nå 100 millioner brugere af ChatGPT. Til sammenligning tog det Facebook fire år at nå det samme antal brugere. Generativ kunstig intelligens er nærmest eksploderet og får enorme mængder opmærksomhed”.

Kernen er regressionsanalyse
Han fremhæver, at AI er meget agilt og går på tværs af fagområder og brancheskel. Han beskriver, hvordan kunstig intelligens kan opdeles i tre kategorier af modeller:

• Large Language Models (LLM) som behandler tekst, data og billeder (ChatGPT og andre modeller).
• Datamodeller som machine learning, der arbejder med tal og data.
• Image Classification der bruges til billeder og for eksempel også til kvalitetssikring.

Groft forsimplet er kernen i alle modellerne ifølge Stephan Skovlund regressionsanalyse, der er en gren af statistikken. Regressionsanalyse undersøger sammenhængen mellem en afhængig variabel og andre specificerede uafhængige variable. Man forsøger altså at opstille en matematisk sammenhæng mellem en række observerede størrelser ved at tage højde for den statistiske usikkerhed.

 ”Et pædagogisk eksempel på regressionsanalyse kunne være to variabler i form af temperatur og salg af is. Man opstiller så en model for relationen mellem de to variabler. AI kan dog bruge mange flere variabler som for eksempel lokation, tidspunkt på dagen, vind, regn og så videre. Modellen vægter så variablerne og optimere præcisionen for relationerne”, fortæller han.

Regression har typisk været anvendt på tal, men med sprogmodeller (LLM) opererer man ud fra de samme principper, det vil sige ud fra en given sekvens af ord, som du beskriver i en instruks (prompt), hvorefter modellen estimerer det mest sandsynlige svar. 

Mange anvendelser for AI
Stephan Skovlund peger på, at der er rigtig mange anvendelsesområder for AI i supply chain planning. Over alt hvor, der forekommer mange data samt gentagne opgaver og der er behov for analyse, er der værdi i at anvende kunstig intelligens. Han fremhæver demand planning som et oplagt eksempel, hvor der er masser af data, løbende behov for at korrigere samt rense data, ligesom der er behov for at tage højde for ’outliers’. ”Demand planning kan i min optik ikke automatiseres 100 procent, men kunstig intelligens kan bidrage med meget stærk støtte til processen, som kan både kan spare masser af tid og skabe mere præcise analyser”, fortæller han.

Optimering af lager, ruteoptimering og kapacitetsplanlægning er andre oplagte områder, som kan styrkes med brug af kunstig intelligens.

”Der er så mange relevante brugsområder, at spørgsmålet mere kunne lyde: Hvor er det ikke relevant?”, fortæller han og tilføjer:

”Kunstig intelligens som for eksempel machine learning-modeller behandler data anderledes end traditionelle statistiske metoder. Kunstig intelligens anvender data på en meget mere granular måde. Det betyder, at kunstig intelligens er bedre og mere præcis til at afkode mønstre i datamængder. En statistik-model vil for eksempel operere med data på daglig eller månedlig basis, hvor machine learning kan gå ned på timer eller minutter, gå på tværs af tider og også afkode, at en eller flere fabrikker lukker den tredje uge i februar hver måned. Den slags ’granularitet’ kan statiske metoder ikke håndtere, og det åbner op for mange muligheder for virksomheder inden for eksempelvis hurtige forbrugsgoder eller reservedele, hvor efterspørgselsmønstrene er meget varierede”.

AI-modeller er altså utrolig stærke til at afkode mønstre. Ulempen ved modellerne er, at arbejdet med dem hurtigt bliver utrolig kompliceret og tilvejebringer enorme mængder data. Stephan Skovlund anbefaler derfor, at supply chain plannere begrænser datadimensionerne, hvilket begrænser kompleksiteten. 

Han anbefaler også, at supply chain plannere starter med interne data og venter med at inkludere eksterne data indtil, de har høstet noget erfaring og rutine.

3 oplagte områder
Han peger på tre områder, som han mener er oplagte at starte med, når man kaster sig over kunstig intelligens:

• FORECAST: Ikke overraskende er salgsforecast et oplagt område til AI, da virksomheder ofte har tusindvis af varenumre med salgsmønstre, som kan være vanskelige at gennemskue med det blotte øje. Alene med anvendelsen af salgstransaktioner kan AI afklare, om der er en tendens på dags-, uge-, måneds- og kvartalsniveau, hvilket ikke er muligt med traditionelle metoder.
• INTERNE ANALYSER: Indfør en lokal chatbot på toppen af virksomhedens egen database, som typisk er programmeret i SQL. Det er relativt let at oversætte fra SQL til en kunstig intelligens-chatbot, og det giver et glimrende og lettilgængeligt værktøj til at foretage hurtige interne analyser.
• CUSTOMER SERVICE: Her kan man relativt let træne en chatbot og lade den besvare en stor del af kundernes spørgsmål. Træningen sker på basis af historik, som gør chatbotten i stand til at levere et forslag til et svar eller en løsning, som ganske ofte vil være korrekt. Udbyderen af betalingsløsninger Klarna har erfaret, at de kan reducere tidsforbruget med 70 procent i kraft af en trænet chatbot.

4 trin til at komme i gang
Han peger også ’alerts’ eller varsler som et område, hvor det er mindre oplagt at gøre brug af kunstig intelligens. ”Når man arbejder med alerts, sker det ofte som en tærskelværdi, der udløser et varsel, hvis tærsklen bliver overskredet. Det er et sort-hvidt område, og AI er faktisk bedre til gråzoner, fordi teknologien kan udføre ’critical reasoning’. Så her kan det blive meget ressourcekrævende at gøre brug af AI”, fortæller han og tilføjer:

”Brug af kunstig intelligens handler i høj grad om omkostninger i forhold til nytteværdi. Nogle steder er det meget krævende og dyrt at indføre AI, andre steder er det meget lettere. Det centrale spørgsmål er hele tiden: Er det indsatsen værdi i forhold til nytteværdien?”

Han afslutter med at anbefale fire trin til at komme i gang med kunstig intelligens:

1. Prøv det, få hands-on, kom i gang med læringskurven.
2. Hav et skarpt øje på at mange AI-anvendelser vil være for dyre.
3. Start op med enkle projekter, hvor sværhedsgraden er overskuelig.
4. Forecast-processen er for de fleste det oplagte startsted, når de tager AI i brug.