Machine learning voor managers
(Advertorial) We kunnen er niet omheen. De complexiteit van onze logistieke toevoerketen is de afgelopen jaren exponentieel toegenomen. Waar vroeger een goede bedrijfsstrategie genoeg was, lijkt nu het overwinnen van de complexiteit aan de kostenposten hét concurrentievoordeel te worden voor de komende jaren. In de kostenpost ‘voorraadbeheer’ wordt het mogelijk zelfs nóg uitdagender. Niet alleen de complexiteit moet overwonnen worden, maar er zijn ook de mensen die het moeten begrijpen. Dit is een uitdaging waar menig manager zich over bekommert (of toch zou moeten). “Vroeger was alles beter”. Wel, in voorraadbeheer zou dat zomaar een juiste quote kunnen zijn. Al geeft het roepen hiervan natuurlijk geen oplossing.
De kracht van machine learning
Meer dan 50 jaar geleden nam de kennis rond voorraadbeheer toe. De waarde van goed voorraadbeheer bleek enorm te zijn en dat vertaalde zich in heel wat kwaliteitsvolle literatuur rondom voorraadbeheer. Echter, er was geen sprake van computerkracht en oplossingen waren gebaseerd op gezond boerenverstand met daarnaast de nodige wiskundige analyse. Dit had het voordeel dat oplossingen transparant waren, niet veel moeite vroegen, mooie inzichten verschaften en vooral gericht waren op zogenaamde ‘quick wins’. De vraag die de lezende manager zich dan kan stellen; waarom het anders doen?
Wel, er waren veel problemen in die tijd en nog meer problemen die zich vandaag de dag voordoen, die geen oplossing kennen met enkel wiskundige analyse en dat gezond boerenverstand als middel. Ook hadden veel oplossingen vaak strenge assumpties.
De tijd ging voorbij en al snel werd er veel energie gestoken in het zoeken van efficiënte oplossingen om die complexiteit te overwinnen. Vooral omdat een brute-force benadering, waarbij we elke mogelijke uitkomst evalueren en vervolgens de beste kiezen, vanuit een praktisch oogpunt helemaal niet voordelig was. Oplossingen werden, mede door de evolutie in artificiële intelligentie, gezocht in natuurlijke processen. Zo bleek dat onze vriend Charles Darwin met zijn evolutietheorie ook mogelijkheden bood in het benaderen van complexe problemen. Toch was, ook alweer door de groeiende interesse in artificiële intelligentie, machine learning dé techniek die de meeste aandacht kreeg.
Wellicht heeft de lezer al ooit de woorden ‘DBC-systeem’, ‘machine learning’, ‘IBM’ en het jaartal ‘1997’ in éénzelfde zin gehoord of gelezen. Het Deep Blue Chess (DBC)-systeem van IBM leidt het verhaal in dat in 1997 plaats vond. Via machine learning slaagden zij erin om de wereldkampioen schaken te verslaan. Indrukwekkend zou men denken.
Toch zijn er wat haken en ogen aan dit verhaal. Zo werd er door interne medewerkers geroepen dat alle mogelijke combinaties op elk moment werden geleerd door de machine. Dit leunt natuurlijk meer aan tegen een brute-force benadering en zou het vooral indrukwekkend maken als het gaat over de computerkracht die toen werd tentoongesteld. Pittig detail: de wereldkampioen Garry Kasparov (of was IBM nu de wereldkampioen?) eiste een rematch en verdacht de machine van valsspelen. IBM weigerde en ontmantelde de machine vrijwel direct ernaar.
In 2016 kwam er echter wel een heuse tentoonstelling van de kracht van machine learning. Wederom werd er getracht om in een strategisch spel, ditmaal het spelletje ‘Go’, een machine het te laten opnemen tegen de absolute wereldtop. Ook hier slaagden ze in het opzet. Nu, ‘Go’ is anders dan schaken in de zin van het aantal mogelijke combinaties dat het heeft. We gooien er weer een pittig detail tegenaan: ‘Go’ heeft 10^174 mogelijke bordconfiguraties. Om een idee te geven van deze omvang: dit zijn er 1 miljoen biljoen biljoen biljoen biljoen meer dan schaken. Dit maakte een brute-force benadering vrijwel onmogelijk.
Maar wat is dat dan, machine learning? En waarin verschilt het van brute-force en traditionele wiskunde? En waarom en wanneer moeten we het gebruiken? En wat is hier dan precies voor nodig? Dit zijn dingen waarover management iets over moet kunnen roepen.
Machine learning is eerst en vooral verschillend van brute-force of de traditionele wiskundige door de leercomponent.
De leercomponent stelt de machine in staat om verbanden en patronen in een datastructuur te ontdekken zonder het expliciet benoemen ervan. Het leert zowaar de ‘regels’ van het probleem. Dit maakt dat oplossingen ook op nieuwe, ongeziene situaties kunnen werken en we problemen met een hoge, onderliggende complexiteit en een hoge graad van onzekerheid kunnen aanpakken. En laat dat nu net zijn waar voorraadbeheer alsmaar meer mee te maken krijgt.
Het feit dat machine learning dus verschilt van andere oplossingsbenaderingen, creëert nieuwe, waardevolle mogelijkheden.
Dit maakt het mogelijk om huidige technieken in bijvoorbeeld forecasting te verbeteren, maar ook om een heleboel andere vraagstukken aan te pakken waar enkele jaren geleden zelfs nog nooit aan gedacht werd: bijvoorbeeld het benoemen van de werkelijke kost als we een item niet kunnen leveren. Of bepalen wanneer een item precies obsolete geraakt. Maar ook wachttijdvraagstukken in productie management.
Dit toont de mogelijke kracht van machine learning, maar tegelijkertijd ook waar veel managers de bocht missen.
Machine learning is een middel en geen doel
Machine learning is in essentie niet meer dan toegepaste statistiek met de nadruk op het integreren van de huidige computerkracht. En met de toename van mogelijke databronnen, de verdere evolutie in rekenkracht kan machine learning een enorm krachtige tool zijn. Maar dat is het dan ook: het is een middel, “just another tool in the box”. Het mag geen doel worden voor bedrijven óm aan machine learning te doen.
Het doel binnen voorraadbeheer blijft om onzekerheid over al de aanwezige factoren te vertalen naar een optimaal beslissingsproces. Hier kan machine learning een belangrijke rol in spelen, maar dit vraagt om het juiste kader. Wat volgt zijn enkele belangrijke richtlijnen om dit goed te doen.
“Elke voorraadoptimalisatie tool in een dynamische omgeving doet aan machine learning. De vraag die managers moeten stellen aan softwareleveranciers is niet “doen jullie aan machine learning”, maar “waarom en hoe doen jullie aan machine learning”
Eerst en vooral moet er bepaald worden wat de gewenste uitkomst is alvorens naar machine learning te grijpen. Er moet gezocht worden naar die ‘quick wins’ en niet naar een mogelijkheid om machine learning te gebruiken.
We moeten ook uitzoeken waar en hoe machine learning significant beter kan werken dan andere, misschien eenvoudigere oplossingen. “Waarom grijpen we naar machine learning?” is de vraag die in dit stadium gevalideerd moet worden.
“Machine learning kan een zeer krachtige tool zijn in het moderne voorraadbeheer, zolang we het in een optimalisatiekader gebruiken. Dit kader vraagt de juiste kennis, het juiste proces en gedegen data. “
Call to action
Wat moet management nu doen? Management moet vooral zoeken naar mogelijkheden van machine learning binnen hun eigen onderneming. Een goede tip is om te zoeken naar uitdagingen waar het welzijn van het bedrijf erg op steunt, maar er onvoldoende inzichten zijn om een goed antwoord te geven en waar er voldoende gegevens beschikbaar zijn, wat betekent dat er veel voorbeelden zijn van de uitkomst en de evolutie er naartoe in termen van data.
Management moet weten dat machine learning van goudwaarde kàn zijn, indien het goed gedaan wordt. En dit vraagt een heel sterk tactisch niveau, vooral als het gaat over de kennis en ervaring op gebied van machine learning en voorraadoptimalisatie. Een sterke aanbeveling voor management is dan ook om een strategische partner te vinden die veel kennis en ervaring bezit in dit soort technologieën, het vakgebied voorraadoptimalisatie en de nodige randvoorwaarden kent om te begeleiden in deze innovatie, maar ook in toekomstige innovaties. Enkel op die manier kan er een antwoord geboden worden aan de huidige en toekomstige complexiteit dat het concurrentievoordeel van ondernemingen sterk zal beïnvloeden. En ook hier bezorgt onze wijze vriend meneer Darwin ons weer een gouden raad.
“It is not the strongest or smartest of the species that survives but the most adaptable”, Charles Darwin
