Machine learning moet Slim4 nog slimmer maken
Slimstock licht strategie rond artificiële intelligentie toe
Vandaag lijkt artificiële intelligentie alomtegenwoordig. Toch is er vaak nog werk aan de winkel om toepassingen matuur te krijgen. Maar daar wordt hard aan gewerkt, zo blijkt uit ons gesprek met Steven Pauly, research scientist bij Slimstock. De aanbieder van oplossingen voor voorraadbeheer en forecasting zet hard in op de ontwikkeling van machine learning toepassingen voor dit vakgebied. Het is echter ook belangrijk dat bedrijven zichzelf klaarstomen om dergelijke oplossingen volledig tot hun recht te laten komen.
De groeiende kracht van computers maakt toepassingen op basis van artificiële intelligentie (AI) steeds interessanter. Bovendien helpt de toenemende berg data die via verschillende kanalen binnenstroomt om AI-oplossingen steeds beter te voeden. De laatste jaren is de populariteit van artificiële intelligentie dan ook in een stroomversnelling terechtgekomen.
Onder die artificiële intelligentie valt ook machine learning. Machine learning is de studie van algoritmen om zo goed mogelijk specifieke taken uit te voeren, door middel van data. Hoe meer data je aan het algoritme kunt voeden, hoe beter dat zal worden.
Steven Pauly: “Ondertussen bestaan er al heel wat mooie toepassingen op basis van machine learning. Denken we maar aan gezichtsherkenning en zelfrijdende voertuigen. Maar dat zijn taken die we tot nu toe niet konden. In ons vakgebied ligt het anders. De laatste zeventig jaar is voorraadbeheer sterk ontwikkeld, wat maakt dat er al veel oplossingen bestaan om het goed te doen. De vraag die dan rijst is waarom we nu naar machine learning zouden grijpen. Toch hebben we ons al snel gerealiseerd dat machine learning een grote toegevoegde waarde kan betekenen als het op voorraadbeheer en forecasting aankomt. Zeker als je weet dat de complexiteit van logistiek nu enorm veel groter is dan twintig jaar geleden, zijn veel bestaande oplossingen suboptimaal. Een optimale oplossing vraagt dan ook een techniek die die verhoogde complexiteit aankan. Denken we maar aan de ingewikkelde realiteit van bedrijven die een magazijn met centrale voorraad hebben, honderd winkels en dan nog een webshop die bediend moet worden. Die complexiteit maakt het net heel interessant om er machine learning op los te laten. Daarom hebben we tegenwoordig een heel team experten die zich over de meerwaarde van artificiële intelligentie buigen.”
Zoektocht naar de juiste toepassingen
Omdat Slimstock het potentieel van machine learning hoog inschat, heeft de organisatie daar zelfs een hele strategie rond uitgebouwd. Daarbij zoekt het softwarebedrijf uit in welke gevallen machine learning toegevoegde waarde kan hebben in de praktijk en hoe een en ander kan worden opgezet zodat klanten er optimaal baat bij hebben. Op het moment dat er een interessante toepassing naar boven komt drijven, kan die in Slim 4 worden geïntegreerd.
S. Pauly: “Op het vlak van machine learning willen we binnen ons vakgebied toonaangevend worden. Maar wat we in geen geval willen, is zomaar machine learning in de software duwen, zonder dat daar vooraf het nodige denkwerk aan te pas is gekomen. Achter elke oplossing steekt dan ook een heel proces waarbij we de belangen van de klant op lange termijn meenemen. Als we niet zeker zijn of de oplossing wel optimaal is of als we menen dat klanten er nog niet klaar voor zijn, dan wordt het een ‘no go’.”
Intussen zitten er al een paar toepassingen die beperkt gebruikmaken van machine learning in Slim 4, met name de classificatie van vraagpatronen en het differentiëren van service levels. Maar de komende jaren wil Slimstock nog veel meer registers met machine learning toepassingen opentrekken. Tegen volgend jaar wil de organisatie al een belangrijk aantal ontwikkelingen op het vlak van machine learning in Slim 4 gerealiseerd hebben.
Waar Slimstock zich momenteel bijvoorbeeld op focust, is de waarde van machine learning bij promotieforecasting. Naast het voorspellen van promoties houdt dat ook het promotiebeleid in. Dat beleid helpt een bedrijf te weten te komen waar de promotie het meest kans op slagen heeft en welke vorm een promotie het best aanneemt, zoals ‘één kopen, één gratis’ of een bepaalde korting. Verder onderzoekt Slimstock wat machine learning bij de inschatting van productintroducties kan betekenen. Een goede inschatting over wat een product in de markt zal doen, is cruciaal om goed voorraadbeheer te kunnen doen en levert nog te veel problemen op in de praktijk.
Een derde project dat loopt, focust op afvalreductie binnen het segment van de verse voeding. “Daarbij streven we ernaar om met name het overschot aan bederfbare producten in supermarkten in te dijken door middel van een goed voorraadbeheer. Daarbij bestaat de kunst er uiteraard in het evenwicht te vinden tussen een optimale beschikbaarheid en zo weinig mogelijk afval.”
S. Pauly: “Tijdens elk van die onderzoeken zetten we eerst onze academische pet op om vervolgens de praktische pet boven te halen, waarbij we vooral de commercieel-technische haalbaarheid en de belangen van onze gebruikers voor ogen houden. Maar altijd trachten we een zo robuust mogelijke oplossing in het achterhoofd te houden. Zo zullen we elke anomalie onder de loep nemen en structureel bijhouden, zodat we in een later stadium de software op de gepaste manier kunnen laten reageren op die specifieke anomalie. Op die manier maken we het algoritme telkens iets beter. We zullen ook steeds bekijken wat de meest bepalende factoren met invloed zijn. Als we het over roomijs hebben, dan zal uiteraard het weer een grote rol spelen bij de forecast. Op die manier kunnen we werken naar een betrouwbare oplossing, zonder dat het aantal factoren dat je moet meenemen de pan uit swingt.”
Daarnaast heeft Slimstock intussen met een vijftal grote bedrijven bedrijfsspecifieke projecten met de focus op machine learning opgezet. Ook op die manier wordt de expertise continu aangescherpt.
Data, knowledge & mindset
Om de genoemde machine learning oplossingen te kunnen gebruiken, zullen de achterliggende algoritmes weliswaar een goede voedingsbodem moeten krijgen.
S. Pauly: “Om te beginnen zijn er dus data nodig. Veel data. Denken we maar aan Google, die je om de haverklap bestookt met zogenaamde captcha’s, waarbij je bijvoorbeeld verkeerslichten moet aanvinken. Dat doet Google omdat het zijn zinnen heeft gezet op de ontwikkeling van oplossingen voor zelfrijdende auto’s. Door dagelijks een massa mensen captcha’s voor te schotelen, leert het algoritme zienderogen bij. Ook een bedrijf als Amazon werkt al jaren aan het structureel verzamelen van een massa gegevens en beschikt daarbij over een leger data scientists. Van die inspanningen plukt de organisatie nu de vruchten bij het opzetten toepassingen op basis van artificiële intelligentie.”
Bij heel wat bedrijven is de hoeveelheid data evenwel nog te beperkt, niet betrouwbaar en/of te weinig gestructureerd om statistisch de juiste beslissingen te kunnen nemen. “Daar moeten bedrijven dringend werk van gaan maken, willen ze de boot niet missen. Hoe vlugger hoe beter uiteraard, maar als uiterste deadline zou ik vier à vijf jaar als deadline vooropstellen”, zegt Steven Pauly. “Wie op dat moment noodgedwongen moet passen voor machine learning, zou het wel eens heel moeilijk kunnen krijgen om te overleven.”
Daarnaast schort het binnen bedrijven nog te vaak aan tactische kennis om de resultaten van machine learning technieken goed te interpreteren. “Voor alle duidelijkheid, machine learning maakt de menselijke grijze massa niet overbodig. Aan het stuur van dergelijke oplossingen moet iemand zitten die de resultaten goed kan analyseren. Die kennis is momenteel nog te dun gezaaid. Met andere woorden: terwijl machine learning sterk is in het verwerken grote hoeveelheden data en het oplossen van complexe vraagstukken, hebben bedrijven het net moeilijk om die data aan te leveren en de resultaten goed te interpreteren. Met ons kennisplatform Slimstock Academy, waarbij we professionals intensieve trainingen op verschillende niveaus geven, willen we in de toekomst ook de kennis rond de werking van machine learning bij onze klanten aanscherpen.”
Om een goede interpretatie mogelijk te maken, wil Slimstock vermijden dat zijn machine learning toepassingen al te veel een black box worden. “Oplossingen op basis van machine learning moeten – zeker in de context waarbinnen onze klanten werken – intuïtief en begrijpelijk zijn, zodat gebruikers uiteindelijk de juiste beslissingen kunnen nemen”, licht Steven Pauly toe. “Gemakkelijk is dat niet, want er kunnen conflicten optreden tussen wat intuïtief en statistisch de beste keuze is. Ik geef een voorbeeld. Stel dat je meedoet aan een spelprogramma en je krijgt drie gesloten deuren voor je, waarbij achter één deur de hoofdprijs zit. Je kiest een deur en daarna zal de presentator – die precies weet wat achter elke deur zit – een van de ander twee deuren openen. Uiteraard zal dat die deur zijn waar de hoofdprijs niet achter zit. Hij vraagt je dan: “Wil je nog wisselen?” Veel mensen zouden denken dat het niet uitmaakt, maar aan de hand van die nieuwe informatie en wat statistiek, weet je dat de kans om te winnen 67% wordt als je wisselt van deur en dus je oorspronkelijke keuze laat varen.”
“Wij moeten de bedrijven waarmee wij werken er dan ook bewust van maken dat intuïtie niet altijd de beste raadgever is”, besluit Steven Pauly. “Data, knowledge & mindset, dat zijn naar onze mening de belangrijkste aspecten waar bedrijven nu aandacht aan moeten besteden om succesvol met de toekomstige oplossingen op basis van machine learning van wal te kunnen steken.”
TC
