00:00:09 Differenzierbares Programmieren 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 Modebranche und preissensible Nachfrage.
00:04:20 Schwierigkeiten bei der Kombination bestehender Methoden zur gemeinsamen Optimierung.
00:05:51 Differenzierbares Programmieren als Nachkomme von Deep Learning zur gemeinsamen Optimierung.
00:08:00 Lernen und Optimierung im supply chain management.
00:09:24 Differenzierbares Programmieren und ungelöste Probleme in verschiedenen Branchen.
00:10:27 Nachfrageprognose und Nutzung von Kundendaten.
00:13:24 Wicked-Probleme und sekundäre Konsequenzen bei Promotionen.
00:15:52 Anpassung an Kundenbedürfnisse und Erwartungen.
00:17:03 Die Rolle von Deep Learning und Hardware-Fortschritten bei der Lösung komplexer Probleme.
00:19:20 Abnehmende Erträge im Fortschritt der KI und der Bedarf an Ausdrucksfähigkeit.
00:21:12 Differenzierbares Programmieren ermöglicht das Aufbrechen von Silos im supply chain management.
00:23:23 Abschließende Gedanken.
Zusammenfassung
In diesem Interview diskutieren Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, das Potenzial von differenzierbarem Programmieren für supply chain Optimierung. Vermorel erklärt, dass traditionelle Methoden zur Entscheidungsfindung in Bezug auf Lagerhaltung, Einkauf und Preisgestaltung oft uneinheitlich sind, was zu Ineffizienzen führt. Differenzierbares Programmieren kann diese Entscheidungen optimieren, indem es mehrere Faktoren gleichzeitig berücksichtigt. Dieser noch relativ neue Ansatz kann ungelöste Probleme in verschiedenen Branchen angehen, wie etwa die Nachfrageprognose im Einzelhandel und die Optimierung unter Unsicherheit. Fortschritte in der Technologie haben die Entwicklung komplexerer Modelle ermöglicht, die es erlauben, Probleme in großem Maßstab anzugehen. Differenzierbares Programmieren hat das Potenzial, die supply chain-Optimierung zu revolutionieren, indem es organisatorische Silos aufbricht und die Gesamteffizienz verbessert.
Erweiterte Zusammenfassung
In diesem Interview diskutiert Kieran Chandler, der Moderator, differenzierbares Programmieren und dessen Auswirkungen auf die supply chain-Optimierung mit Joannes Vermorel, Gründer von Lokad, einem Softwareunternehmen, das sich auf supply chain Optimierung spezialisiert hat. Sie erörtern 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 finden wird, sondern vielmehr eines, für das es noch keine zufriedenstellende Lösung gibt. Er weist darauf hin, dass supply chains zwar funktionieren, aber häufig mit erheblichen Ineffizienzen betrieben werden. Diese Ineffizienzen werden möglicherweise erst sichtbar, wenn man sie genauer unter die Lupe nimmt, und es könnten Variablen existieren, die zur Verbesserung der supply chain angepasst werden können, die von supply chain Managern traditionell nicht in Betracht gezogen werden, wie etwa Preisgestaltung und Sortiment.
Chandler fragt nach den spezifischen Herausforderungen, die in der supply chain-Branche schwer zu lösen waren. Vermorel antwortet, dass jeder Sektor seine eigenen schwer zu lösenden Probleme hat, und führt Mode als Beispiel an. Bei Fast Fashion, die sehr preissensitiv ist, zeigt sich, dass die Nachfrage stark von der Preisgestaltung beeinflusst wird. Allerdings behandelt nahezu jede Nachfrageplanungs-Lösung in der Modebranche die Nachfrage, als ob es keine Preisgestaltung gäbe, was eine enorme Lücke erzeugt.
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 sich die meisten historisch entwickelten Lösungen nicht dazu eigneten, miteinander verschmolzen zu werden. Der Sales and Operations Planning (S&OP) Ansatz versuchte, dieses Problem auf menschlicher Ebene anzugehen, indem er die Kommunikation zwischen verschiedenen Abteilungen förderte, was sich jedoch nicht gut auf die Softwareautomatisierung übertragen lässt.
Bei der Softwareautomatisierung weist Vermorel auf die Schwierigkeiten hin, die auftreten, wenn versucht wird, separate Systeme wie Demand Driven Material Requirements Planning (DDMRP), Lager Managementsysteme (WMS) und PIM-Add-ons (Produktinformationsmanagement) für die Preisgestaltung zu integrieren. Diese Systeme treffen oft unabhängige Entscheidungen, was zu einem unzusammenhängenden Ansatz und potenziellen Ineffizienzen führt.
Vermorel erklärt, dass traditionelle Methoden zur Entscheidungsfindung in Bezug auf Lagerhaltung, Einkauf und Preisgestaltung oft getrennt voneinander ablaufen, was zu suboptimalen Ergebnissen führen kann. Er schlägt vor, dass differenzierbares Programmieren dabei helfen kann, diese Entscheidungen zu optimieren, indem es mehrere Faktoren gleichzeitig berücksichtigt.
Differenzierbares Programmieren ist konzeptuell dem Deep Learning ähnlich, konzentriert sich jedoch auf eine Kombination aus Lernen und Optimierung anstelle von reiner Mustererkennung. Vermorel hebt hervor, dass Deep Learning erhebliche Fortschritte in der Bilderkennung erzielt 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 differenzierbares Programmieren sowohl dazu eingesetzt werden, die zukünftige Nachfrage zu erlernen, als auch um optimierte Entscheidungen unter unsicheren Bedingungen zu treffen. Zum Beispiel kann es dabei helfen, zu bestimmen, wie viele Einheiten von einem Lieferanten zu kaufen sind oder wann ein bestimmtes Produkt rabattiert werden sollte. Vermorel weist darauf hin, dass Kunden oft vom Gesamtsortiment der Produkte beeinflusst werden, was bedeutet, dass die Optimierung von Entscheidungen für einzelne Produkte möglicherweise nicht ausreicht.
Obwohl differenzierbares Programmieren ein noch relativ neuer Ansatz ist, glaubt Vermorel, dass er auf eine Vielzahl ungelöster Probleme in verschiedenen Branchen angewendet werden kann. Er nennt das Beispiel der Nachfrageprognose im Einzelhandel, bei der loyalty Programme und Kundendaten wertvolle Einblicke in Kaufmuster bieten können. Derzeit gibt es nur wenige Lösungen auf dem Markt, die diese Daten nutzen, und differenzierbares Programmieren kann möglicherweise dazu beitragen, diese Informationen für eine bessere Entscheidungsfindung auszuschöpfen.
Eine weitere Herausforderung, die differenzierbares Programmieren adressieren kann, ist die Optimierung unter Unsicherheit. Traditionelle Optimierungsmethoden haben oft Schwierigkeiten mit stochastischen, also zufälligen, Bedingungen, was zur Einführung vereinfachter Ansätze wie MRP (Material Requirements Planning) und DDMRP (Demand Driven MRP) geführt hat. Vermorel argumentiert, dass diese Methoden oft unzureichend sind und dass differenzierbares Programmieren einen effektiveren Weg bieten kann, solche Probleme anzugehen.
Das Interview mit Joannes Vermorel hebt das Potenzial von differenzierbarem Programmieren zur Bewältigung verschiedener Herausforderungen in der supply chain-Optimierung hervor. Durch die Kombination von Lernen und Optimierung kann dieser Ansatz Unternehmen dabei helfen, fundiertere Entscheidungen zu treffen, die mehrere Faktoren und Unsicherheiten berücksichtigen. Obwohl differenzierbares Programmieren noch ein relativ neues Feld ist, ist Vermorel der Meinung, dass es erhebliches Potenzial bietet, das supply chain management und die Nachfrageprognose in verschiedenen Branchen zu verbessern.
Sie diskutieren die Rolle des differenzierbaren Programmierens bei der Bewältigung von Herausforderungen im supply chain management und das Potenzial, komplexe, bisher ungelöste Probleme zu lösen.
Vermorel erklärt, dass differenzierbares Programmieren ein leistungsstarkes Werkzeug zur Bewältigung komplexer supply chain Herausforderungen ist. Technologische Fortschritte haben die Optimierung von Modellen mit Millionen von Parametern ermöglicht, während zuvor nur wenige hundert möglich waren. Dieser Kapazitätssprung hat es ermöglicht, Probleme in großem Maßstab anzugehen, was besonders für Unternehmen mit zahlreichen Produkten und Filialen relevant ist.
Eine der großen Herausforderungen, die durch differenzierbares Programmieren adressiert werden kann, sind die sogenannten “Wicked-Probleme”. Diese Probleme entstehen, wenn Handlungen sekundäre Konsequenzen nach sich ziehen, beispielsweise wenn Promotions bei einer Modemarke dazu führen, dass Kunden ausschließlich während des Sales einkaufen. Derzeit ist kein Algorithmus in der Lage, diese Wicked-Probleme zu lösen, aber Vermorel glaubt, dass KI auf menschlichem Niveau sie irgendwann in den Griff bekommen könnte.
Der jüngste Erfolg des differenzierbaren Programmierens ist auf eine Kombination aus Hardware- und Softwarefortschritten zurückzuführen. Der rasante Fortschritt in der Rechenleistung, gekoppelt mit Durchbrüchen in der algorithmischen Effizienz, hat die Optimierung von Modellen mit Hunderten Millionen von Parametern ermöglicht. Vermorel ist der Ansicht, dass wir einen Punkt abnehmender Erträge in der Rechenleistung erreicht haben und dass die Hauptaufgabe nun darin besteht, die Ausdrucksfähigkeit zu verbessern und komplexe Probleme in ein optimierbares Framework zu integrieren.
Für supply chain Praktiker bietet differenzierbares Programmieren das Potenzial, Silos aufzubrechen und zuvor isolierte Probleme gemeinsam zu optimieren. Dies könnte einen gewaltigen Effizienzschub bedeuten, der Unternehmen dazu zwingt, ihre Organisationsstrukturen zu überdenken. Sobald Unternehmen beginnen, differenzierbares Programmieren zu übernehmen, können sie dem von Amazon gegebenen Beispiel folgen, diese Silos aufzubrechen und bereichsübergreifend zu optimieren.
Differenzierbares Programmieren hat das Potenzial, die supply chain-Optimierung zu revolutionieren, indem es bisher ungelöste Probleme angeht und organisatorische Silos aufbricht. Durch Fortschritte in Hard- und Software bietet dieser Ansatz supply chain Praktikern neue Möglichkeiten, komplexe Herausforderungen zu bewältigen und die Gesamteffizienz zu steigern.
Vollständiges Transkript
Kieran Chandler: Hey, heute bei Lokad TV werden wir das etwas neue Thema des differenzierbaren Programmierens anpacken. Diese spannende neue Entwicklung ist der neueste Nachkomme von Deep Learning und hat eine Reihe von Herausforderungen freigeschaltet, die zuvor als unlösbar galten. Heute werden wir ein wenig mehr über diesen Prozess erfahren und verstehen, wie dies zu raschen Fortschritten in der Welt der supply chains geführt hat. Also Joannes, heute sprechen wir über ungelöste Probleme, was ziemlich herausfordernd klingt. Was verstehen wir unter einem ungelösten Problem?
Joannes Vermorel: Was ich eigentlich meine, ist ein Problem, das möglicherweise niemals eine Lösung finden wird, sondern eher Probleme, für die es noch keine zufriedenstellende Lösung gibt. Es ist interessant, denn in supply chains sind alle Probleme irgendwie gelöst, weißt du, auf eine gewisse Weise. Offensichtlich produzieren Fabriken, und die Leute genießen Dinge, die sie in Geschäften kaufen können, sodass die supply chain tatsächlich funktioniert. Aber sie könnte mit erheblichen Ineffizienzen arbeiten, und bis man wirklich darüber nachgedacht hat, sieht man vielleicht gar nicht, wie ineffizient sie auf mehreren Ebenen ist. Besonders, wenn man anfängt, an Anpassungsvariablen zu denken, die man nutzen könnte und die von supply chain Managern traditionell nicht verwendet werden, wie etwa Preisgestaltung, Sortiment und alle möglichen Wege, die Marktnachfrage so zu verbiegen und zu wenden, dass sie den Markt näher an das heranbringt, was man anbietet.
Kieran Chandler: Okay, welche Art von Herausforderungen gibt es, mit denen wir seit einigen Jahren zu kämpfen haben?
Joannes Vermorel: Das kommt darauf an, denn jeder Sektor hat seine eigenen, schwer zu lösenden Probleme. Nehmen wir als Beispiel die Mode. Bei Fast Fashion oder günstiger Mode ist die Nachfrage sehr preissensitiv. Deshalb stürzen sich die Leute in den Sales, weil dies die Zeit ist, in der man diese super aggressiven Preise bekommt. Offensichtlich gibt es, aufgrund der enormen Popularität von Sales, viele Menschen, die glauben, dass es sich lohnt, Stunden zu warten und in überfüllte Geschäfte zu gehen, um von diesen Preisen zu profitieren. Also wollen die Menschen Kleidung und andere Dinge, die ihnen gefallen, aber sie sollen wirklich zu einem Preis sein, den sie sich leisten können. Allerdings behandelt nahezu jede Nachfrageplanungs-Lösung, die ich für Mode kenne – außer Lokad – die Nachfrage, als ob es keine Preisgestaltung gäbe, als ob es ein Katalogpreis wäre und das war’s. Dabei gibt es, wenn man ein Produkt auf den Markt bringt, eindeutig eine ganze Preisstrategie. Wenn sich das Produkt nicht ausreichend verkauft, werden Sales und Rabatte ausgelöst, um den Bestand zu liquidieren und Platz für die nächste Kollektion zu schaffen. Also, wenn man etwas hat, das hinsichtlich der Prozessorganisation und der unterstützenden Softwaretechnologie die Kundennachfrage und die Preisgestaltung als völlig getrennt behandelt, entsteht offensichtlich eine enorme Lücke. Und das ist eindeutig ein ungelöstes Problem, nämlich die gemeinsame Optimierung von Nachfrage, Lagerhaltung und Preisgestaltung gleichzeitig.
Kieran Chandler: Wie werden diese Probleme mit bestehenden Methoden angegangen? Ich meine, können wir bestehende Methoden kombinieren, um etwas Zufriedenstellendes zu erreichen?
Joannes Vermorel: Nein, die meisten historisch erfundenen Rezepte eigneten sich nicht dafür, miteinander vermischt zu werden. Das war sozusagen der Versuch von S&OP, dies auf menschlicher Ebene zu tun – also Leute miteinander sprechen zu lassen. Bei Menschen kann das funktionieren, weil sie kommunizieren und ihre Semantik aufeinander abgestimmt werden kann. Aber wenn es um Softwareautomatisierungen geht, bei denen DDMRP Entscheidungen trifft, WMS Lagerentscheidungen übernimmt und dann ein Add-on in deinem PIM (Produktinformationsmanagement) die Preissteuerung übernimmt, passen all diese Systeme nicht zusammen.
Kieran Chandler: Weißt du, sie haben nichts, das sie von Haus aus miteinander verbindet, und selbst wenn, ist es überhaupt nicht klar. Angesichts der Methoden, die zur Entscheidungsfindung herangezogen werden – wie Lager- oder Einkaufsentscheidungen auf der einen Seite und Preisentscheidungen auf der anderen – gibt es überhaupt nichts, das man in die Mitte bauen könnte, um die Entscheidungen in Einklang zu bringen und gemeinsam zu optimieren.
Joannes Vermorel: Im Kern sind diese Systeme mit einer Divide-and-Conquer-Mentalität konzipiert, bei der alles, was nicht im Umfang liegt, völlig ignoriert wird. So können auch deutlich einfachere Rezepte entwickelt werden. Differenzierbares Programmieren dreht sich um eine doppelte Optimierung, die viele verschiedene Probleme berücksichtigt und miteinander vereint.
Differenzierbares Programmieren ist konzeptuell mit Deep Learning verwandt, konzentriert sich jedoch nicht so stark auf Genauigkeit bei Vorhersagen. Es bietet eher einen anderen Blickwinkel auf die Dinge. Der jüngste Fortschritt im Deep Learning bezog sich hauptsächlich auf das Lernen, mit enormen Fortschritten bei der Mustererkennung in Bildern und der Identifizierung von Objekten oder Personen. Das ist sehr beeindruckend, und die Fortschritte waren signifikant.
Allerdings gab es auch eine andere Seite, bei der Deep Learning massenhaft großartige Ergebnisse in der numerischen Optimierung ermöglichte. Der Grund, warum wir komplexe Bildmuster mit höherer Genauigkeit erkennen konnten, liegt darin, dass unsere Modelle wesentlich komplexer waren – mit viel mehr Parametern, im Bereich von zehn Millionen. Um diese Modelle überhaupt trainieren und ein mathematisches Modell zu erstellen, das auf Ihrem Datensatz effizient ist, benötigt man ein Rezept zur numerischen Optimierung, das im großen Maßstab funktioniert, da es um Millionen von zu optimierenden Parametern geht.
Deep Learning und KI-Technologien brachten eine Reihe von Durchbrüchen in der groß angelegten Optimierung mit sich, die viele der Fortschritte auf der Lernseite ermöglichten. Differenzierbares Programmieren kommt aus einer anderen Perspektive. Dabei sind sowohl der Lernaspekt als auch die numerischen Werkzeuge zur groß angelegten Optimierung von Interesse. Manchmal wünscht man sich eine Mischung aus beidem – Lernen und Optimierung.
Im supply chain möchte man nicht so sehr lernen, wie die zukünftige Nachfrage sein wird, sondern die richtige Entscheidung optimiert unter unsicheren zukünftigen Bedingungen treffen, z. B. wie viele Einheiten zu kaufen sind, wenn der Lieferant einen bestimmten Preis anbietet. Sobald die Einheiten erworben sind, stellt sich die Frage: Wann sollte man sich entscheiden, ein bestimmtes Produkt rabattiert anzubieten? Es geht sowohl darum, die zukünftige Nachfrage zu erlernen als auch Variablen zu optimieren, bei denen man viel Spielraum hat.
Im Bereich Mode – bei einem Produkt, einem Preis und einem Lagerbestand – ist die Realität, dass Kunden nicht für ein einzelnes Produkt in ein Geschäft kommen. Sie haben Bedürfnisse, Wünsche und Sehnsüchte und betrachten letztlich das Sortiment. Wenn man Entscheidungen nur für ein Produkt trifft, verfehlt man den Kern der Sache. Deshalb benötigen all diese Marken Kollektionen, denn sie müssen ein breites Sortiment anbieten, damit es für die Kunden sinnvoll ist.
Kieran Chandler: Wo funktioniert dieser Ansatz in der realen Welt wirklich gut? Was sind die klassischen Herausforderungen, die sich damit sehr gut lösen lassen?
Joannes Vermorel: Der Technologiestack ist noch ziemlich neu, und beim differentiable programming würde ich nicht sagen, dass es eine fest etablierte Routine gibt, wo es sehr gut funktioniert. Was ich sagen möchte, ist, dass es in diesem Bereich so viele Möglichkeiten zu erkunden gibt.
Kieran Chandler: In vielen Industrien werden unterschiedliche Problemfelder gesehen. In einer früheren Diskussion sprachen wir über die Grenzen des MRP und wie DDMRP im Grunde genommen fehlerhafte MRP-Systeme Notlösungen anbietet. Aber was ist das ungelöste Problem in diesem Bereich?
Joannes Vermorel: Das ungelöste Problem ist die Optimierung unter Unsicherheit. Wenn man eine Optimierung ähnlich einem Puzzlespiel mit einer statischen, unbeweglichen Zukunft durchführt und alle Einschränkungen anwendet, waren solche Probleme bereits in den 1980er Jahren gelöst. Sobald jedoch ein hoher Zufallsanteil hinzukommt, wird es zu einem völlig anderen Problem. Alle numerischen Optimierer, die uns zur Verfügung stehen, brechen zusammen, weshalb man auf super einfache Rezepte mit Entkopplungspunkten und entkoppelten Elementen zurückfällt. Das MRP ist eine Konsequenz fehlender adäquater Werkzeuge, um das Problem wirklich anzugehen.
Kieran Chandler: Können Sie uns ein weiteres Beispiel nennen, bei dem Branchen grundsätzlich den Kern der Sache verfehlen?
Joannes Vermorel: Sicher. Wenn man in Bezug auf die Nachfrageprognose denkt, ist jede verkaufte Einheit mit einem Kunden verbunden. Heutzutage können dank Treueprogrammen fast alle Einzelhandelsketten und E-Commerce-Plattformen ihre Kunden identifizieren und genau feststellen, 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. Es gibt hier viele Informationen, wie z. B. das Sortiment zum Zeitpunkt der Kaufentscheidung und die Identität der Kunden mit Kaufhistorie. Dennoch sehe ich, dass es auf dem Markt fast keine Lösungen gibt, die diese Daten nutzen. Es besteht eine deutliche Lücke und ein enormes, ungenutztes Potenzial.
Kieran Chandler: Was sind die echten Herausforderungen in supply chains, bei denen differentiable programming nicht einmal an der Oberfläche kratzt?
Joannes Vermorel: Es gibt komplexe Probleme, die wahrscheinlich erst mit dem Aufkommen starker KI oder menschlicher Intelligenz gelöst werden. Diese Probleme betreffen das Nachdenken über die sekundären Konsequenzen Ihrer Handlungen. Zum Beispiel, wenn Sie Werbeaktionen für eine Modemarke durchführen, tun Sie zwei Dinge: Sie liquidieren Ihren Lagerbestand – was gut ist und mit differentiable programming optimiert werden kann –, aber Sie müssen auch von Anfang an über die Konsequenzen Ihrer Handlungen nachdenken, wenn Sie eine Bestellung aufgeben.
Kieran Chandler: Liefern Sie zunächst Ihre ersten Einheiten, okay, gut. Aber was sind dann die sekundären Konsequenzen? Die Tatsache, dass, wenn Sie Werbeaktionen oder Verkäufe durchführen, Sie Ihre Kundschaft tatsächlich darauf trainieren, nur dann in Ihrem Geschäft, Ihren Filialen oder Ihrem e-commerce einzukaufen, wenn es Sonderangebote gibt. Und es könnte eine Entwicklung geben, die sich über ein Jahrzehnt hinzieht, bei der sich die Käufer von Personen, die regelmäßig und freudig kaufen, zu jenen entwickeln, die jetzt nur noch bei Aktionen einkaufen.
Joannes Vermorel: Es ist wie eine selbsterfüllende Prophezeiung, und das gerade eben. Deshalb wird es als “wicked problem” bezeichnet. Man kann die entsprechende Wikipedia-Seite nachlesen. Fundamentaler Bestandteil ist, dass es nicht um Automaten geht. Ihre Kunden sind nicht automatisiert; sie sind klug und passen sich an. Im Grunde genommen müssen Sie bedenken, dass, wenn Sie etwas tun, die Menschen darüber nachdenken und sich anpassen. Das nenne ich die sekundären Konsequenzen.
Wenn die Menschen wissen, dass Sie etwas vorhaben, entwickeln sie Erwartungen und stützen ihre Handlungen auf das, was sie von Ihnen halten. Es ist eine Art Rekursion, und es ist etwas sehr Menschliches, in dem Menschen tatsächlich recht gut sind. Es sind all diese komplexen Konsequenzen.
Zum Beispiel, nehmen wir an, Sie sind ein Autohersteller. Sie verbessern den supply chain für die Verteilung von Autoteilen und für Ihr eigenes Netz von Werkstätten. Ihre Werkstätten werden so gut, dass Sie Ihre historischen Partner auf dem Markt tatsächlich entfremden. Sie optimieren also auf der einen Seite und verärgern dann wichtige Partner, die früher Ihre festen Partner waren. Sollten Sie daher auf die Optimierung Ihres supply chain verzichten, nur um Ihre Partner zufriedenzustellen? Vielleicht, vielleicht auch nicht. Wiederum handelt es sich dabei um ein wicked problem, das jegliche Fähigkeiten eines Algorithmus sprengt – selbst die ausgefallensten KI-Techniken, von denen man in der Presse liest, kommen diesem wicked problem nicht einmal annähernd nahe.
Kieran Chandler: Es klingt, als ob diese wicked problems vermutlich ein Problem für das differentiable programming von morgen und Skynet sind und nicht für Terminatoren. Warum war es also jetzt an der Zeit, sich mit einigen dieser unlösbaren Probleme zu befassen? Was hat sich in der Welt der Technologie so verändert, dass differentiable programming diesen Fortschritt ermöglichen konnte?
Joannes Vermorel: Was sich verändert hat, ist, dass wir von einer Technologie, bei der man Modelle mit buchstäblich ein paar Hundert Parametern optimieren konnte, zu Modellen übergegangen sind, die hundert Millionen Parameter haben können. Das ist das, was man mit modernen Deep Learning-Techniken erreicht, besonders für Optimierungszwecke in tiefen und differentiable programming-Kontexten. Das ist ein echter Game-Changer, da die Herausforderung bei vielen der diskutierten Kunden darin besteht, dass – sofern es sich nicht um sehr kleine Unternehmen handelt – ihre Probleme im großen Maßstab auftreten. Selbst wenn es nicht Walmart ist, sobald Sie etwa 50 Filialen haben, müssen Probleme im großen Maßstab gelöst werden. Haben Sie beispielsweise 10.000 Produkte pro Filiale, sprechen wir von einer halben Million SKUs, also quasi einer halben Million Variablen für Preis- und Lagerentscheidungen jeden Tag.
Was sich geändert hat, war der Übergang von der Optimierungskapazität bei ein paar Hundert Variablen zu solchen mit Millionen. Plötzlich konnten zahlreiche Probleme gelöst werden, die zuvor unsichtbar waren. Interessanterweise war es im Deep Learning eine Kombination aus Hardware- und Softwarefortschritten. KI entwickelt sich immer noch rasant, und leistungsfähigere CPUs mit mehr Kernen und roher Rechenleistung machen ebenfalls recht schnelle Fortschritte. Darüber hinaus gibt es eine Reihe von Durchbrüchen, bei denen die Hardware in zwei Jahren 10 Einheiten Rechenleistung bereitstellte.
Kieran Chandler: Vielleicht werden es 20 Einheiten sein oder vielleicht wird das in 3 Jahren so sein – das ist ein schöner exponentieller Fortschritt über einen Zeitraum von sagen wir drei Jahren oder so. Aber wenn alle sechs Monate Software- oder mathematische Durchbrüche erzielt werden, die die Effizienz des bestehenden Algorithmus verdoppeln, geht der Fortschritt dramatisch schneller. Genau das passiert im Deep Learning. Es gab einen stetigen Hardware-Fortschritt, doch dieser wurde durch eine Reihe von algorithmischen und mathematischen Durchbrüchen vollständig verstärkt – sodass buchstäblich doppelt so viel Leistung aus derselben Hardware herausgeholt wurde. Die Beschleunigung hat sich im letzten Jahrzehnt vollzogen, und das Ergebnis ist, dass wir innerhalb eines Jahrzehnts von Modellen mit ein paar Hundert Variablen zu solchen mit Hunderten von Millionen übergegangen sind. Nicht ganz exakt, aber das gibt einen Rahmen. Also, das hat sich verändert – ein großer Teil davon besteht darin, dies im großen Maßstab agil und kostengünstig umzusetzen. Wird dieses Wachstum anhalten oder wächst es tatsächlich nicht so stark, wie es müsste?
Joannes Vermorel: An diesem Punkt denke ich, dass wir den Sättigungseffekt erreicht haben. Die meisten der Probleme, denen wir heute gegenüberstehen, resultieren nicht aus einem Mangel an Rechenleistung – wir verfügen über einen Überschuss an Rechenleistung. Wir haben selten Fälle, in denen man sagen könnte, wenn Rechenleistung zehnmal günstiger wäre, ließe sich das Problem lösen. Und wenn es Methoden gibt, bei denen man viel mehr Rechenleistung investieren könnte, um einen kleinen Schub zu erhalten, ist der Zugewinn meist äußerst marginal. Man könnte durch den Einsatz des Zehnfachen an CPU-Leistung ein Plus von 0,2 Prozent Genauigkeit erzielen, aber das lohnt sich einfach nicht. Es ist besser, das Ganze neu zu durchdenken. Ich glaube, dass die Hauptherausforderung nun in der Ausdrucksfähigkeit liegt – darin, wie man diese Probleme in ein Rahmenwerk einbetten kann. Differenzierbares Programmieren ist nicht das Gegenteil davon; es zielt darauf ab, maximale Ausdruckskraft zu erreichen, sodass all jene bisher ungelösten Probleme in den Bereich dessen übergehen, was man mit differentiable programming leisten kann.
Kieran Chandler: Fassen wir also alles zusammen – was bedeutet differentiable programming für den supply chain Practitioner? Welche Vorteile werden sich voraussichtlich ergeben und wie wird es den aktuellen Ansatz verändern?
Joannes Vermorel: Differenzierbares Programmieren wird ein gewaltiger Schritt nach vorn sein, um Silos abzubauen. Wir haben, glaube ich, vor 20 Episoden über all jene Silos gesprochen, in denen es vertikale und horizontale Trennungen gab. In Wirklichkeit sagte ich, dass wir diese Silos einfach abschaffen sollten, doch manche könnten dem widersprechen. Es macht Sinn, denn offensichtlich gibt es ungenutzte Ineffizienzen, die beseitigt und optimiert werden könnten, wenn die Technik dazu in der Lage wäre – aber diese Technik ist einfach noch nicht vorhanden. Deshalb sind wir vorerst aufgrund fehlender Alternativen an diese Silos gebunden. Ich bin überzeugt, dass differentiable programming konkret die Tür öffnet, um über gemeinsame Preisgestaltung plus Sortiment, Sortimentsverarbeitung, Sortimentspreisgestaltung oder Einkauf plus Preisgestaltung nachzudenken. Man sieht all jene Probleme, die wir bisher isoliert gelöst haben, und nun kann man sagen: Oh, wir werden sie gemeinsam angehen. Das wird auch eine Neuerfindung der Organisationsstrukturen in diesen Unternehmen erfordern, denn die alten Silos werden in dieser neuen Welt nicht bestehen, wenn Unternehmen anfangen, nach dem Amazon-Modell diese Silos abzubauen und die Bereiche quer zu optimieren.
Kieran Chandler: Hervorragend, danke für Ihre Zeit heute. Das ist etwas für diese Woche. Vielen Dank, dass Sie eingeschaltet haben,
