AI in productie en logistiek

AI is alle dagen in het nieuws. De ene na de andere doorbraak wordt gemeld. Maar, wat kan een productie- of logistieke organisatie hiermee? In de praktijk nog weinig, maar er zijn zeker kansen.

Wat is AI?

AI staat voor Artificial Intelligence. Dat is kunstmatige intelligentie, maar dat is niet helemaal waar. Beter zou het zijn ‘Afgeleide Intelligentie’.  We hebben allemaal wel eens wat getest met ChatGPT. Op bing.com kunt u vragen stellen die ChatGPT beantwoordt. ChatGPT is feitelijk een enorme database met documenten. Met een vraag  gaat ChatGPT naar documenten zoeken die op die vraag van toepassing zijn. Dat zijn er mogelijk vele duizenden. ChatGPT zal met deze bestanden en een taalmodel (Nederlands, Engels,..) een antwoord formuleren wat feitelijk een slimme samenvatting is van de geselecteerde  bestanden. Het snel opzoeken, samenvatten en het in correcte zinnen omzetten in de kern van ChatGPT. ChatGPT bedenkt dus zelf niets, maar vat de gevonden bestanden heel snel samen. Stel dat er tegenstrijdigheden in de data zitten dan zal ChatGPT het meest voorkomende item kiezen. Mede door deze opzet kost het beantwoorden van een vraag heel veel rekenkracht, zodat AI bij grote volumes kostbaar is.

Naast ChatGPT zijn er vergelijkbare  toepassingen met afbeeldingen en video’s. Daar zitten ook miljarden bestanden achter en is het taalmodel vervangen door een beeldmodel. Medische toepassingen bij het interpreteren van bijvoorbeeld röntgenbeelden zijn veelbelovend. Het voordeel van AI is dat het snel is en onvermoeibaar, en interpretaties maakt die voor mensen te complex zijn of slechts na veel oefenen bereikt worden. Het nadeel van deze systemen is dat er zeer veel bestanden als basis nodig zijn om een database met voldoende kennis op te bouwen. En als er data ontbreekt, dan zal de AI dit niet in de analyse kunnen meenemen.

AI of algoritmes?

Naast AI worden algoritmes vaak als AI bestempeld. Denk aan een routeplanner die rekening houdt met files of vertraging. Dat is geen echte AI maar een zoekmethode om op basis van data (bijvoorbeeld wegen) en aanvullende data (maximum snelheden, vertragingen) de best mogelijke route zoekt uitgaande van uw doelstelling (bijvoorbeeld de snelste route of de kortste route). Het verschil tussen een algoritme en echte AI is dat bij een algoritme het proces om tot een oplossing te komen te vinden is op basis van de uitvoeringsstappen. Een fout in het algoritme is meestal goed te vinden en te herstellen. De stappen bij een AI oplossing zijn statistisch bepaald, en niet een door een mens vastgesteld oplossingspatroon. Foute antwoorden uit een AI oplossing zijn dan ook zelden makkelijk te herleiden.

AI in de praktijk

Veel leveranciers melden dat hun product nu werkt met AI. In detail blijkt dat het vaak niet om kernprocessen gaat, maar om bijvoorbeeld slimme helpfuncties of klantenservice. Dat is handig maar uw kernproces wordt er niet beter of slimmer van.

Een echte AI-implementatie in een productiebedrijf of logistieke organisatie is nog zeer zeldzaam. Stel dat u 1000 productieplannen in een AI systeem stopt en dan verwacht of het volgende plan door het AI systeem gegenereerd kan worden. Wellicht is dat mogelijk, maar 1000 productieplannen is mogelijk nog te krap voor een goed advies. Zijn er geen bijzonderheden in de input dan zal het AI-systeem waarschijnlijk met een behoorlijk goed antwoord komen: het is immers (ongeveer) eerder gebeurd en het AI-systeem zal dat als basis voor het advies gebruiken. Indien er nieuwe aspecten zijn (bijvoorbeeld nieuwe machines, nieuwe producten) dan zal het maar zeer de vraag zijn of het AI-systeem met een goed advies zal komen.

Algoritmes bieden soelaas

Bij een eenvoudige situatie waarin u met een beperkt aantal machines een beperkt aantal producten maakt, dan zal het zowel handmatig als met AI of een algoritme makkelijk zijn een vrijwel perfecte planning te maken. Echter in een situatie waarin u verschillende machines heeft, verschillende mensen om deze te bedienen, meerdere producten, meerdere grondstoffen, productvariaties, halffabricaten, tussentijdse opslag, veiligheidsvoorraden etc dan heeft u een multidimensionaal algoritme nodig om een slimmere productieplanning te maken. Bij een multidimensionaal probleem heeft u meerdere variabelen en meerdere doelstellingen (bijvoorbeeld maximale tijd dat mensen kunnen werken, beperken van productiekosten, beperken van tussenvoorraden etc).

Een voorbeeld uit de logistiek is als u verschillende typen vrachtauto’s heeft met verschillende kenmerken, verschillende chauffeurs, lading met specifieke eisen aan vrachtauto’s, tijdvensters, wettelijke bepalingen etc. Als u in beide voorbeelden alle mogelijke opties zou uitschrijven dan zijn er vaak vele miljarden mogelijkheden. Zelfs met supercomputers zou het doorrekenen van deze enorme reeks maanden duren.

Nieuwe algoritmes (zoals het NSGA-II algoritme) zoeken zeer gericht via een iteratieve methode in een situatie met vele variabelen en meerdere doelstellingen de meest optimale invulling. Daardoor is in korte tijd al een zeer goede oplossing gevonden en kan het algoritme door langer te draaien verder zoeken naar nog betere oplossingen. Praktijk-implementaties met een dergelijk algoritme om de meest efficiënte belevering van bouwmarkten te bepalen werkt uitstekend en onverwacht snel.

Er bleken in deze situatie 8 voorwaarden te zijn om een correcte planning te maken. Het is opvallend dat in deze planning harde en zachte voorwaarden zijn: een harde voorwaarde is maximale tijd die een chauffeur mag rijden, of het type rijbewijs dat hij nodig heeft. Zachtere voorwaarden zijn de mate van op tijd komen, de tijd dat een chauffeur wil vertrekken of een voorkeur voor een type werk. De harde voorwaarden moeten strikt worden nageleefd, bijvoorbeeld door wettelijke eisen. De zachtere eisen worden zoveel mogelijk ingevuld maar dit hoeft niet altijd te lukken. Zo kan het algoritme ingesteld worden op een beperkte mate van te laat komen mits de overall kosten daardoor voldoende dalen.
De resultaten van een dergelijk algoritme is dan ook geen perfecte planning, maar de minst slechte planning – en de best mogelijke planning volgens de randvoorwaarden.

Ten opzichte van een door mensen gemaakte planning blijkt dat mensen een complex vraagstuk opdelen in kleinere delen, deze delen oplossen en dan alles samenvoegen. Het algoritme neemt het gehele probleem als uitgangspunt en vindt daardoor oplossingen die mens niet snel zou overwegen. Een kleine wijziging in de voorwaarden leidt tot een aanzienlijk andere planning, simpelweg omdat dit de beste invulling is.

Goede data is belangrijk

Een belangrijke voorwaarde bij het toepassen van algoritmes is de aanwezigheid van data. Als er een randvoorwaarde bestaat die niet is opgenomen in de data dan zal het algoritme daar geen rekening mee houden. Is de benodigde data er niet dan zullen er oplossingen komen die mogelijk niet haalbaar zijn in de praktijk. Het zorgvuldig verzamelen van data (orders, productiemiddelen, randvoorwaarden en relaties) is daarom een belangrijke stap bij het succesvol implementeren van een algoritme.

En wat levert dit op?

Er zijn nog nauwelijks toepassingen van AI of algoritmes in de kernprocessen van productie of logistiek. Algoritmes moeten geïmplementeerd worden en daarna moet de data zorgvuldig voorbereid worden. Na het nodige testen kan een algoritme dan toegepast worden.

In een praktijksituatie waarbij per dag ruim 120 vrachtauto’s ruim 700 opdrachten uit een warehouse moesten rijden met 9 randvoorwaarden bleek het algoritme in een kwartier tijd een planning te maken die niet door mensen verbeterd kon worden. Omdat het pick-proces iedere dag om 17 uur moest starten kon de sluitingstijd van 9:00 naar 15:00 uur verlaat worden. Voorheen werd dit proces vanaf 9 uur door een groep planners gedaan. Zij werden overgeplaatst om problemen onderweg direct op te lossen, daarvoor was hier nauwelijks tijd voor. En het laatste winstpunt was de foutbestendigheid: een algoritme werkt foutloos en wordt niet moe, dus handmatige fouten in het plannen kwamen niet meer voor. Vanzelfsprekend werkt dit niet als er foute data wordt aangeboden. Los van de snellere planning bleek de planning door het algoritme 6% efficiënter in kosten (en dan met name in kilometerbesparing). In de huidige tijd van CO2 reductie en personeelstekorten zijn dit welkome verbeteringen.

Een simulatie met het beleveren van bouwmarkten in België met inzet van groter volume vrachtwagens leverde indrukwekkende besparingen op, met name toen ook de retouropdrachten meegepland werden.  Ook hier had het multidimensionale algoritme in zeer korte tijd een zeer afgewogen planning gemaakt.

Hoe verder?

De komende jaren zullen softwareleveranciers stap voor stap gaan experimenteren met AI en algoritmes in de door hen aangeboden ERP-omgevingen om de gewenste optimalisaties in het kernproces te implementeren. Zij zullen echter een nieuwe generatie ontwikkelaars aan moeten trekken om dit mogelijk te maken. Dergelijke ontwikkelingen kosten vaak vele maanden/jaren ontwikkeltijd. Als alternatief is een tussenstap mogelijk waarbij de planning uit een ERP-systeem geëxporteerd wordt. Daarna wordt de planning door een aparte, zelfstandige module geoptimaliseerd waarna het resultaat weer wordt ingelezen in het ERP-systeem. Via deze tussenstap kan de gewenste optimalisatie  gerealiseerd worden en is het (nog) niet nodig om de kern van het ERP-systeem direct aan te passen voor de optimalisatie. Deze stap werd overigens ook toegepast in het eerdergenoemde voorbeeld.

Veel bedrijven zouden graag de geschetste versnelling van het kernproces en de mogelijke besparingen in mensen en middelen realiseren. De schaarste aan personeel en kostenstijgingen maken het toepassen van AI en/of algoritmes zeer wenselijk om concurrerend te blijven. Wacht daarom niet langer maar zoek uit wat de mogelijkheden zijn voor uw specifieke processen.

ir. Jan W. Vieveen MBA