De impact van Artificial Intelligence op de logistiek
Het laatste jaar heeft iedereen de term Artificial Intelligence (AI), Kunstmatige Intelligentie of Machine Learning wel ergens voorbij zien komen. Tegelijkertijd zijn er maar weinig mensen die het vakgebied echt begrijpen. Er wordt geschat dat er wereldwijd slechts circa 10.000 experts op dit vakgebied zijn. Voor meer dan 95% betreft dit academici dan wel researchers in dienst van de grote technologiebedrijven zoals Facebook, Google, Apple, Amazon en IBM. Aangezien AI voor de toekomstige concurrentiekracht van bedrijven en landen als erg belangrijk wordt gezien, zijn er al discussies bij de Amerikaanse overheid om overnames van Amerikaanse AI-gerelateerde bedrijven door Chinese bedrijven aan banden te leggen.
Wat is Artificial Intelligence nu eigenlijk?
Artificial Intelligence wordt in het Nederlands kunstmatige intelligentie genoemd. Het is een vakgebied dat al 40 jaar bestaat en zijn ups en downs heeft gehad. Van 2000 tot en met 2010 was er zelfs sprake van een zogenaamde “AI-winter”. De aandacht voor AI was toen tot een nulpunt gedaald. De laatste jaren is Artificial Intelligence (AI) echter hot. Waarom? Daar komen we zo meteen op.
AI is een verzamelnaam voor meer dan 1000 verschillende wiskundige algoritmen. Deze algoritmen krijgen namen als Support Vector Machine, Random Trees, K-Means, Neural Networks, LSTM en vele andere namen die gegeven zijn aan specifieke algoritmen. Achter elk van deze algoritmen gaan wiskundige formules schuil die vaak zo complex zijn dat de meerderheid van de mensen ze niet begrijpt. De toepassing van AI-algoritmen is daardoor de afgelopen 40 jaar met name beperkt gebleven tot research in de academische wereld. Pas sinds 3 à 4 jaar zien we concrete toepassingen van AI-algoritmen bij bedrijven. Denk aan zelfrijdende auto’s (AI-algoritmen verwerken data uit sensoren en laten de auto automatisch handelen), Amazon Alexa/Google Home/Apple Siri (spraakherkenning en automatisch antwoord door AI-technologie), Chatbots (het begrijpen van taal en automatisch antwoorden door AI-technologie) en vele andere innovatieve toepassingen die de afgelopen jaren zijn gelanceerd.
Machine Learning algoritmen zijn een subset van de AI-algoritmen. Deze Machine Learning algoritmen (die ook in vele verschillende vormen beschikbaar zijn) zijn in staat om “zelf” patronen te leren ontdekken in data. Hoe dat precies werkt, zullen we hieronder laten zien.
De zogenaamde Deep Learning algoritmen (de eigenlijke naam is neurale netwerken) zijn vervolgens weer een subset van Machine Learning algoritmen. Veel innovaties van de afgelopen paar jaren gebruiken Deep Learning algoritmen, denk dan aan de zelfrijdende auto’s, Amazon Echo en Chatbots. Hieronder zal de algemene werking van deze Deep Learning algoritmen worden uitgelegd. Vergeet echter niet dat de scope van AI dus veel breder is dan alleen Deep Learning algoritmen. In de praktijk zullen de overige AI-algoritmen namelijk breder toepasbaar zijn in de wereld van supply chain, met name waar het echte optimalisatievraagstukken betreft. Deep Learning wordt met name veel toegepast in situaties waarin beeld- en geluidherkenning een rol speelt.
In de praktijk zien we overigens ook veel situaties waarin een combinatie van verschillende AI-algoritmen wordt ingezet.
Hoe werkt Deep Learning?
Deep Learning algoritmen kunnen onderverdeeld worden in twee verschillende categorieën:
- Supervised Learning
- Unsupervised Learning
Bij “Supervised Learning” algoritmen is er sprake van historische input data en tegelijkertijd de daadwerkelijke bijbehorende output data. Het algoritme gaat via zijn wiskundige formules (gebaseerd op een neuraal netwerk) de input data vertalen in output data. Tegelijkertijd weet het algoritme wat de daadwerkelijke output data had moeten zijn. Op basis van de discrepantie tussen de berekende output data en de daadwerkelijke output data, kan het algoritme daardoor zijn parameters zelf aanpassen zodat de volgende keer bij de gegeven input wel de gewenste output wordt berekend. Veruit het gros van de praktische toepassingen van Deep Learning betreft “Supervised Learning”.
Bij “Unsupervised Learning” algoritmen heeft het AI-model geen daadwerkelijke output data nodig. Wel heeft het AI-model dan een “live” win-loss functie nodig, het moet real-time kunnen bepalen of iets goed of slecht is (het acteert als het ware rechtstreeks op gebeurtenissen in zijn omgeving). Unsupervised Learning algoritmen worden bijvoorbeeld toegepast bij het spelen van computerspellen door AI-modellen (waarbij het meteen duidelijk is of het wel of niet Game-Over is). De meest geavanceerde zelfrijdende auto’s maken ook gebruik van Unsupervised Learning.
In onderstaande figuur staat bijvoorbeeld een grafische weergave van een bekend Unsupervised Learning model dat alle Atari-spellen kan spelen.
Links in het model ziet u de input data. In dit specifieke geval worden er twee plaatjes van het computerscherm als input gegeven. Waarom 2 plaatjes? Omdat het AI-model dan de snelheid van de bewegende delen op het computerscherm kan bepalen.
Aan de rechterkant van het model ziet u de output data. In dit specifieke AI-model betreft de output alle mogelijke acties die met de Atari-joystick genomen kunnen worden, dus concreet alle mogelijke combinaties van hendel en button op de joystick.
In het midden van het model ziet u de zogenaamde “hidden layers”. Deze bestaan uit meerdere lagen van allerlei neuronen (naar analogie van hoe onze eigen hersenen werken). Deze neuronen zijn eigenlijk mathematische formules met elk bepaalde kenmerken/parameters. Het geheim (en tevens de complexiteit) van Deep Learning zit hem eigenlijk in deze hidden layers. Alles wat het AI-model “leert” wordt opgeslagen in de hidden layers.
Het neurale netwerk krijgt vervolgens trainingdata (of zoals in het geval hierboven speelt het een Atari spel en ontvangt het dus de twee plaatjes van het scherm). Deze plaatjes worden vervolgens als input in het AI-model gestopt. Het AI-model past daar alle calculaties in de hidden layers op toe en vervolgens wordt er een output berekend. In het geval van Supervised Learning hebben we de output data en kunnen dus een discrepantie berekenen tussen de gewenste output data en de berekende output data. In het geval van Unsupervised Learning leert het AI-model “live” van zijn omgeving. Als het game-over is in het spel, weet het AI-model dat het iets verkeerds heeft gedaan. Op basis van de berekende discrepantie dan wel het “live” leren van zijn fouten of goede stappen, voert het AI-model vervolgens de zogenaamde “backpropagation” uit. Hierbij wordt er eigenlijk teruggerekend in de hidden layers om zodoende de parameters in de hidden layers zodanig aan te passen dat het de volgende keer wel goed gaat.
In het geval van de Atari-spelcomputer leert het AI-model op deze manier elk willekeurig Atari-spel te spelen (zonder de specifieke regels van het betreffende Atari-spel te kennen). Binnen 4 à 5 uur spelen kan het AI-model op deze wijze bijvoorbeeld Atari Breakout beter spelen dan welk mens dan ook. Eigenlijk leert het AI-model op dezelfde manier een spel spelen zoals kinderen op een iPad of computer vaak verbazend snel een spel leren spelen.
Waar kan het toegepast worden in de wereld van supply chain?
Eigenlijk staan we pas aan de vooravond van het ontdekken van de mogelijke toepassingen van AI. Met behulp van AI worden dingen mogelijk die tot dusver gewoon niet mogelijk waren. Dit betekent dat het ook veel ruimte creëert voor innovatieve toepassingen. Binnen Fontys Hogescholen zijn we samen met het bedrijfsleven bijvoorbeeld bezig met een project om te ontdekken waar we AI-technologie binnen de supply chain wereld kunnen toepassen. Enkele toepassingen die we tot dusver al zijn tegengekomen:
- Optimalisatie van planningsprocessen
- Herkennen van de kwaliteit van producten
- Voorraad optimalisatie
- Optimalisatie van het strategisch supply chain netwerk
- Voorspellen van de vraag naar producten
- Voorspellen van ingrediënten prijzen
Eigenlijk alle processen waarin optimalisatie dan wel sensoren (camerabeelden, geluid) een rol spelen, kan AI een belangrijke rol spelen. In de wereld van Internet of Things (IoT) bijvoorbeeld is AI de ontbrekende schakel om ook daadwerkelijk iets met alle verzamelde data van de sensoren te kunnen doen.
In een volgende blog leggen we uit hoe we een combinatie van verschillende AI-technologieën concreet hebben toegepast bij de transportplanning van een grote logistieke dienstverlener.
Deze blog is geschreven door Roy Lenders, Lector Supply Chain bij de Fontys Hogescholen, eigenaar van Digital Operating Models B.V. (een snelgroeiend Europees ecommerce bedrijf met onder andere www.topvitamins.nl). Samen met Marc Jacobs is hij oprichter van Genzai: genzai.nl, een advies- en implementatiebureau rondom Kunstmatige Intelligentie.
