Projekteinblick Maschinelle Intelligenz für die Optimierung von Wertschöpfungsnetzwerken Julia Woesthoff | 23. Juni 2021
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Maschinelle Intelligenz für die Optimierung von Wertschöpfungsnetzwerken Projekteinblick Julia Woesthoff | 23. Juni 2021
Use Cases für Künstliche Intelligenz (KI)
Supply Chain Optimierung gehört zu den aussichtsreichsten Use Cases für KI.
KI Use Case: Supply Chain Optimierung
120000 Top 5 KI Use Cases 2025
100000 1. Supply Chain Optimierung
80000
2. Ertragssimulation und –optimierung
3. Predictive Maintenance
60000
98278 4. Optimierung des
40000
53121
Produktentwicklungszyklus
20000
5. Autonomer Transport
11697
0
2020 2025 2030
Bruttoeinfluss von KI auf den Umsatz in M€
Quelle: https://de.appanion.com/usecases
23.06.2021 it‘s OWL Clustermanagement GmbH 2
Projekt MOVE
Herausforderungen
Absatzprognose Teiletourismus Lieferterminprognose Bullwhip-Effekt
?
?
!
?
?
23.06.2021 it‘s OWL Clustermanagement GmbH 3
Projekt MOVE
Projektidee
Absatzprognose Teiletourismus Lieferterminprognose Bullwhip-Effekt
Befähigung von Unternehmen zum Einsatz von KI-Methoden für die Analyse und
?
Optimierung ihrer Wertschöpfungsnetze:
?
▪ Spezifikation von Wirkzusammenhängen und IT-Systemlandschaften
▪ Einsatz von KI-Verfahren zur automatischen Analyse und Optimierung
!
▪ Formalisierung in Vorgehensmodelle und Lösungsmuster
▪ Entwicklung eines Aufgabenmodells für KI im SCM ?
?
Verbesserung der Reduktion von Verbesserung der Analyse des
Absatzprognose Teiletourismus Lieferterminprognose Bullwhip-Effekts
(assoziiert)
23.06.2021 it‘s OWL Clustermanagement GmbH 4
Projekt MOVE
Themengebiete
Supply Chain
Management &
Logistik
it´s OWL
MOVE
Digitalisierung Simulation,
und KI und
Industrie 4.0 Operations
Research
23.06.2021 it‘s OWL Clustermanagement GmbH 5
Projekt MOVE
Lösungsansatz
Einsatz von KI-Methoden für die Analyse und Absatzprognose
Optimierung von Wertschöpfungsnetzen
Anwendungsfälle Teiletourismus
▪ Wirkzusammenhänge in Wertschöpfungsnetzen
▪ Analyse und Nutzenprojektion von KI durch Simulation
Lieferzeitprognose
Datenanalyse
▪ KI-Verfahren zur Analyse und Optimierung Bullwhip-Effekt
(assoziiert)
Daten-Infrastruktur
▪ Beschreibung der IT-Systemlandschaft
Datenquellen
▪ Beschreibung von Datenquellen nach: Kühn, Joppen, Reinhart, Röltgen, von Enzberg,
▪ Kennzahlensysteme Dumitrescu: “Analytics Canvas - A Framework for the
Design and Specification of Data Analytics Projects”.
28th CIRP Design Conference, 2018.
23.06.2021 it‘s OWL Clustermanagement GmbH 6
Projekt MOVE
Projektvorgehen und Zielsetzung
MOVE Aufgabenmodell Arbeitspaket 1
Definition Us e Cas e
Arbeitspaket 2
Lösungs-
komponente Abbildung der Supply
Chain als Basismodell Supply Chain
„Baukasten“
S C-Dom änenm odell
Domänen-
beschreibung
Lösungs- Modellübersetzung & Anwendung des
komponente Abbildung von Daten Pilotierung Machine Learning
Agiler Lösungs-
und IT-Strukturen Algorithmus
Prozess komponente
Mathem atis ch /
Datenm odell logis ches Modell
Datenmodell
Referenzarchitektur ML-Ansatz
Ergebnis-
Monitoring
Arbeitspaket 3 Arbeitspaket 4
Vorgehens m odell
(Use Case übergreifend)
23.06.2021 it‘s OWL Clustermanagement GmbH 7
Projekt MOVE
Zusammenfassung
MOVE – Maschinelle Intelligenz für die Optimierung von Wertschöpfungsnetzen
Eckdaten:
► Lösung konkreter Unternehmensprobleme in
Wertschöpfungsnetzen Gesamtvolumen: 3.177.617 €
Gesamtförderung: 1.970.314 € (~ 62 %)
► Domänenübergreifende Spezifikation von Projektstart: 01.07.2020
Wirkzusammenhängen
Projektdauer: 3 Jahre
Konsortialführung: Fraunhofer IEM
► Einsatz von KI-Verfahren zur automatischen Analyse und
Optimierung Kooperationspartner: 3 Forschungspartner
4 Anwendungspartner
4 assoziierte Partner
► Übertragbare Vorgehensmodelle und Lösungsmuster
23.06.2021 it‘s OWL Clustermanagement GmbH 8
Diebold Nixdorf Maschinelle Intelligenz für die Optimierung von Wertschöpfungsnetzwerken (MOVE) Timo Vondereck | 23. Juni 2021
We Automate, Digitize and Transform the Way People Bank and Shop. 10 | DIEBOLD NIXDORF | DRIVING CONNECTED COMMERCE
Leveraging our Substantial Expertise to Benefit Customers
$3.9
3,000+
patents
10+
million
billion service calls
In revenue1 2+ resolved
each year
million
Installed POS ~22,000
~$133 Top 5 & ATMs2 team members
~14,000
million provider service professionals
~3,000
for R&D1 for ATM & POS
software
software
professionals
1) Reported Financial Results for the 12 months ended Dec 31, 2020 EPOS and Self-Checkout 2020
2) RBR 2020, Global ATM Market and forecasts to 2025; RBR, Global
11 | DIEBOLD NIXDORF | DRIVING CONNECTED COMMERCEA World Leader in More than 100 Countries 12 | DIEBOLD NIXDORF | DRIVING CONNECTED COMMERCE
Diebold Nixdorf Plant Paderborn – Industry 4.0 23.06.2021 it‘s OWL Clustermanagement GmbH 13
Beschreibung der Fragestellung Überblick 23.06.2021 it‘s OWL Clustermanagement GmbH 14
Herausforderungen
Warum Lieferterminprognose?
?
!
KI kann historische Daten
Lieferterminprognosen Präzise Prognosen erfordern
sowie zusätzliche bzw. neue
unterstützten den Vertrieb bei heute hohe manuelle Aufwände
Datenquellen nutzen und
Planungen mit dem Kunden
Aufwände reduzieren
23.06.2021 it‘s OWL Clustermanagement GmbH 15Konkretes Ziel – Lieferterminprognose
Zielbild
Verteilte Standorte Zentrale Datenbasis Externe Datenquellen
?
!
Vertrieb KI
23.06.2021 it‘s OWL Clustermanagement GmbH 16Konkretes Ziel – Lieferterminprognose
Ausgangslage und Nutzenversprechen
Verteilte Standorte Zentrale Datenbasis Externe Datenquellen
Viele Einflussfaktoren auf die Prognose
▪ Unterschiedliche Vertriebswege für Banking und Retail
▪ Seltener auftretende Exoten (Materialien) erschweren Abschätzung
von Materialbeschaffung und Fertigung
▪ Spontane Knappheiten einzelner Materialien nicht immer
vorherzusehen
▪ Verschiedene Transportwege (See-/Luft-/ Landfracht) für die
Auslieferung möglich
▪ Unterschiedliche Regularien je nach Zieldestination zu beachten
Stakeholder
▪ Einzelne Vertriebe und damit unsere Kunden
▪ Vertriebsnahe Organisationen und Partner (zuständig für die
? Vermarktung von Systemen in bestimmten Ländern).
! Nutzenversprechen
▪ Zuverlässige Lieferterminprognose, die eingehalten wird
▪ Tagesaktuelle Einschätzung der Lieferzeiten je Systemkonfiguration
Vertrieb KI
23.06.2021 it‘s OWL Clustermanagement GmbH 17Konkretes Ziel – Lieferterminprognose
Zieldefinition
Verteilte Standorte Zentrale Datenbasis Externe Datenquellen
Ziel
▪ Schnelle Ad hoc Lieferterminprognose beim Kunden
▪ Minimierung manueller Aufwände für Prognosen
▪ Implementierung passender Infrastruktur
▪ Strukturierung möglicher Einflussgrößen
▪ Bildung einer aussagekräftigen Datenbasis
▪ Materialbeschaffung, Fertigung und Auslieferung
▪ Implementierung maschineller Lernverfahren
▪ Bei ungenügender Datengrundlage für Lernverfahren trotzdem eine
Prognose ermöglichen
▪ Extraktion des Expertenwissens
Nicht Ziel
▪ Kein Einfluss auf Terminierung, Produktionssteuerung,
? Personalplanung und/oder Beschaffung.
▪ Keine Berücksichtigung länderspezifischen Stagings (lokale
! Modifikation des Systems und Auslieferung)
▪ Keine Berücksichtigung nachträglicher Änderungen an der
Systemkonfiguration.
Vertrieb KI
23.06.2021 it‘s OWL Clustermanagement GmbH 18Projektverlauf
Bisherige Aktivitäten im Projekt
1 2 3 4 5 6 7
Workshop Workshop Workshop Aktuelle Arbeiten
▪ Definition des Use Cases ▪ Detaillierte Betrachtung ▪ Detaillierte Betrachtung ▪ Aufbereitung des
▪ Initiale Modellierung der der Vertrieblichen Belange der Fertigung Domänenmodells
Domäne bzgl. der Prognose ▪ Verfeinerung der ▪ Integration von
▪ Identifikation erster ▪ Aufnahme von Einflussfaktoren Datenquellen
Einflussfaktoren Anforderungen ▪ Identifikation möglicher ▪ Identifikation
Herausforderungen potentieller
Prognose-
möglichkeiten
Workshop Workshop Workshop
▪ Überarbeitung des ▪ Detaillierte Betrachtung ▪ Detaillierte Betrachtung
Domänenmodells der Materialbeschaffung der
▪ Vervollständigung der ▪ Verfeinerung der Auslieferung/Logistik
Einflussfaktoren Einflussfaktoren ▪ Verfeinerung der
▪ Identifikation möglicher Einflussfaktoren
Herausforderungen ▪ Identifikation möglicher
Herausforderungen
23.06.2021 it‘s OWL Clustermanagement GmbH 19Blick in die Zukunft
Geplanter Projektverlauf
Aufgaben Nötige Aktivitäten
1. Detaillierten Überblick über die relevanten ▪ Ausgiebige Analyse der existierenden Datenbasis je
Prozessschritte (Materialbeschaffung, Fertigung, Prozessschritt
Auslieferung) gewinnen ▪ Vervollständigung des Domänenmodells
▪ Einflussfaktoren mit Datenquellen verknüpfen ▪ Integration der Datenbasis (inkl. potentieller
▪ Qualität der vorhandenen Daten analysieren externer Daten)
▪ „Kopfwissen“ der Domänenexperten extrahieren ▪ Integration des Expertensystems
▪ Potentielle externe Datenquellen identifizieren ▪ Integration maschineller Lernverfahren
und bzgl. Nutzbarkeit analysieren ▪ Implementierung einer Infrastruktur für regelmäßige
2. Implementierung eines Expertensystems (als spätere Datenzugriffe
Fallbacklösung) ▪ Prototypische Einbindung maschineller Lernverfahren
3. Implementierung maschineller Lernverfahren zur ▪ Interpretation der Ergebnisse („verstehen lernen“)
Prognose der Dauer der einzelnen Prozessschritte ▪ Verbesserungspotentiale identifizieren
▪ Berücksichtigung der Datenqualität ▪ Überarbeitung der Lernverfahren
▪ Kopplung mit Expertensystem, falls Datenbasis ▪ Verbesserung der Datenbasis durch interne
ungenügend Anpassungen (falls im Projektzeitrahmen umsetzbar)
4. Zusammenführung der einzelnen Prognosen zu einer
kompletten Lieferterminprognose
23.06.2021 it‘s OWL Clustermanagement GmbH 20Vielen Dank für Ihre
Aufmerksamkeit! Julia Woesthoff
Timo Vondereck
Haben Sie noch Fragen?Sie können auch lesen
