Wie unterstützt KI bei der Sicherstellung der Lieferkette?

Unvorhergesehene Ereignisse können eine funktionierende Lieferkette beeinträchtigen oder sie sogar ganz stilllegen. Regionale und globale Entwicklungen deuten darauf hin, dass die Zahl der unliebsamen Überraschungen eher zunehmen dürfte. Eine intakte Lieferkette ist für die eigene Wettbewerbsfähigkeit daher von immenser Bedeutung. Diese Widerstandsfähigkeit einer Lieferkette lässt sich mit künstlicher Intelligenz stärken.

Es gibt Unsicherheiten aufgrund disruptiver Ereignisse wie Naturkatastrophen oder Konflikte, die von saisonalen Bedingungen oder unerwarteten Trends abhängen. In der Folge kann es zu Lieferschwierigkeiten aufgrund von Kapazitätsengpässen beim Lieferanten kommen, sodass die Lieferzeiten plötzlich schwanken und Produkte nur verzögert oder in Teilmengen ausgeliefert werden können. Nicht zu vergessen sind auch die Probleme, die während des Transports auftreten können. Besonders der Ukraine-Krieg verschärft Grenzkontrollen oder gar -schließungen und damit Lieferengpässe.

Ein wichtiges Merkmal für die Widerstandsfähigkeit einer Lieferkette sind Prognosen. Eine Vorhersage, wie sich Kund*innen zukünftig verhalten, unterstützt die Planung darin, Bestellungen rechtzeitig zu ordern oder Produktionsprozesse anzupassen. Solche Prognosen lassen sich mithilfe künstlicher Intelligenz hervorragend erstellen. Die Nachfrageunsicherheiten hängen von vielen Variablen ab, die bereits aus der Vergangenheit bekannt sind. Das Wetter, die Jahreszeiten oder die wirtschaftliche Entwicklung können eine große Rolle spielen. Außerdem kennen Unternehmen häufig Zusammenhänge zwischen der Nachfrage und anderen externen Einflussgrößen. Es existiert also eine Historie für Bedarfe und für die Ausprägung bestimmter Variablen. Nun wird durch Machine Learning der Zusammenhang zwischen den Eingabe- und den Ergebnisgrößen sichtbar.

Die Prognoseergebnisse können für eine Bestands- und Bestelloptimierung oder für die Produktionsplanung oder Reihenfolgeoptimierung von Aufträgen genutzt werden. Richtig eingesetzt tragen all diese Werkzeuge dazu bei, eine Supply Chain dauerhaft zu stärken.

In der Vergangenheit versuchten Expert*innen, Lösungen zu entwickeln, die auf Augenhöhe mit den Menschen schwierige Aufgaben übernehmen sollten. Aufgrund der mit dieser sogenannten starken künstlichen Intelligenz verbundenen Komplexität waren diese Versuche allerdings nicht sehr erfolgreich. Der Fokus liegt heute deshalb auf einer schwachen künstlichen Intelligenz, also auf der Entwicklung von Lösungen, die konkrete Anwendungsprobleme bewältigen und das menschliche Denken und die technischen Anforderungen in Einzelbereichen unterstützen können. Dies wirkt sich positiv auf die Rechenkapazitäten aus und eröffnet dadurch völlig neue Anwendungsmöglichkeiten. Ein Großteil der Rechenprozesse wird mittlerweile in der Cloud abgewickelt. Unternehmen können so direkt auf die Rechenkapazitäten zugreifen und müssen keinen eigenen Serverpark vorhalten.

Spezialist*innen prüfen im sogenannten Backtest die Historie von Variablen über einen Zeitraum von mehreren Jahren. Beispielsweise dauert es drei Jahre, um Zusammenhänge zu lernen, und weitere zwei Jahre, um das erlernte Ergebnis zu testen. Die Länge dieses Zeitraums und damit auch der Umfang der Datenbasis hängen aber besonders vom Prognosezeitraum ab. Für einen Vorhersagehorizont von einer Woche reicht eine Bedarfshistorie von einem Jahr. So entsteht ein Prognosemodell, mit dem sich – basierend auf den Variablen – bei fortlaufender Aktualisierung Vorhersagen für die Zukunft ableiten lassen. Bedarfsprognosen können dann etwa kundenseitige Nachfrageunsicherheiten reduzieren und Bestellmengen optimieren. KI-Algorithmen stärken auf vielfältige Weise die Anpassungsfähigkeit einer Lieferkette.

Häufig stehen nicht alle Daten zur Verfügung, die für eine Problemlösung erforderlich sind. Dann gilt es, eine Lösung zu finden, um die fehlenden Informationen abzuleiten. Typischerweise besteht dieses Problem bei Artikeln, die gerade ins Sortiment aufgenommen wurden und für die es noch keine Nachfragehistorie geben kann. Eine Möglichkeit ist, die Daten ähnlicher, seit längerem vorhandener Artikel als Vergleichsgrößen heranzuziehen und ihre Historie nach einigen Wochen mit den Verkaufsdaten zu dem neuen Artikel zu vergleichen. Je länger dieser Vergleich läuft und je häufiger die Berechnungen aktualisiert werden, desto genauer wird die Prognose.

Nach der Datenbereinigung und Analyse wird ein individuelles mathematisches Modell benötigt, um die Prognosen zu erstellen. Die Entwicklung solcher Modelle ist komplex und erfordert hochqualifizierte Mitarbeiter*innen. Microsoft bietet vorgefertigte Dienste an, mit denen die Entwickler*innen schnell auf ausgereifte, „einsatzfertige“ Modelle zugreifen und die Entwicklung von KI-Lösungen beschleunigen können. Die Verfahren und Module lassen sich einzeln und kombiniert einsetzen und werden mit individuellen Parametern konfiguriert. Hierfür ist jedoch Erfahrungswissen gefragt, um möglichst genaue Prognoseergebnisse zu erzielen.