00:00:09 Quantitative Supply Chain und seine Auswirkungen auf Supply Chains.
00:01:00 Ineffizienzen in Supply Chains und ungelöste Probleme in verschiedenen Branchen.
00:02:06 Herausforderungen in der Modeindustrie und preissensible Nachfrage.
00:04:20 Schwierigkeiten bei der Kombination bestehender Methoden zur gemeinsamen Optimierung.
00:05:51 Quantitative Supply Chain als Nachfolger des Deep Learning für die gemeinsame Optimierung.
00:08:00 Lernen und Optimierung im Supply Chain Management.
00:09:24 Quantitative Supply Chain und ungelöste Probleme in verschiedenen Branchen.
00:10:27 Nachfrageprognose und Nutzung von Kundendaten.
00:13:24 Komplexe Probleme und Konsequenzen höherer Ordnung bei Werbeaktionen.
00:15:52 Anpassung an Kundenbedürfnisse und -erwartungen.
00:17:03 Die Rolle des Deep Learning und des Fortschritts in der Hardware bei der Lösung komplexer Probleme.
00:19:20 Abnehmender Nutzen des KI-Fortschritts und die Notwendigkeit von Ausdruckskraft.
00:21:12 Quantitative Supply Chain ermöglicht die Beseitigung von Silos im Supply Chain Management.
00:23:23 Schlussgedanken.
Zusammenfassung
In diesem Interview diskutieren Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, das Potenzial des quantitativen Supply Chain Managements für die Optimierung der Supply Chain. Vermorel erklärt, dass traditionelle Methoden zur Bestandsführung, Beschaffung und Preisgestaltung oft voneinander getrennt sind und dadurch Ineffizienzen entstehen. Quantitative Supply Chain kann diese Entscheidungen optimieren, indem es mehrere Faktoren gleichzeitig berücksichtigt. Dieser noch relativ neue Ansatz kann ungelöste Probleme in verschiedenen Branchen angehen, wie z.B. die Nachfrageprognose im Einzelhandel und die Optimierung unter Ungewissheit. Fortschritte in der Technologie haben komplexere Modelle ermöglicht, mit denen Probleme im großen Maßstab angegangen werden können. Quantitative Supply Chain hat das Potenzial, die Optimierung der Supply Chain zu revolutionieren, indem es organisatorische Silos abbaut und die Gesamteffizienz verbessert.
Ausführliche Zusammenfassung
In diesem Interview diskutiert Kieran Chandler, der Moderator, das quantitative Supply Chain Management und seine Auswirkungen auf die Optimierung der Supply Chain mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung der Supply Chain spezialisiert hat. Sie untersuchen ungelöste Probleme und wie diese Herausforderungen in verschiedenen Branchen angegangen wurden.
Vermorel erklärt, dass ein ungelöstes Problem nicht unbedingt eines ist, das niemals eine Lösung haben wird, sondern eines, das noch keine zufriedenstellende Lösung hat. Er weist darauf hin, dass Supply Chains zwar funktional sind, aber oft mit erheblichen Ineffizienzen arbeiten. Diese Ineffizienzen werden möglicherweise erst bei genauerer Betrachtung deutlich, und es gibt möglicherweise Variablen, die von Supply Chain Managern traditionell nicht berücksichtigt werden, wie z.B. Preisgestaltung und Sortiment, die zur Verbesserung der Supply Chain angepasst werden können.
Chandler erkundigt sich nach den spezifischen Herausforderungen, die in der Supply Chain-Branche schwer zu lösen waren. Vermorel antwortet, dass jede Branche ihre eigenen schlecht gelösten Probleme hat und verwendet die Mode als Beispiel. Die schnelle Mode, die sehr preissensibel ist, zeigt, dass die Nachfrage stark von der Preisgestaltung beeinflusst wird. Die meisten Nachfrageplanungslösungen in der Mode behandeln die Nachfrage jedoch so, als ob die Preisgestaltung nicht existiert, was eine massive Lücke schafft.
Vermorel erklärt, dass es ein ungelöstes Problem der gemeinsamen Optimierung von Nachfrage, Lagerhaltung und Preisgestaltung gibt, da diese Faktoren oft als voneinander getrennte Einheiten behandelt werden. Als Antwort auf Chandlers Frage, ob bestehende Methoden kombiniert werden können, um dieses Problem zu lösen, sagt Vermorel, dass historisch gesehen die meisten entwickelten Lösungen sich nicht gut miteinander verbinden ließen. Der Ansatz des Sales and Operations Planning (S&OP) versuchte, dieses Problem auf menschlicher Ebene durch die Erleichterung der Kommunikation zwischen verschiedenen Abteilungen anzugehen, aber dies lässt sich nicht gut auf die Softwareautomatisierung übertragen.
Wenn es um die Softwareautomatisierung geht, weist Vermorel auf die Schwierigkeiten hin, die entstehen, wenn separate Systeme wie bedarfsorientierte Materialbedarfsplanung (DDMRP), Lagerverwaltungssysteme (WMS) und Produktinformationsmanagement (PIM)-Add-Ons für die Preisgestaltung integriert werden sollen. Diese Systeme treffen oft unabhängige Entscheidungen, was zu einem uneinheitlichen Ansatz und potenziellen Ineffizienzen führt.
Vermorel erklärt, dass traditionelle Methoden zur Bestandsführung, Beschaffung und Preisgestaltung oft voneinander getrennt sind, was zu suboptimalen Ergebnissen führen kann. Er schlägt vor, dass differenzierbare Programmierung diese Entscheidungen optimieren kann, indem sie mehrere Faktoren gleichzeitig berücksichtigt.
Differenzierbare Programmierung ist konzeptionell ähnlich wie Deep Learning, konzentriert sich jedoch auf eine Mischung aus Lernen und Optimierung anstelle von reinem Mustererkennung. Vermorel betont, dass Deep Learning bedeutende Fortschritte in der Bilderkennung gemacht hat, aber auch zu Durchbrüchen in der numerischen Optimierung geführt hat. Diese Fortschritte haben die Entwicklung komplexerer Modelle mit Millionen von Parametern ermöglicht, was wiederum den Optimierungsprozess verbessert hat.
Im Kontext des Supply Chain Managements kann differenzierbare Programmierung sowohl auf das Lernen über zukünftige Nachfrage als auch auf die Optimierung von Entscheidungen unter unsicheren Bedingungen angewendet werden. Zum Beispiel kann sie dabei helfen, zu bestimmen, wie viele Einheiten von einem Lieferanten gekauft werden sollen oder wann ein bestimmtes Produkt rabattiert werden soll. Vermorel weist darauf hin, dass Kunden oft von der Gesamtauswahl an Produkten beeinflusst werden, was bedeutet, dass die Optimierung von Entscheidungen für einzelne Produkte möglicherweise nicht ausreicht.
Obwohl differenzierbare Programmierung ein relativ neuer Ansatz ist, glaubt Vermorel, dass er auf eine Vielzahl von ungelösten Problemen in verschiedenen Branchen angewendet werden kann. Er nennt das Beispiel der Nachfrageprognose im Einzelhandel, wo Kundenbindungs-Programme und Kundendaten wertvolle Einblicke in Kaufmuster bieten können. Derzeit gibt es nur wenige Lösungen auf dem Markt, die diese Daten nutzen, und differenzierbare Programmierung kann möglicherweise dazu beitragen, diese Informationen für eine bessere Entscheidungsfindung zu nutzen.
Eine weitere Herausforderung, die durch differenzierbare Programmierung angegangen werden kann, besteht darin, unter Unsicherheit zu optimieren. Traditionelle Optimierungsmethoden haben oft Schwierigkeiten mit stochastischen oder zufälligen Bedingungen, was zur Annahme vereinfachter Ansätze wie MRP (Materialbedarfsplanung) und DDMRP (bedarfsgesteuerte Materialbedarfsplanung) geführt hat. Vermorel argumentiert, dass diese Methoden oft unzureichend sind und dass differenzierbare Programmierung einen effektiveren Weg bieten kann, solche Probleme anzugehen.
Das Interview mit Joannes Vermorel verdeutlicht das Potenzial der differenzierbaren Programmierung bei der Bewältigung verschiedener Herausforderungen in der Optimierung der Supply Chain. Durch die Kombination von Lernen und Optimierung kann dieser Ansatz Unternehmen dabei helfen, fundiertere Entscheidungen zu treffen, die mehrere Faktoren und Unsicherheiten berücksichtigen. Obwohl differenzierbare Programmierung noch ein relativ neues Feld ist, glaubt Vermorel, dass es ein großes Potenzial zur Verbesserung des Supply Chain Managements und der Nachfrageprognose in verschiedenen Branchen birgt.
Sie diskutieren die Rolle der differenzierbaren Programmierung bei der Bewältigung von Herausforderungen in der Supply Chain und das Potenzial zur Lösung komplexer, zuvor unlösbarer Probleme.
Vermorel erklärt, dass die differenzierbare Programmierung ein leistungsstolzes Werkzeug zur Bewältigung komplexer Herausforderungen in der Supply Chain ist. Fortschritte in der Technologie haben die Optimierung von Modellen mit Millionen von Parametern ermöglicht, während zuvor nur einige hundert möglich waren. Dieser Kapazitätssprung hat es ermöglicht, Probleme im großen Maßstab anzugehen, was insbesondere für Unternehmen mit zahlreichen Produkten und Geschäften relevant ist.
Eine der Hauptherausforderungen, die die differenzierbare Programmierung zu bewältigen hilft, ist das “wicked problem”. Diese Probleme entstehen, wenn es zweitordentliche Konsequenzen für Handlungen gibt, zum Beispiel wenn Promotions in einer Modemarke dazu führen, dass Kunden nur während des Verkaufs einkaufen. Derzeit sind keine Algorithmen in der Lage, diese “wicked problems” anzugehen, aber Vermorel glaubt, dass KI auf menschlichem Niveau sie möglicherweise irgendwann bewältigen kann.
Der jüngste Erfolg der differenzierbaren Programmierung ist auf eine Kombination von Hardware- und Softwarefortschritten zurückzuführen. Der rasche Fortschritt bei der Rechenleistung in Verbindung mit Durchbrüchen in der algorithmischen Effizienz hat die Optimierung von Modellen mit Hunderten von Millionen von Parametern ermöglicht. Vermorel glaubt, dass wir einen Punkt der abnehmenden Erträge bei der Rechenleistung erreicht haben und die Hauptherausforderung nun darin besteht, die Ausdrucksfähigkeit zu verbessern und komplexe Probleme in einen optimierbaren Rahmen zu bringen.
Für Supply Chain-Praktiker bietet die differenzierbare Programmierung das Potenzial, Silos aufzubrechen und zuvor isolierte Probleme gemeinsam zu optimieren. Dies könnte einen massiven Fortschritt in der Effizienz bedeuten und erfordert von Unternehmen, ihre Organisationsstrukturen neu zu überdenken. Wenn Unternehmen beginnen, differenzierbare Programmierung zu übernehmen, können sie dem Beispiel von Amazon folgen und diese Silos aufbrechen und über verschiedene Bereiche hinweg optimieren.
Die differenzierbare Programmierung hat das Potenzial, die Optimierung der Supply Chain zu revolutionieren, indem sie zuvor unlösbare Probleme angeht und organisatorische Silos aufbricht. Mit Fortschritten in Hardware und Software bietet dieser Ansatz Supply Chain-Praktikern neue Möglichkeiten, komplexe Herausforderungen anzugehen und die Gesamteffizienz zu verbessern.
Vollständiges Transkript
Kieran Chandler: Hey, heute bei Lokad TV werden wir uns mit dem etwas neuen Thema der differenzierbaren Programmierung befassen. Diese aufregende neue Entwicklung ist der neueste Nachkomme des Deep Learning und hat eine Reihe von Herausforderungen entsperrt, die zuvor als unlösbar galten. Heute werden wir ein wenig mehr über diesen Prozess erfahren und verstehen, wie dies zu schnellen Fortschritten in der Welt der Supply Chains geführt hat. Also Joannes, wir sprechen heute über unlösbare Probleme, was ziemlich herausfordernd klingt. Was meinen wir mit einem unlösbaren Problem?
Joannes Vermorel: Was ich eigentlich meine, ist ein Problem, das möglicherweise niemals eine Lösung hat, sondern eher Probleme, die noch keine zufriedenstellende Lösung haben. Es ist interessant, weil in Supply Chains alle Probleme irgendwie gelöst sind, wissen Sie, auf eine Art und Weise. Offensichtlich produzieren Fabriken und die Menschen genießen Dinge, die sie in Geschäften kaufen können, also funktioniert die Supply Chain tatsächlich. Aber sie könnte mit erheblichen Ineffizienzen arbeiten, und bis Sie wirklich den Kopf darum gewickelt haben, sehen Sie vielleicht nicht einmal, wie ineffizient es auf mehreren Ebenen ist. Besonders wenn Sie an Variablen der Anpassung denken, die Sie vielleicht verwenden können, die von Supply Chain-Managern im Allgemeinen nicht traditionell verwendet werden, wie Preisgestaltung, Sortiment und alle Arten von Möglichkeiten, die Marktnachfrage so zu biegen und zu verdrehen, dass sie den Markt näher an das bringt, was Sie anbieten.
Kieran Chandler: Okay, welche Art von Herausforderungen gibt es, mit denen wir seit einigen Jahren zu kämpfen haben?
Joannes Vermorel: Es kommt darauf an, denn jede Branche hat ihre eigenen schwierigen, schlecht gelösten Probleme. Nehmen wir zum Beispiel die Mode. Bei Fast Fashion oder erschwinglicher Mode ist die Nachfrage sehr preissensibel. Deshalb stürzen sich die Leute in den Verkauf, weil es der Zeitpunkt ist, an dem man diese super aggressiven Preise haben kann. Aufgrund der enormen Beliebtheit von Verkäufen gibt es natürlich viele Menschen, die der Meinung sind, dass es sich lohnt, Stunden zu warten und in überfüllte Geschäfte zu gehen, um von diesen Preisen zu profitieren. Die Leute wollen also Kleidung und Dinge, die sie mögen, aber sie wollen sie wirklich zu einem Preis, den sie sich leisten können. Aber praktisch jede einzelne Nachfrageplanungslösung, die ich für die Mode kenne, außer Lokad, behandelt die Nachfrage, als ob es keine Preisgestaltung gäbe, als ob es nur einen Katalogpreis gäbe. Während klar ist, dass bei der Markteinführung eines Produkts eine ganze Preisstrategie im Gange ist. Wenn das Produkt nicht genug verkauft, werden Sie Verkäufe und Rabatte auslösen, um den Bestand abzubauen und Platz für die nächste Kollektion zu schaffen. Offensichtlich gibt es also eine massive Lücke, wenn Sie etwas haben, das in Bezug auf Prozessorganisation und Softwaretechnologie, die all das unterstützt, Kundennachfrage und Preisgestaltung als völlig unabhängige Dinge behandelt. Und es ist klar ein ungelöstes Problem, das eine gemeinsame Optimierung von Nachfrage, Lagerhaltung und Preisgestaltung zur gleichen Zeit ist.
Kieran Chandler: Wie werden diese Probleme mit den bestehenden Methoden angegangen? Ich meine, können wir bestehende Methoden kombinieren, um etwas Zufriedenstellendes zu erreichen?
Joannes Vermorel: Nein, die meisten historisch erfundenen Rezepte ließen sich nicht miteinander vermischen. Das ist sozusagen das, was S&OP ein wenig versucht hat, aber auf menschlicher Ebene. Lassen Sie uns miteinander sprechen. Bei Menschen kann es funktionieren, weil sie sprechen können und ihre Semantik übereinstimmen kann. Aber wenn es um Softwareautomatisierungen geht, bei denen DDMRP Entscheidungen trifft, WMS Lagerentscheidungen trifft und Sie dann ein Add-On für Ihr PIM (Produktinformationsmanagement) haben, das den Preis kontrolliert, verschmelzen all diese Systeme nicht.
Kieran Chandler: Sie wissen schon, sie haben nichts, was sie nativ verbindet, und selbst wenn sie es tun, ist es überhaupt nicht klar. Angesichts der Art der Methoden, die verwendet werden, um die Entscheidung zu generieren, wie zum Beispiel Lagerhaltungs- oder Einkaufsentscheidungen auf der einen Seite und Preisentscheidungen auf der anderen Seite, gibt es etwas, das Sie einfach in der Mitte aufbauen könnten, um die Entscheidungen abzustimmen und gemeinsam zu optimieren?
Joannes Vermorel: Im Kern sind diese Systeme mit einer Teile-und-Herrsche-Mentalität konzipiert, bei der das, was nicht im Fokus steht, einfach ignoriert wird. So können Sie auch Rezepte haben, die viel einfacher sind. Differentiable Programming geht darum, eine duale Optimierung durchzuführen, die viele verschiedene Probleme berücksichtigt und sie zu einem einzigen zusammenführt.
Differentiable Programming steht konzeptionell im Zusammenhang mit Deep Learning, aber nicht so sehr im Fokus der Genauigkeit von Prognosen. Es ist eher eine andere Perspektive auf die Dinge. Die jüngsten Fortschritte im Deep Learning haben sich hauptsächlich auf die Lernseite konzentriert, mit enormen Fortschritten bei der Mustererkennung in Bildern und der Identifizierung von Objekten oder Personen. Das ist sehr cool, und der Fortschritt war signifikant.
Allerdings gab es auch eine andere Seite, auf der das Deep Learning viele großartige Ergebnisse ermöglicht hat, nämlich die numerische Optimierung. Der Grund, warum wir komplexe Bildmuster mit größerer Genauigkeit erkennen konnten, liegt darin, dass wir Modelle hatten, die viel komplexer waren, mit viel mehr Parametern, im Bereich von Millionen. Um diese Modelle überhaupt zu trainieren und ein mathematisches Modell zu erstellen, das effizient auf Ihrem Datensatz arbeitet, benötigen Sie ein numerisches Optimierungsrezept, das im großen Maßstab funktioniert, denn es geht um Millionen von zu optimierenden Parametern.
Das Deep Learning und die KI-Technologie brachten eine Reihe von Durchbrüchen bei der groß angelegten Optimierung mit sich, die viele der Durchbrüche auf der Lernseite erst möglich machten. Differentiable Programming kommt aus einer anderen Perspektive. Von Interesse ist sowohl der Lernaspekt als auch die numerischen Werkzeuge zur Durchführung von groß angelegten Optimierungen. Manchmal möchte man eine Mischung aus Lernen und Optimierung.
In der Supply Chain möchte man nicht so sehr lernen, wie die zukünftige Nachfrage sein wird, sondern vielmehr die richtige Entscheidung unter unsicheren zukünftigen Bedingungen treffen, wie z.B. wie viele Einheiten man kaufen sollte, wenn der Lieferant einen bestimmten Preis anbietet. Sobald man die Einheiten erworben hat, wann sollte man sich entscheiden, ein bestimmtes Produkt zu rabattieren? Es geht sowohl darum, die zukünftige Nachfrage zu erlernen als auch Variablen zu optimieren, bei denen man viel Freiheit hat.
Im Fall von Mode kommt ein Kunde nicht für ein Produkt in einen Laden. Er hat Bedürfnisse, Wünsche und Vorlieben und betrachtet letztendlich das Sortiment. Wenn man an Entscheidungen für ein Produkt nach dem anderen denkt, verfehlt man den Punkt. Deshalb brauchen all diese Marken Kollektionen, weil sie ein breites Sortiment haben müssen, damit es für die Kunden Sinn ergibt.
Kieran Chandler: Wo funktioniert dieser Ansatz in der realen Welt wirklich gut? Welche klassischen Herausforderungen kann er sehr gut lösen?
Joannes Vermorel: Der Technologie-Stack ist ziemlich neu, und bei Differentiable Programming würde ich nicht sagen, dass es eine etablierte Routine gibt, wo es sehr gut funktioniert. Was ich sage, ist, dass es so viele Möglichkeiten gibt, in diesem Bereich zu erkunden.
Kieran Chandler: In verschiedenen Branchen gibt es viele Problembereiche. In einer früheren Diskussion haben wir über die Grenzen von MRP gesprochen und wie DDMRP im Grunde genommen ziemlich kaputte MRP-Systeme zusammenflickt. Aber was ist das ungelöste Problem in diesem Bereich?
Joannes Vermorel: Das ungelöste Problem ist die Optimierung unter Unsicherheit. Wenn man eine Optimierung wie das Lösen eines Puzzles mit einer statischen, nicht veränderlichen Zukunft durchführt und alle Einschränkungen anwendet, wurden solche Dinge seit den 1980er Jahren gelöst. Wenn man jedoch einen hohen Grad an Zufälligkeit einführt, handelt es sich um ein völlig anderes Problem. Alle numerischen Optimierer, die wir haben, brechen zusammen, und deshalb greifen die Leute auf super einfache Rezepte mit Entkopplungspunkten und entkoppelten Elementen zurück. Das MRP ist eine Folge eines Mangels an geeigneten Werkzeugen, um das Problem tatsächlich anzugehen.
Kieran Chandler: Können Sie uns ein weiteres Beispiel nennen, bei dem Branchen den Punkt grundlegend verfehlen?
Joannes Vermorel: Sicher. Wenn man in Bezug auf die Nachfrageprognose denkt, ist jede verkaufte Einheit mit einem Kunden verbunden. Heutzutage können dank Kundenbindungsprogrammen fast jede Einzelhandelskette und jede E-Commerce-Plattform ihre Kunden identifizieren und genau wissen, wer was zu welchem Zeitpunkt unter welchen Bedingungen und mit welchen Produkten gekauft hat. Sie wissen, dass die Wahl eines Kunden auf das beschränkt war, was zu diesem Zeitpunkt verfügbar war. Hier gibt es viele Informationen, wie das Sortiment zum Zeitpunkt der Kaufentscheidung und die Identität der Kunden, die eine Kaufhistorie haben. Allerdings sehe ich, dass es auf dem Markt fast keine Lösungen gibt, die diese Daten nutzen. Es besteht eine klare Diskrepanz und ein enormes Potenzial, das überhaupt nicht genutzt wird.
Kieran Chandler: Was sind die wirklichen Herausforderungen in der Supply Chain, bei denen Differentiable Programming noch nicht einmal an der Oberfläche kratzt?
Joannes Vermorel: Es gibt komplexe Probleme, die wahrscheinlich erst mit dem Aufkommen von starker KI oder menschenähnlicher Intelligenz gelöst werden können. Diese komplexen Probleme beinhalten das Nachdenken über die Folgen Ihrer Handlungen. Wenn Sie zum Beispiel Werbeaktionen für eine Modemarke durchführen, tun Sie zwei Dinge: Sie liquidieren Ihren Bestand, was gut ist und mit Differentiable Programming optimiert werden kann; aber Sie müssen auch über die Konsequenzen Ihrer Handlungen von Anfang an nachdenken, wenn Sie eine Bestellung aufgeben.
Kieran Chandler: Liefern Sie Ihre ersten Einheiten, okay, gut. Aber was sind die Folgen zweiter Ordnung? Die Tatsache, dass Sie Ihre Kundenbasis tatsächlich darauf trainieren, nur dann in Ihrem Geschäft, Ihren Filialen oder Ihrem E-Commerce einzukaufen, wenn es eine Aktion gibt. Und es könnte eine Verschiebung geben, die über ein Jahrzehnt hinweg stattfindet, in dem Sie von Kunden, die die ganze Zeit über sehr zufrieden einkaufen, zu Kunden übergehen, die jetzt nur noch im Sale kaufen.
Joannes Vermorel: Es ist wie eine sich selbst erfüllende Prophezeiung, und das ist der Grund, warum es ein “komplexes Problem” genannt wird. Sie können die Wikipedia-Seite überprüfen. Grundsätzlich besteht die Herausforderung darin, dass wir es nicht mit Automaten zu tun haben. Ihre Kunden sind nicht automatisiert; sie sind intelligent und passen sich an. Sie müssen also darüber nachdenken, dass Menschen denken und sich an das anpassen, was Sie tun. Das sind diese Folgen zweiter Ordnung, die ich meine.
Wenn Menschen wissen, dass Sie etwas tun werden, haben sie Erwartungen und basieren ihre Handlungen auf dem, was sie über Sie denken. Es ist eine Rekursion und etwas sehr Menschliches, das Menschen tatsächlich ziemlich gut können. Das sind all diese komplexen Konsequenzen.
Nehmen wir zum Beispiel an, Sie sind ein Autohersteller. Sie verbessern die Supply Chain für die Verteilung von Autoteilen und für Ihr eigenes Netzwerk von Werkstätten. Ihre Werkstatt wird so gut, dass Sie tatsächlich wichtige Partner auf dem Markt verärgern. Sie optimieren also auf der einen Seite und verärgern dann wichtige Partner, die Ihre historischen Partner waren. Sollten Sie also auf die Optimierung Ihrer Supply Chain verzichten, nur um Ihre Partner zufrieden zu stellen? Vielleicht, vielleicht auch nicht. Auch das ist eine Art komplexes Problem, bei dem es völlig jenseits der Fähigkeiten jedes Algorithmus liegt, von dem ich weiß, selbst die ausgeklügelsten KI-Techniken, von denen Sie in der Presse lesen, kommen diesem komplexen Problem nicht einmal nahe.
Kieran Chandler: Es scheint, dass diese komplexen Probleme wahrscheinlich ein Problem für das Differentiable Programming von morgen und Skynet sind, nicht für Terminatoren. Warum war jetzt der richtige Zeitpunkt, um einige dieser unlösbaren Probleme zu betrachten? Was hat sich in der Welt der Technologie geändert, das es möglich gemacht hat, dass Differentiable Programming diese Fortschritte macht?
Joannes Vermorel: Was sich geändert hat, ist, dass wir von Technologien, bei denen wir Modelle mit nur ein paar hundert Parametern optimieren konnten, zu Modellen übergegangen sind, die hundert Millionen Parameter haben können. Das ist das, was Sie mit modernen Deep-Learning-Techniken bekommen, insbesondere für Optimierungszwecke im Kontext des Deep und Differentiable Programming. Das ist ein Durchbruch, denn die Herausforderung bei vielen der von uns diskutierten Kunden besteht darin, dass sie, es sei denn, es handelt sich um wirklich kleine Unternehmen, Probleme haben, die in gewisser Weise im großen Maßstab auftreten. Selbst wenn es sich nicht um Walmart handelt, müssen Probleme im großen Maßstab gelöst werden, sobald Sie etwa 50 Filialen haben. Wenn Sie 10.000 Produkte pro Filiale haben, sprechen wir von einer halben Million SKUs, also etwa einer halben Million Variablen für Preis- und Lagerentscheidungen jeden Tag.
Was sich geändert hat, war, als wir von der Fähigkeit zur Optimierung von Problemen mit ein paar hundert Variablen auf Millionen umgestiegen sind. Plötzlich wurden viele Problemlösungen sichtbar, die zuvor unsichtbar waren. Interessanterweise war dies bei Deep Learning eine Kombination aus Hardware- und Software-Fortschritten. Künstliche Intelligenz entwickelt sich immer noch schnell weiter, und bessere CPUs mit mehr Kernen und mehr Rechenleistung entwickeln sich immer noch relativ schnell weiter. Aber zusätzlich dazu ist das, was noch schneller voranschreitet, eine Reihe von Durchbrüchen, bei denen Sie in zwei Jahren 10 Einheiten Rechenleistung von der Hardware erhalten haben.
Kieran Chandler: Vielleicht haben wir in zwei oder drei Jahren 20 Einheiten oder vielleicht wird das in drei Jahren der Fall sein, okay, das ist ein schöner exponentieller Fortschritt über einen Zeitraum von drei Jahren oder so. Aber wenn Sie alle sechs Monate Software- oder mathematische Durchbrüche haben, die die Effizienz des Algorithmus verdoppeln, den Sie haben, dann ist Ihr Fortschritt dramatisch schneller. Genau das ist bei Deep Learning passiert. Es gab einen stetigen Fortschritt bei der Hardware, aber dieser wurde durch eine Reihe von Durchbrüchen verstärkt, die eher auf der algorithmischen und mathematischen Seite lagen, bei denen Sie buchstäblich die doppelte Rechenleistung von derselben Hardware hatten. Die Beschleunigung hat in den letzten zehn Jahren stattgefunden, und das Ergebnis ist, dass wir innerhalb eines Jahrzehnts von Modellen mit ein paar hundert Variablen auf Hunderte von Millionen umgestiegen sind. Also, das ist es, was sich geändert hat, würde ich sagen, ein großer Teil besteht einfach darin, das in großem Maßstab mit Agilität und kostengünstig tun zu können. Wird dieses Wachstum weitergehen oder wächst es so stark wie nötig?
Joannes Vermorel: An diesem Punkt glaube ich, dass wir den Punkt der abnehmenden Erträge erreicht haben. Die meisten Probleme, mit denen wir jetzt konfrontiert sind, sind nicht auf einen Mangel an Rechenleistung zurückzuführen; wir haben überschüssige Rechenleistung. Wir haben keine Probleme, bei denen wir sagen, wenn die Rechenleistung zehnmal billiger wäre, könnten wir es tun. Das ist sehr selten, und wenn wir Methoden haben, bei denen wir viel mehr Rechenleistung investieren könnten, um einen kleinen Schubs zu bekommen, ist dies in der Regel äußerst marginal. Sie können durch Investition von zehnmal mehr CPU eine zusätzliche Genauigkeit von ein paar 0,2 Prozent haben, aber es lohnt sich einfach nicht. Es ist besser, das Ganze neu zu überdenken. Ich glaube, die Hauptherausforderung liegt jetzt in der Art der Ausdrucksfähigkeit, wie man diese Probleme in einen Rahmen einfügt. Differentiable Programming ist nicht das Gegenteil; es versucht, maximale Ausdrucksfähigkeit anzustreben, damit Sie viele Dinge tun können, die bisher offene Probleme waren und nun in den Bereich der Dinge fallen, die Sie mit Differentiable Programming tun können.
Kieran Chandler: Lassen Sie uns also langsam alles zusammenführen und in Bezug auf Differentiable Programming, was bedeutet das für den Supply Chain-Praktiker? Welche Vorteile werden sie davon sehen und wie wird es ihre derzeitige Herangehensweise verändern?
Joannes Vermorel: Differentiable Programming wird einen massiven Fortschritt darin bedeuten, Silos loszuwerden. Wir haben vor etwa 20 Episoden eine Episode zu all diesen Silos gemacht, in denen wir vertikale und horizontale Silos hatten. Die Realität ist, dass ich gesagt habe, wir sollten diese Silos einfach loswerden, aber die Realität ist, dass die Leute dagegen Einwände erheben könnten. Ja, es ergibt Sinn, weil offensichtlich ungenutzte Ineffizienzen entfernt und optimiert werden könnten, wenn wir dazu in der Lage wären, aber die Technologie ist einfach noch nicht so weit. Also sind wir im Moment aufgrund eines Mangels an Alternativen mit unseren Silos festgefahren. Ich glaube, dass Differentiable Programming konkret die Möglichkeit eröffnet, über gemeinsame Preisgestaltung plus Sortiment oder Sortimentsverarbeitung oder Sortimentspreisgestaltung oder Einkauf plus Preisgestaltung nachzudenken. Sie können alle Arten von Problemen sehen, die wir isoliert gelöst haben, und dann können Sie jetzt sagen: “Oh, wir werden sie gemeinsam lösen.” Dies erfordert auch eine Neuerfindung der Organisation dieser Unternehmen, denn diese alten Silos werden in dieser neuen Welt nicht überleben, wenn Unternehmen beginnen, den Amazon-Weg zu gehen und diese Silos abzubauen und diese Bereiche gegenseitig zu optimieren.
Kieran Chandler: Großartig, danke für Ihre Zeit heute. Das ist etwas für diese Woche. Vielen Dank fürs Einschalten,
