Impact van AI op forecasting, planning en voorraadbeheer

Vanuit zijn jarenlange expertise in het domein volgt Steven Pauly de snelle ontwikkelingen op het vlak van artificiële intelligentie op de voet. Al twaalf jaar is hij actief bij Slimstock, dat met zijn software Slim4 intussen meer dan dertig jaar inzet op efficiëntere supply chains. Vandaag biedt het bedrijf uitgebreide oplossingen voor voorraadbeheer, forecasting en demand planning.

VCM: In welke mate zorgt het huidige klimaat ervoor dat bedrijven de mogelijkheden van AI vaker onder de loep nemen?
Steven Pauly: “Supply chains staan onder hoge druk, wat maakt dat bedrijven actief op zoek zijn naar manieren om ze beter te managen. Zo verwachten klanten steeds meer flexibiliteit en snelheid. In combinatie met de vele verstoringen in de keten, maakt dat het almaar moeilijker om te plannen. Op zich is dat niet echt nieuws onder de zon, er is altijd wel iets geweest dat ketens verstoort. Wat wel verandert, zijn de tools die we kunnen inzetten om met die complexiteit om te gaan. AI en datagedreven technieken evolueren veel sneller dan de wereld doet. Technologieën ontwikkelen zich ook vaak het snelst in uitdagende periodes, omdat iedereen op zoek is naar manieren om beter met de situatie om te gaan. Op zich is dat een positieve zaak, maar tegelijk maakt die versnelling het voor bedrijven niet makkelijk om de juiste keuzes te maken. Welke technologieën zijn voldoende matuur? Waar kun je AI inzetten en waar beter niet? Dat zijn vandaag strategische vragen.”

Vertrek niet vanuit de technologie
VCM: “Vindt u dat organisaties soms te snel technologieën zoals AI naar voren schuiven als oplossing voor de toenemende complexiteit?
S. Pauly: “Artificiële intelligentie kan zeker helpen om de complexiteit beter beheersbaar te maken, door bijvoorbeeld beter te plannen. De grootste valkuil die ik vandaag zie, is dat bedrijven nog te vaak vertrekken vanuit de technologie. Ze vragen zich af wat ze allemaal met AI zouden kunnen doen, terwijl ze in feite zouden moeten vertrekken vanuit de problemen die ze hebben. Waar kan AI de meeste impact hebben op de business? Dat zou het startpunt moeten zijn.”

VCM: “Daar is dus nog een shift in mindset nodig.”
S. Pauly: “Klopt. Het is ook belangrijk om in het achterhoofd te houden dat niet elke uitdaging om AI vraagt. Klassieke methodes om problemen aan te pakken hebben nog steeds hun waarde. De kunst bestaat erin per ‘use case’ te bepalen welke aanpak het meest geschikt is.”

Forecasting als logisch startpunt
VCM: “Waar ziet u vandaag de meest concrete toepassingen binnen het domein?”
S. Pauly: “Als we spreken over AI en ‘machine learning’, komen we al snel bij forecasting terecht. Forecasting draait in essentie om het herkennen van patronen in data. Dat is exact waar met name machine learning sterk in is. Bovendien zijn die technieken al vrij matuur, waardoor ze zich heel goed lenen als toepassing om mee te starten.”

VCM: “In welke mate integreren jullie al AI binnen Slim4 en voor welke doeleinden?”
S. Pauly: “Binnen Slimstock gebruiken we vandaag AI voor onder meer anomaliedetectie, promotieforecasting en als ondersteuning bij de introductie van nieuwe artikelen. Die toepassingen bouwen voort op bestaande statistische modellen, maar hebben we verfijnd door machine learning. We zijn ook continu bezig met het verbeteren van onze forecastingmodellen met de ‘state-of-the-art’ AI-modellen die op de markt zijn.”

“Ook generatieve AI speelt een steeds grotere rol in onze oplossingen, vooral op het vlak van gebruikersgemak. We hebben anderhalf jaar geleden een eigen slimme chatbot geïntroduceerd met de naam Ask Rolf, vernoemd naar Rolf Pflitsch, een van de oprichters van Slimstock. Daarmee kunnen gebruikers in hun natuurlijke taal vragen stellen aan het systeem. Terwijl je vroeger vaak technische kennis nodig had om inzichten uit data te halen, kan dat met Ask Rolf veel eenvoudiger. De AI-chatbot vertaalt de vraag automatisch naar een analyse en koppelt terug naar de gebruiker met een antwoord in begrijpbare taal.”

“Last but not least geloven we sterk in de meerwaarde van ‘agents’. Daarmee gaan we opnieuw een stapje verder in de evolutie. Terwijl AI nu vooral wordt ingezet voor analyses en voorspellingen, verschuift de aandacht namelijk steeds meer naar het automatiseren van volledige processen. Met ‘agentic AI’ gaan we met andere woorden richting systemen die niet alleen analyseren, maar ook handelen. De bedoeling is uiteindelijk te komen tot een netwerk van agents die elk een deel van het proces op zich nemen en met elkaar samenwerken. Dat kan dan bijvoorbeeld gaan over databeheer, forecasting en supply planning.”

VCM: “Hebben jullie momenteel al een concrete toepassing in die richting?”
S. Pauly: “Bij Slimstock hebben we een uitgebreid team dat zich focust op agentic AI-toepassingen. Daar is intussen een eerste toepassing uit gekomen die focust op databeheer. Binnen onze oplossing Agentic Data Management monitort de AI-agent niet alleen de kwaliteit, volledigheid en accuraatheid van de data, hij grijpt ook actief in wanneer er inconsistenties worden gedetecteerd. Het systeem kan die dan autonoom corrigeren. Het is zelfs mogelijk automatisch leveranciers te contacteren om ontbrekende of foutieve informatie aan te vullen. Die oplossing is intussen ook al beschikbaar voor onze klanten.”

VCM: “In welke mate moedigen jullie het gebruik van AI bij jullie klanten aan?”
S. Pauly: “Wij willen de adoptie van datagedreven werken bij onze klanten versnellen. De feedback van onze klanten is ook erg belangrijk voor verdere ontwikkelingen. Om die reden leggen we de drempel om gebruik te maken van onze AI-gerelateerde oplossingen zo laag mogelijk. Sommige ontwikkelingen nemen we ook standaard in Slim4 mee. Om onze klanten zo goed mogelijk te informeren, biedt onze Slimstock Academy ook een masterclass Machine Learning aan die de verschillende algoritmes en de toepasbaarheid behandelt.”

Verwachtingen versus realiteit
VCM: “Hoe realistisch zijn de verwachtingen die bedrijven van AI hebben versus wat effectief al mogelijk is?”
S. Pauly: “Er is altijd een kloof tussen de verwachtingen en de mogelijkheden. Wat ik wel merk, is dat organisaties vandaag vaak de mogelijkheden overschatten, terwijl het toekomstige potentieel net wordt onderschat. Daar pleit ik zelf ook schuldig aan: in 2020 had ik ook niet door welke vlucht de technologie zou nemen. AI evolueert volgens een typische S-curve, met periodes van een exponentiële groei, gevolgd door een tijdelijk plateau. Daarna volgt dan een nieuwe doorbraak, wat opnieuw voor een versnelling zorgt. Een mooi voorbeeld zijn de ‘Large Language Models’, waar je helaas niet eindeloos data aan kunt blijven toevoegen. Maar er zal een moment komen dat ze daar iets op zullen vinden. Daar wordt ook veel in geïnvesteerd. Ik verwacht dat AI-toepassingen in de toekomst heel snel verder zullen evolueren.”

VCM: “In elk geval mogen we er dus van uit gaan dat AI een blijver is?”
S. Pauly: “Dat weet ik wel zeker. Er gaan steeds meer stemmen op om toch maar voorzichtig te zijn met AI, zeker met toepassingen zoals generatieve AI, maar ik denk dat we al te ver gevorderd zijn. AI zit intussen zo structureel in onze organisaties en in de maatschappij verweven dat de technologie niet meer weg te denken is. Wel denk ik dat er in de toekomst nog meer aandacht zal uitgaan naar de ethische grenzen. Op zich is dat geen slechte zaak, maar we moeten er natuurlijk wel op letten dat dit de innovatie niet al te veel gaat belemmeren.”

Kwaliteit boven kwantiteit
VCM: “In welke mate heeft de adoptie van AI impact op de rollen en taken van planners, bijvoorbeeld?”
S. Pauly: “We kunnen niet ontkennen dat het een grote impact heeft. Ik zie de rol van planner bijvoorbeeld evolueren naar een operator van systemen. We kunnen het vergelijken met de industriële revolutie, waarbij machines het fysieke werk overnamen en mensen naar een sturende rol evolueerden. In de toekomst zie ik planners minder bezig zijn met het uitvoeren van analyses en meer met het bewaken van processen, het interpreteren van resultaten en ingrijpen wanneer dat nodig is.”

“Tegelijk ontstaat er een nieuwe behoefte aan een duidelijke datagedreven strategie en data governance. Dat leidt tot de komst van nieuwe rollen, zoals die van ‘chief data officer’. Veel bedrijven hebben vandaag nog geen helder beeld van hoe ze data optimaal kunnen inzetten. Het is belangrijk dat een leidende hand daar het voortouw in neemt zodat er zeker geen opportuniteiten worden gemist.”

VCM: “AI is sterk afhankelijk van de data die de technologie voorgeschoteld krijgt. Hebt u richtlijnen voor de hoeveelheid data die de technologie nodig heeft om haar werk goed te kunnen doen?”
S. Pauly: “Er wordt soms gedacht dat je AI moet kunnen voeden met enorme hoeveelheden data vanuit de organisatie. Dat is een misvatting. Het is wel belangrijk dat je kwalitatieve data hebt. De snelle ontwikkeling van ‘foundation models’ maken het bovendien mogelijk met minder bedrijfsspecifieke data toch waardevolle inzichten te genereren. Foundation models zijn grote AI-modellen die op enorme hoeveelheden data zijn getraind. Ze bevatten een basislaag met kennis over een bepaald domein (bijvoorbeeld taal) en kunnen vervolgens heel data-efficiënt verschillende taken binnen dat domein aanleren. Op die manier kun je met beperkte bedrijfsdata heel eenvoudig toch veel waarde uit AI halen. Een voorbeeld van zo’n foundation model is GPT-4, wat dan een ‘language foundation model’ is. Je hebt vandaag ook ‘time series foundation models’, die leren van veel verschillende tijdsreeksen tegelijk en kunnen worden ingezet voor forecasting. Zo wordt AI breder inzetbaar, wat de drempel kan verlagen, zeker voor kleinere organisaties die niet over grote databanken beschikken.”

VCM: “U had al aangehaald dat forecasting een van de meest logische pistes is om met AI te starten. Zijn er ook domeinen waar u vandaag nog maar weinig meerwaarde ziet.”
S. Pauly: “Dan denk ik bijvoorbeeld aan beslissingsoptimalisering, zoals het bepalen van bestelvolumes. Daar geeft traditionele wiskundige optimalisering vaak nog betere resultaten. Maar hoewel de meerwaarde van AI er nog beperkt is, ligt daar paradoxaal misschien wel het grootste potentieel. Mocht AI ook op dat vlak een doorbraak kennen, dan kan dat een grote impact hebben op de prestaties van bedrijven. ‘Deep reinforcement learning’, een deelgebied binnen AI, biedt hier veel mogelijkheden en zie ik in de toekomst wel doorbreken.”

Tips voor een succesvolle implementatie
VCM: “Hoewel de technologie tegenwoordig al mooie kansen biedt, blijft het succes van AI-projecten geen evidentie. Waar schuilen de grootste risico’s?
S. Pauly: “Wat we vaak merken, is dat bedrijven te groot willen beginnen. Ze kiezen meteen voor grote en complexe toepassingen. De kans dat zo’n project vroeg of laat spaak loopt, is dan reëel. Daarnaast zijn onvoldoende datakwaliteit, een verkeerde interpretatie van de resultaten en een blind vertrouwen in de modellen belangrijke valkuilen.”

VCM: Heeft u ook tips om de slaagkansen te verhogen?
S. Pauly: “Zoals aangehaald is het in elk geval cruciaal om te weten welke problemen je met AI wil aanpakken en te focussen op de use cases met de grootste businesswaarde. Het best is om klein te starten en stap voor stap te leren. Ik raad aan te starten met een concrete, afgebakende use case. Durf te beginnen en wacht zeker ook niet tot alles perfect werkt. Bedrijven die bereid zijn om te experimenteren, hebben vaak een voorsprong op de bedrijven die daar weigerachtig tegenover staan. Verder adviseer ik te investeren in interne kennis over data en AI.”

“Ook belangrijk is dat de gebruikers leren om AI te vertrouwen en tegelijk kritisch te blijven. Wij hanteren op dat vlak een ‘humble AI’-benadering. Daarbij werken we met ‘prediction scores’ die aangeven hoe zeker we zijn van een specifieke voorspelling. Op die manier krijgen gebruikers meer inzicht in de betrouwbaarheid van voorspellingen, wat de acceptatie ten goede komt.”

VCM: “Hoe ziet u AI de komende vijf jaar binnen dit domein verder evolueren?”
S. Pauly: “Forecasting zal in elk geval steeds meer AI-gedreven worden. Nieuwe modellen kunnen tegenwoordig met minimale input al goede voorspellingen doen. Dat zal alleen maar verbeteren. Ik geloof ook sterk in de kracht van de time series foundation models waar ik het net over had. Daarnaast verwacht ik veel van agentic AI op het vlak van procesautomatisering. Tot slot kan deep reinforcement learning het mogelijk maken ook beslissingen zoals besteladviezen steeds meer te automatiseren.”
TC