Probabilistisches exponentielles Glätten für erklärbares KI im Bereich der Supply Chain

Joannes Vermorel

Einer der Forschungsschwerpunkte von Lokad besteht darin, etwas Einfaches (und Grundlegendes) zu überdenken und zu versuchen, es etwas besser (und etwas einfacher) zu machen. Dieser Ansatz steht im Gegensatz zu den meisten Forschungsarbeiten, die in der Regel komplexere Versionen früherer Arbeiten sind. Daher streben wir standardmäßig nach größerer Einfachheit anstelle größerer Raffinesse. Einer unserer F&E-Ingenieure, Antonio Cifonelli, hat diesen Ansatz in seiner Doktorarbeit angewendet und das angesehene Modell des exponentiellen Glättens verbessert, um es erklärbarer zu machen.

Erklärbarkeit als Qualität eines Modells wird sowohl in Bezug auf ihre Natur als auch auf ihre Absicht häufig missverstanden, zumindest was die Supply Chain betrifft. Ein erklärbares Modell bedeutet nicht, dass die Ergebnisse von einem menschlichen Verstand sofort verstanden oder validiert werden können. Dies wäre sehr fehlerhaft, da bereits ein halbes Dutzend Gleitkommazahlen ausreicht, um die meisten Menschen, einschließlich derjenigen, die sich sicher im Umgang mit Zahlen fühlen, zu verwirren. Der menschliche Verstand ist einfach nicht (natürlich) geschickt im Umgang mit Grundrechenarten; schließlich wurde er bereits in den 1950er Jahren von Maschinen überholt. Erklärbarkeit soll auch nicht das Modell vertrauenswürdig machen - zumindest nicht ganz. Es gibt zuverlässigere Instrumente (Backtesting, Cross-Validation usw.), um zu beurteilen, ob einem Modell vertraut werden sollte oder nicht. Die Fähigkeit, eine Geschichte über das Modell und seine Ergebnisse zu erzählen, sollte nicht als ausreichende Grundlage für Vertrauen betrachtet werden.

Aus Sicht von Lokad besteht der Zweck der Erklärbarkeit darin, die Möglichkeit zu erhalten, die Supply Chain mithilfe einer Variante des Modells zu betreiben, wenn es mit einer Störung konfrontiert wird, die das ursprüngliche Modell ungültig macht. Supply Chain Störungen sind vielfältig: Kriege, Zölle, Lockdowns, Insolvenzen, Stürme, Rechtsstreitigkeiten usw. Wenn eine Störung auftritt, wird das Vorhersagemodell auf subtile, aber wichtige Weise ungültig. Dies bedeutet jedoch nicht, dass alle jemals vom Modell erfassten Muster nicht mehr relevant sind. Zum Beispiel kann das saisonale Profil des Modells vollständig unbeeinflusst bleiben.

Ein erklärbares Modell sollte daher einem Supply Chain Scientist Möglichkeiten bieten, das ursprüngliche Modell zu ändern, anzupassen oder zu verzerren, um eine Variante zu erhalten, die die Störung angemessen widerspiegelt. Natürlich werden diese Änderungen voraussichtlich Schätzungen sein - heuristischer Natur -, da genaue Daten noch nicht verfügbar sind. Dennoch gilt nach dem Motto von Lokad: Es ist besser, ungefähr richtig zu sein als genau falsch.

Weitere Details dazu, wie erklärbares Modell aussehen könnten, finden Sie in Dr. Cifonellis Doktorarbeit unten.

Autor: Antonio Cifonelli

Datum: Dezember 2023

Zusammenfassung:

Die wichtige Rolle, die KI bei der Verbesserung von Geschäftsabläufen spielen könnte, ist schon lange bekannt (zumindest seit 2017), aber der Einführungsprozess dieser neuen Technologie stößt innerhalb von Unternehmen auf bestimmte Hindernisse, insbesondere Implementierungskosten. Unternehmen bleiben aufgrund des Aufwands und des Geldes, die für den Austausch erforderlich sind, an ihren alten Systemen hängen. Im Durchschnitt dauert es 2,8 Jahre von der Lieferantenauswahl bis zur vollständigen Implementierung einer neuen Lösung. Bei der Entwicklung eines neuen Modells sind drei grundlegende Punkte zu beachten: Missverständnisse bei den Erwartungen, die Notwendigkeit von Verständnis und Erklärung sowie Leistungs- und Zuverlässigkeitsprobleme. Im Fall von Modellen, die sich mit Supply Chain-Daten befassen, gibt es zusätzlich fünf spezifische Probleme:

• Umgang mit Unsicherheit. Präzision ist nicht alles. Entscheidungsträger suchen nach Möglichkeiten, das mit jeder Entscheidung verbundene Risiko bei Unsicherheit zu minimieren. Eine genaue Vorhersage zu erhalten ist vorteilhaft; eine ziemlich genaue Vorhersage zu erhalten und ihre Grenzen zu berechnen, ist realistisch und angemessen.
• Umgang mit ganzzahligen und positiven Daten. Die meisten im Einzelhandel verkauften Artikel können nicht in Teile verkauft werden, zum Beispiel eine Dose Lebensmittel, ein Ersatzteil oder ein T-Shirt. Dieser einfache Aspekt des Verkaufs führt zu einer Einschränkung, die vom Ergebnis jeder gegebenen Methode oder Modell erfüllt werden muss: Das Ergebnis muss eine positive Ganzzahl sein.
• Beobachtbarkeit. Die Kundennachfrage kann nicht direkt gemessen werden, nur Verkäufe können erfasst und als Proxy für die Nachfrage verwendet werden.
• Knappheit und Sparsamkeit. Verkäufe sind eine diskontinuierliche Menge: Ein Produkt kann in einer Woche gut verkauft werden und dann in der nächsten überhaupt nicht. Durch die Aufzeichnung von Verkäufen pro Tag wird ein ganzes Jahr auf nur 365 (oder 366) Punkte komprimiert. Darüber hinaus wird ein großer Teil davon null sein.
• Just-in-Time-Optimierung. Die Prognose ist eine Schlüsselfunktion, aber sie ist nur ein Element in einer Kette von Prozessen, die die Entscheidungsfindung unterstützen. Zeit ist eine kostbare Ressource, die nicht vollständig einer einzigen Funktion gewidmet werden kann. Der Entscheidungsprozess und die damit verbundenen Anpassungen müssen daher innerhalb eines begrenzten Zeitrahmens und auf eine ausreichend flexible Weise durchgeführt werden, um bei Bedarf unerwartete Ereignisse oder notwendige Anpassungen einzubeziehen.

Diese Arbeit fügt sich in diesen Kontext ein und ist das Ergebnis der Arbeit bei Lokad, einem in Paris ansässigen Softwareunternehmen, das die Lücke zwischen Technologie und Supply Chain schließen möchte. Die Doktorforschung wurde von Lokad in Zusammenarbeit mit der ANRT im Rahmen eines CIFRE-Vertrags finanziert. Die vorgeschlagene Arbeit zielt darauf ab, einen guten Kompromiss zwischen neuen Technologien und den Erwartungen der Unternehmen zu finden und die oben genannten Aspekte anzugehen. Wir haben mit grundlegenden Methoden - der Familie der exponentiellen Glättung - begonnen, die einfach zu implementieren und extrem schnell auszuführen sind. Da sie in der Industrie weit verbreitet sind, haben sie bereits das Vertrauen der Benutzer gewonnen. Darüber hinaus sind sie leicht verständlich und können einem ungebildeten Publikum erklärt werden. Durch die Nutzung fortschrittlicherer KI-Techniken können einige der Einschränkungen der verwendeten Modelle überwunden werden. Das Cross-Learning erwies sich als relevant Ansatz, um nützliche Informationen zu extrapolieren, wenn die Anzahl der verfügbaren Daten sehr begrenzt war. Da die übliche Gaußsche Annahme für diskrete Verkaufsdaten nicht geeignet ist, haben wir vorgeschlagen, ein Modell zu verwenden, das entweder mit einer Poisson-Verteilung oder einer negativen Binomialverteilung assoziiert ist, die besser zur Natur der zu modellierenden und vorherzusagenden Phänomene passt. Wir haben auch vorgeschlagen, die Unsicherheit mit Hilfe von Simulationen zu behandeln. Mit Monte-Carlo-Simulationen werden eine Reihe von Szenarien generiert, abgetastet und mit einer Verteilung modelliert. Aus dieser Verteilung können Konfidenzintervalle unterschiedlicher und angepasster Größe abgeleitet werden. Unter Verwendung realer Unternehmensdaten haben wir unseren Ansatz mit modernsten Methoden wie dem Deep Auto-Regressive (DeepAR) Modell, dem Deep State Space (DeepSSMs) Modell und dem Neural Basis Expansion Analysis (N-Beats) Modell verglichen. Daraus haben wir ein neues Modell auf der Grundlage der Holt-Winter-Methode abgeleitet. Diese Modelle wurden in den Arbeitsablauf von Lokad implementiert.

Jury:

Die Verteidigung fand vor einer Jury statt, bestehend aus:

• M. Massih-Reza AMINI, Professor an der Université Grenoble, Alpes, Berichterstatter.
• M.me Mireille BATTON-HUBERT, Professorin an der École des Mines de Saint-Étienne, Berichterstatterin.
• M.me Samia AINOUZ, Professorin an der INSA Rouen, Normandie, Prüferin.
• M. Stéphane CANU, Professor an der INSA-Rouen, Normandie, Doktorvater.
• M.me Sylvie LE HÉGARAT-MASCLE, Professorin an der Paris-Saclay, Prüferin.
• M. Joannes VERMOREL, CEO von Lokad, Eingeladenes Mitglied.

Laden Sie die Dissertation herunter (PDF)