Schwache KI, starker Effekt

Resiliente Lieferkette durch Prognosen

Unvorhergesehene Ereignisse können die Lieferkette beeinträchtigen oder sie sogar lahmlegen. Da regionale bis globale Entwicklungen darauf hindeuten, dass die Zahl meist unliebsamer Überraschungen eher zunehmen dürfte, steigt auch die Bedeutung der Resilienz einer Lieferkette. Diese Widerstandsfähigkeit lässt sich mit künstlicher Intelligenz stärken.
Bild: ©Kovalenko I/stock.adobe.com

Lieferketten lassen sich als Netzwerke und Organisationen betrachten, die über vor- und nachgelagerte Verbindungen an verschiedenen Prozessen und Tätigkeiten der Wertschöpfung in Form von Produkten und Dienstleistungen beteiligt sind. Sie reichen von den Rohstofflieferanten bis zu den Endkunden. Unter Resilienz ist in diesem Kontext zuverstehen, dass Lieferketten Störungen, Änderungen und Unterbrechungen flexibel aufnehmen, sich an sie anpassen und ihren ursprünglichen Zustand wieder herstellen können. So sorgt die Resilienz dafür, dass Aufträge trotz unvorhergesehener Ereignisse vertragsgemäß erledigt werden und Lieferketten ohne Leistungseinbußen oder im Idealfall mit verbesserter Leistung weiter operieren.

Angebot und Nachfrage

Ein gutes Beispiel bot zum Beginn der Covid-19-Pandemie vor dem ersten Lockdown die sprunghaft angestiegene Nachfrage nach Toilettenpapier. Hier gab es unvorhersehbare Veränderungen auf der Kundenseite, auf die von den produzierenden Unternehmen rein planerisch kaum adäquat reagiert werden konnte. Ein anderes Beispiel wäre ein Handelsunternehmen, das etwa Zubehörteile oder Fertigprodukte bei Lieferanten bestellt und zum Verkauf anbietet. Hier gibt es eine Kundenseite, auf der eine Nachfrageunsicherheit besteht. Es gibt weitere Unsicherheiten aufgrund disruptiver Ereignisse wie Naturkatastrophen sowie Unsicherheiten, die von saisonalen Bedingungen oder neuen Trends abhängen. Dazu gesellen sich Lieferunsicherheiten. So können Lieferanten wegen Kapazitätsengpässen Lieferschwierigkeiten haben, sodass die Lieferzeiten plötzlich schwanken und Produkte nur verzögert oder in Teilmengen ausgeliefert werden können. Nicht zu vergessen sind auch die Probleme, die beim Transport auftreten können. Grenzkontrollen oder gar -schließungen im Zuge der Pandemie oder des Brexits sind aktuelle Beispiele.

Schwache KI wirkt bereits

In der Vergangenheit versuchten Experten häufig, große Lösungen zu schaffen, indem sie Computersysteme schufen, die auf Augenhöhe mit Menschen schwierige Aufgaben übernehmen sollten. Wegen der mit dieser sogenannten starken künstlichen Intelligenz verbundenen Komplexität, waren diese Versuche allerdings nicht sehr erfolgreich. Daher ist der Fokus heute eher auf die schwache künstliche Intelligenz gerichtet, also auf die Entwicklung von Computersystemen, die konkrete Anwendungsprobleme bewältigen und das menschliche Denken und die technischen Anforderungen in Einzelbereichen unterstützen können. Das hat in den letzten Jahren erheblich an Bedeutung gewonnen, da einmal die Rechenkapazitäten enorm zugenommen haben und dadurch völlig andere Berechnungsmöglichkeiten bestehen. Zum anderen besteht heute eine wesentlich stärkere Vernetzung über hoch qualitative Internetverbindungen, sodass große Teile der Rechenprozesse in der Cloud ablaufen können. Das flexibilisiert die Berechnungsmöglichkeiten enorm. Zumal so auch Unternehmen auf die Rechenkraft zugreifen können, die keinen eigenen Serverpark betreiben.

Prognosen im Hintergrund

Einen wichtigen Teil der Resilienz einer Lieferkette stellt heute die Prognose dar. Etwa eine Prognose in die Zukunft, wie sich die Kunden eines Unternehmens verhalten, wie sie Produkte in naher Zukunft kaufen und wie das Unternehmen daraufhin agieren und reagieren kann, etwa indem es Bestellungen rechtzeitig ordert oder storniert. Auf diese Weise können Unsicherheiten oder Störungen nicht gänzlich ausgeschaltet, aber die Resilienz einer Supply Chain doch erheblich gesteigert werden.

Seiten: 1 2 3Auf einer Seite lesen

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige