… english translation coming soon …
Tag Archives: Neuronale Netze
KI-Prognose-Systeme für die Logistik
Die Anwendungsgebiete für Künstliche Intelligenz in der Logistik sind vielfältiger Natur und über die ganze Supply Chain verteilt. Insbesondere Prognose-Systeme zur Auslastungsplanung stellen einen vielversprechenden Ansatz dar.
Wer hätte das vor 20 Jahren gedacht? Die Logistik-Branche wurde im Zuge der Digitalisierung nicht bedeutungslos, sondern das Gegenteil trat ein. Der Online-Handel boomt, immer mehr Produkte wollen verschickt werden und die Branche jagt von einem Rekord zum nächsten.
Mit den Mengen steigen auch die Anforderungen. Die Supply Chains werden stetig komplexer und die Abläufe müssen effizienter und effektiver werden. Gleichzeitig entstehen immer umfassendere Datenmengen, die genutzt werden können, um Prozesse zu optimieren, Muster zu erkennen oder Vorhersagen zu treffen.
Neuronale Netze sind ein Game Changer
Wo kein Mensch mehr die Menge der Daten überblicken und Rückschlüsse daraus ziehen kann, helfen Methoden des Machine Learning und der Künstlichen Intelligenz (KI). Insbesondere mit neuronalen Netze lassen sich Prognose- und Klassifizierungs-Probleme effizient angehen.
Dabei beschreiten Neuronale Netze einen ganz eigenen, neuartigen Lösungs-Ansatz. Sie sind mit den übrigen Verfahren des Machine Learning nicht vergleichbar und sie eröffnen Wege, wo bisher kein Weiterkommen war.
Entsprechend euphorisch sind die Hoffnungen, die mit ihrem Einsatz verbunden sind. Beispielhalber soll hier die McKinsey-Studie zum Potential neuronaler Netze erwähnt werden.
KI in der Logistik
Die Anwendungsgebiete für KI in der Logistik sind vielfältiger Natur und über die ganze Supply Chain verteilt. Eine Studie der IDG vom September 2018 führt insbesondere die folgenden drei Bereiche auf, in denen die Unternehmen über den Einsatz von KI nachdenken
- Optimierung der internen Prozesse
- Verbesserung der Kundenbeziehung
- Verbesserung der Fertigungsprozesse
Zwar sind viele Unternehmen noch in der Analysephase und haben noch keine Projekte realisiert, aber insbesondere bei den großen Anbietern lassen sich schon konkrete Beispiele finden, wie KI und Machine Learning in der Logistik erfolgreich eingesetzt wird.
Im E-Commerce lassen sich Absatzprognosen erstellen, um nachgefragte Waren in ausreichender Stückzahl vorzuhalten, wie es z.B. Otto macht. Zalando optimiert im Auslieferungs-Lager die Pickwege, um Aufträge schneller versandfertig zu bekommen. Und wir bei Folge 3 optimieren die Auslastung von Packbereichen, in dem wir prognostizieren, wie lange es braucht, um eine Bestellung versandfertig zu machen.
Entscheidend ist eine gute Datenbasis
Allerdings eignet sich nicht jede Idee für eine Umsetzung mit Machine Learning und KI. Nicht weil die Idee schlecht ist. Sondern weil die Daten, die zur Realisierung notwendig sind, nicht vorliegen.
Jedes Projekt, das Technologien aus der Data sciene einsetzen möchte – seien es Neuronale Netze, Recommender, Prognose-Systeme oder ähnliches – benötigt eine umfassende, qualitative Datenbasis. Die Daten sollten möglichst wenig Ausreißer enthalten, genügend Datensätze aufweisen und sie müssen ausreichend viele Merkmale aufweisen, um die gestellte Aufgabe aus den Daten heraus lösen zu können.
Insbesondere bei Prognose-Aufgaben ist es sehr wichtig, möglichst alle Merkmale, die für die Vorhersage der Zielgröße relevant sind, auch in den Daten zur Verfügung zu haben.
Oft stellt sich im Projekt heraus, dass nicht all diese Daten zur Verfügung stehen und eventuell auch gar nicht quantifizierbar sind oder nur mit erheblichem Aufwand beschafft werden können. Aus diesen Gründe ist es von Vorteil, DataScience-Projekte immer mit einer ausführlichen Analyse der vorliegenden Daten zu beginnen. Andernfalls besteht die Gefahr, dass Ressourcen in ein Projekt gesteckt werden, das sich später als undurchführbar erweist und abgebrochen werden muss.
Wenn Sie Nachfragen zu diesen Themen haben oder Sie sich für die Einsatzmöglichkeiten von KI in der Logistik interessieren, melden Sie sich gerne unverbindlich unter data@folge3.de
Frankfurter Buchmesse: Künstliche Intelligenz und Neuronale Netze für Verlage
Am Mittwoch, dem 10. Oktober und am Donnerstag, dem 11. Oktober 2018 stellen wir auf der Buchmesse Frankfurt unsere KI-basierten Ideen für Prognosen und Text-Matching für die Verlagswelt vor.
Sprechen Sie uns gerne an, wenn Sie ebenfalls auf der Buchmesse sind und sich dafür interessieren.
… mehr zu diesem Projekt: Neuronale Netze zur Prognose von Online-Reichweite
Neuronale Netze zur Prognose von Online-Reichweite
Mit Hilfe von Deep Learning und neuronalen Netzen hat Folge 3 ein Prognose-System realisiert, mit dem sich die Reichweite von Anzeigenschaltungen vorhersagen und steuern lässt.
Das System ist für unterschiedliche Arten von bezahlten Anzeigen nutzbar – beispielsweise für Stellenanzeigen, Werbeanzeigen oder für Premiumprofile. Sowohl für laufende als auch für zukünftige Schaltungen kann die wahrscheinliche Reichweite über die Laufzeit vorhergesagt werden.
Unterstützung im Geschäftsprozess
Das Prognose-System unterstützt den den Geschäftsablauf beim Kunden an mehreren Stellen:
Vertrieb: Der Verkäufer kann prognostizieren, welche Reichweite sich mit welchen buchbaren Optionen erzielen lässt. Er kann live verschiedene Optionen durchspielen und seinem Kunden demonstrieren, wie das Zubuchen von Sonderleistungen die Reichweite erhöhen kann. Gemeinsam mit dem Kunden kann er entscheiden, welche Optionen für den Kunden das optimale Ergebnis bieten.
Monitoring: Mit Hilfe der Prognose können die Sachbearbeiter während der Laufzeit erkennen, ob eine Anzeige Gefahr läuft, weniger Reichweite zu erreichen als vorhergesagt.
Für Anzeigen, für die das zutrifft, kann das System Alarm schlagen und Möglichkeiten zur Performance-Steigerung vorschlagen.
Steuerung: Wenn eine Anzeige weniger Reichweite erzielt als vorhergesehen, können Reichweiten-steigernde Maßnahmen aktiviert werden. Dabei kann die Vorhersage genutzt werden, um zu entscheiden, welche Maßnahme ausreichend viel zusätzliche Reichweite einbringt, so dass die zugesagte Performance am Ende der Laufzeit erzielt wird.
Training und Optimierung
Zum Training des Neuronalen Netzes werden Reichweite-Daten aus den letzen Jahren herangezogen. Um so mehr Daten zum Training zur Verfügung stehen, umso exakter werden die Vorhersagen sein, die das System erzeugt. Es reichen aber „handelsübliche“ Datenmengen“ wie sie heutzutage in mittleren Webangeboten erreicht werden. Das System benötigt kein „Big Data“ um verläßliche Prognosen zu erstellen.
Deep Learning bezeichnet einen Satz von Methoden, die gemeinsam haben, dass sie ein neuronales Netz mit realen Daten in vielen aufeinanderfolgenden Iterationen trainieren. Nach jeder Iteration wird die Qualität der Prognose gemessen und die Einstellungen werden für die nächste Runde angepasst. In dieser evolutionären Vorgehensweise werden Einstellungen, die schlechtere Ergebnisse erzielen, schnell als Sackgassen erkannt und das Modell kann schrittweise die Vorhersage-Qualität steigern.
Das Trainieren des Netzes beginnt man in der Regel mit Eigenschaften, die einen klaren Einfluss auf die prognostizierte Größe haben. Sobald die Prognosen ausreichend gut sind, können schrittweise weitere Einflüsse in das Training aufgenommen werden. So lassen sich auch zum Beispiel saisonale und / oder regionale Einflüsse kontrolliert mit in das Modell einbeziehen.
Vielfältige Anwendungsfälle
Prognosen mit neuronalen Netzen sind nicht auf den Anwendungsfall „Reichweite von Bezahlanzeigen“ beschränkt, sondern können vielfältig genutzt werden. Beispielsweise prognostiziert Folge 3 in einem anderen Projekt für einen Großhändler die Dauer, die für das Verpacken einer Bestellung benötigt wird. Diese Prognose hilft dabei, die Auslastung der Packtische zu optimieren.
Folge 3 unterstützt bei der Ideenfindung und der Bewertung der vorliegenden Daten, zum Beispiel im Rahmen eines Data Discovery Workshops. Wir übernehmen das Training des Systems und deployen es auf unseren oder auf Ihren Servern. Anschliessen können die Ergebnisse von Mensch und Maschine genutzt werden. Im Browser können Sie mit Hilfe von generischen oder eigens für Ihren Anwendungsfall erstellten Dashboards und Tools auf die Prognose zugreifen. Gleichzeitig können Sie die Vorhersagen auch über eine REST-API abrufen, um sie in maschinellen Abläufen einzusetzen.
Für genauere Auskünfte melden Sie sich gerne unter data@folge3.de