Deep Learning als 5. Generation Prognose-Engine
Im Rahmen unseres grundlegenden Engagements, die präzisesten Prognosen zu liefern, die die Technologie zu bieten vermag, freuen wir uns, bekannt zu geben, dass unsere 5. Generation Prognose-Engine nun bei Lokad im Einsatz ist. Diese Engine bringt die bisher größte Genauigkeitsverbesserung mit sich, die wir in einem einzigen Release erreichen konnten. Das Design der Engine basiert auf einer relativ neuen Variante des machine learning, genannt deep learning. Für supply chain können große Verbesserungen bei der Prognosegenauigkeit in ebenso große Renditen umgemünzt werden, indem mehr Kunden bedient, diese schneller betreut und gleichzeitig weniger inventory risks in Kauf genommen werden.
Von probabilistic forecasting zu deep learning
Vor etwa 18 Monaten haben wir die 4th generation unserer Prognosetechnologie vorgestellt. Die 4th gen war die erste, die echte wahrscheinlichistische Vorhersagen lieferte. Wahrscheinlichistische Vorhersagen sind in supply chain essenziell, da sich die Kosten an den statistischen Extremen konzentrieren, wenn die Nachfrage unerwartet hoch oder niedrig ausfällt. Im Gegensatz dazu sind herkömmliche forecasting methods – wie traditionelle tägliche, wöchentliche oder monatliche Prognosen –, die sich ausschliesslich auf Median- oder Durchschnittsvorhersagen fokussieren, der Problematik gegenüber blind. Folglich bleiben diese Methoden meist hinter den Erwartungen an Renditen für Unternehmen zurück.
Teilweise zufällig zeigt sich, dass deep learning von Natur aus stark auf probabilistische Vorhersagen ausgerichtet ist. Die Motivation für diesen Ansatz stand jedoch in keinerlei Zusammenhang mit supply chain Anliegen. Deep learning Algorithmen bevorzugen Optimierung, die auf einer probabilistischen/Bayesschen Perspektive mit Metriken wie cross entropy basiert, da diese Metriken enorme Gradientenwerte liefern, die sich besonders gut für den stochastischen gradient descent eignen – dem „einen“ Algorithmus, der deep learning erst möglich macht.
Im konkreten Fall von supply chain zeigt sich, dass die Grundlagen von deep learning voll mit den tatsächlichen Geschäftsanforderungen übereinstimmen!
Jenseits des Hypes um künstliche Intelligenz
Künstliche Intelligenz – in der Praxis angetrieben durch deep learning – war 2017 das Schlagwort des Jahres. Die Versprechen sind kühn, faszinierend und, naja, vage. Aus Lokads Perspektive stellen wir fest, dass die Mehrheit dieser enterprise AI-Technologien nicht den Erwartungen gerecht wird. Nur sehr wenige Unternehmen können über eine halbe Milliarde USD an Finanzierung sichern, wie Instacart, um ein weltklasse deep learning Team zusammenzustellen, das eine supply chain Herausforderung erfolgreich meistert.
Mit diesem Release macht Lokad AI-qualifizierte Prognosetechnologie für jedes einigermaßen „digitalisierte“ Unternehmen zugänglich. Offensichtlich basiert das Ganze weiterhin auf historischen supply chain Daten, sodass diese für Lokad verfügbar sein müssen; unsere Technologie erfordert jedoch null deep learning Expertise. Im Gegensatz zu nahezu jeder „enterprise“ AI-Technologie verlässt sich Lokad nicht auf manuelles Feature Engineering. Für unsere Kunden wird das Upgrade von den bisherigen probabilistischen Vorhersagen zu deep learning nahtlos erfolgen.
Lokad ist das erste Softwareunternehmen, das eine schlüsselfertige AI-qualifizierte Prognosetechnologie anbietet – zugänglich sowohl für kleine Ein-Personen-E-Commerce-Betriebe als auch für die größten supply chain Netzwerke, die tausende Standorte und eine Million Produktreferenzen umfassen können.
Das Zeitalter des GPU-Computing
Deep learning blieb bis dahin etwas nischenhaft, bis es der Community gelang, ihren eigenen Softwarebaustein so zu optimieren, dass GPUs (Graphic Processing Units) genutzt werden konnten. Diese GPUs unterscheiden sich erheblich von CPUs (Central Processing Units), die nach wie vor den Großteil der Anwendungen antreiben – mit der bemerkenswerten Ausnahme von Computerspielen, die intensiv sowohl auf CPUs als auch auf GPUs setzen.
Parallel zur vollständigen Neuentwicklung unserer Prognose-Engine für diese 5. Iteration haben wir auch die Low-Level-Infrastruktur von Lokad erheblich verbessert. Tatsächlich nutzt die Lokad-Plattform nun sowohl GPUs als auch CPUs zur Bedienung von Unternehmen. Lokad profitiert mittlerweile von den GPU-gestützten Maschinen, die auf Microsoft Azure, der Cloud-Computing-Plattform, die Lokad unterstützt, gemietet werden können.
Dank der enormen Rechenleistung der GPUs machen wir unsere Prognosen nicht nur genauer, sondern auch wesentlich schneller. Durch ein GPU-Cluster erzielen wir nun in der Regel etwa 3- bis 6-mal schnellere Prognosen für umfangreiche Datensätze (*).
(*) Für äußerst kleine Datensätze ist unsere 5. Generation Prognose-Engine tatsächlich langsamer und benötigt ein paar Minuten länger – was in der Praxis weitgehend unbedeutend ist.
Produkteinführungen und Promotionen
Unsere 5. Generation Prognose-Engine bringt erhebliche Verbesserungen in schwierigen Prognosesituationen, insbesondere bei Produkteinführungen und promotions. Aus unserer Sicht bleiben Produkteinführungen, obwohl sie sehr herausfordernd sind, etwas einfacher als Prognosen für Promotionen. Der Unterschied im Schwierigkeitsgrad resultiert aus der Qualität der historischen Daten, die bei promotions durchweg niedriger ist als bei Produkteinführungen. Die Datenqualität bei promotions verbessert sich im Laufe der Zeit, sobald entsprechende Qualitätssicherungsprozesse etabliert sind.
Insbesondere sehen wir deep learning als eine enorme Chance für Modemarken, die mit Produkteinführungen kämpfen, die ihren Umsatz dominieren: Das Launchen eines new product ist nicht die Ausnahme, sondern die Regel. Zudem verkompliziert sich die Situation, da Farb- und Größenvarianten die Anzahl der SKUs erheblich erhöhen.
Früher Zugang zu deep forecasting
Wir planen, unseren gesamten Kundenstamm schrittweise auf unsere neueste Prognose-Engine umzustellen. Diese graduelle Einführung soll sicherstellen, dass wir nicht unbeabsichtigt Regressionen einführen, bei denen die neueste Version weniger genau sein könnte als die ältere. Da Version 5.0 nach außen hin identisch mit Version 4.0 ist, erfolgt das Upgrade voll transparent. Die Kunden werden lediglich die zusätzliche Genauigkeit bemerken. Bis Ende Q1 2018 werden alle über Envision generierten Prognosen von 5.0 angetrieben.
