00:00:07 Potenzielle Anwendungsfälle von differenzierbarem Programmieren in supply chains.
00:00:31 Anwendung differenzierbaren Programmierens auf Einzelhandelsgeschäfte und Kundenperspektiven.
00:02:56 Bahnbrechende Eigenschaft des differenzierbaren Programmierens bei der Modellierung des Kundenverhaltens.
00:06:05 Auswirkungen des differenzierbaren Programmierens auf Lagerbetriebe und die Prognose zukünftiger Nachfrage.
00:07:11 Glättung von Lagerlieferungskurven mit differenzierbarem Programmieren.
00:09:38 Die Wichtigkeit, Kunden rechtzeitig zu bedienen, und ihre Auswirkungen auf die supply chain.
00:10:40 Die Rolle des differenzierbaren Programmierens bei der Modellierung komplexer supply chain Netzwerke.
00:13:01 Qualitätskontrolle und Unvollkommenheiten in Produktionssystemen.
00:14:17 Anwendung des differenzierbaren Programmierens zur Modellierung von Unsicherheiten in der Pharmaindustrie.
00:16:00 Differenzierbares Programmieren und seine Vorteile bei spärlichen Datensituationen.
00:17:41 Patentablauf als Beispiel für den Einsatz von differenzierbarem Programmieren in der Pharmaindustrie.
00:19:57 Komplexität annehmen und zentrale Geschäftstreiber durch differenzierbares Programmieren angehen.
00:21:59 Ausgewogenheit zwischen Einfachheit und Komplexität in Modellen basierend auf Geschäftsanforderungen.
00:22:42 Differenzierbares Programmieren als Weiterentwicklung von Lokads programmatischem Ansatz, Vorteile und Chancen für Kunden.

Zusammenfassung

In dieser Interviewfolge untersuchen Moderator Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, die Anwendungen des differenzierbaren Programmierens und seine Auswirkungen auf supply chain management. Traditionelle time series Modelle haben Schwierigkeiten, Kannibalisierung und Substitution zu modellieren, während differenzierbares Programmieren einen kundenorientierten Ansatz bietet, der Kundenwünsche und -bedürfnisse für fundiertere decision-making berücksichtigt. Dieser Ansatz kann zu genauerer Nachfrageprognose, inventory management und Optimierung von Lagerprozessen führen. Differentiable programming bewältigt komplexe mehrstufige Herausforderungen und berücksichtigt Produktionsunvollkommenheiten, wodurch es für verschiedene Branchen geeignet ist. Vermorel betont, dass differenzierbares Programmieren es Unternehmen ermöglicht, ihr Fachwissen in machine learning Modelle einzubringen, was zu präziseren, effizienteren und maßgeschneiderten Lösungen für spezifische Probleme führt.

Ausführliche Zusammenfassung

In dieser Folge der Interviewreihe über differenzierbares Programmieren diskutieren Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, die potenziellen Anwendungsfälle und Konsequenzen der Anwendung dieser Technologie auf supply chains, insbesondere im Einzelhandel. Differenzierbares Programmieren hat das Potenzial, das supply chain management zu verbessern, indem es verschiedene Probleme angeht, die traditionelle time series Ansätze nicht effektiv bewältigen können.

Eines der zentralen Probleme im supply chain management ist die Herausforderung, Kannibalisierung und Substitution zu modellieren, die in Branchen wie Luxus, Fast Fashion und Lebensmittel-Einzelhandel besonders bedeutsam sind. Traditionelle time series Modelle haben Schwierigkeiten, diese Faktoren zu berücksichtigen, und greifen oft zu notdürftigen Lösungen, die wenig zufriedenstellend und bei weitem nicht optimal sind.

Differenzierbares Programmieren bietet einen neuen Ansatz für diese Probleme, indem es den Fokus auf die Perspektive des Kunden legt, statt ausschließlich auf das Produkt. Es ermöglicht supply chain Managern, Faktoren wie Kundenwünsche, -bedürfnisse und die Wahrscheinlichkeit, dass Kunden Artikel aus dem aktuellen Sortiment und unter Berücksichtigung der Lagerverfügbarkeit auswählen oder nicht auswählen, in Betracht zu ziehen. Dieser kundenorientierte Ansatz liefert ein genaueres und differenzierteres Verständnis des Einzelhandelsumfelds, was zu fundierteren Entscheidungen führt.

Der bahnbrechende Aspekt des differenzierbaren Programmierens liegt in seiner Fähigkeit, Kundenaffinitäten gegenüber bestimmten Produkten im Katalog zu modellieren. Dieser prozedurale Prozess ermöglicht supply chain Managern, verschiedene Faktoren zu berücksichtigen, wie zum Beispiel, wie Neuheiten Kundenkäufe beeinflussen und wie Stammkunden wahrscheinlich nicht dasselbe Produkt erneut erwerben. Diese Erkenntnisse können zu einer genaueren Nachfrageprognose und einem besseren inventory management führen.

Zum Beispiel ist es in einer Buchhandlung sehr unwahrscheinlich, dass ein Kunde, der ein Buch kauft, denselben Titel bei seinem nächsten Besuch wieder erwirbt. Traditionelle time series Modelle haben Schwierigkeiten, dieses Verhalten zu berücksichtigen, während differenzierbares Programmieren diese individuellen Kaufentscheidungen direkt modellieren kann. Dies führt zu einem genaueren Verständnis der Kundennachfrage und des Produktlebenszyklus.

Differenzierbares Programmieren ermöglicht es supply chain Managern, das Verhalten von Kunden zu modellieren, die das Geschäft regelmäßig besuchen, etwa solche, die von Neuheiten getrieben werden. Dieser Ansatz kann helfen, vorherzusagen, wie beliebt new products sein werden und wann die Nachfrage nach ihnen nachlässt. Im Gegensatz zu time series Modellen, die auf indirekten Methoden zur Modellierung dieser Muster beruhen, bietet differenzierbares Programmieren eine direktere und genauere Lösung.

Vermorel erklärt, dass differenzierbares Programmieren eine genauere Modellierung des Kundenverhaltens am Point of Sale ermöglicht. Traditionelle statistische Modelle hatten Schwierigkeiten, selbst grundlegende Erkenntnisse über das Kundenverhalten zu integrieren, was es ihnen erschwerte, von Grund auf zu lernen. Differenzierbares Programmieren bietet hingegen einen direkteren Weg, um zu verstehen, was im Geschäft geschieht, und kann leicht in machine learning Modelle integriert werden.

Wenn es um Lagerhaltung geht, kann differenzierbares Programmieren helfen, den Fluss von Produkten zu optimieren und zu glätten. Warehouses stehen oft vor Ein-/Ausgangskapazitätsproblemen, und es wäre ideal, wenn kleine Anpassungen an den Versandplänen vorgenommen werden könnten, um Zusammenstöße bei Lieferungen zu vermeiden und den Bedarf an Aushilfskräften zu reduzieren. Traditionelle Optimierungstechniken hatten mit diesem Problem zu kämpfen, da es sowohl Lern- als auch Optimierungsaspekte beinhaltet. Differenzierbares Programmieren kann jedoch die enorme Anzahl an Variablen, die in diesen Prozess einfließen, bewältigen und es ermöglichen, den Versand von Millionen von SKUs zu optimieren und subtile Wechselwirkungen zu berücksichtigen.

Auf Produktionsebene kann differenzierbares Programmieren helfen, komplexe mehrstufige Herausforderungen zu bewältigen. Traditionelle Ansätze konzentrierten sich tendenziell auf bestimmte Knotenpunkte innerhalb der supply chain und strebten hohe service levels für bestimmte Produkte an. Vermorel argumentiert jedoch, dass letztlich zählt, ob die Fertigwaren den Kunden zur Verfügung stehen, sodass viele der Zwischenschritte in der supply chain irrelevant werden. Differenzierbares Programmieren ermöglicht eine genauere Modellierung des komplexen Netzwerks von Teilen und Baugruppen innerhalb der supply chain, was letztlich dazu beiträgt, Kunden besser und pünktlich zu bedienen.

Zusätzlich kann differenzierbares Programmieren dazu beitragen, Unvollkommenheiten im Produktionssystem, wie Qualitätskontrollprobleme, zu berücksichtigen. In Branchen wie der Pharmaindustrie, in denen lebende Organismen an der Herstellung fortschrittlicher Medikamente beteiligt sind, können Produktionschargen aufgrund biologischer Prozesse verloren gehen. Differenzierbares Programmieren kann diese Verluste berücksichtigen und dazu beitragen, den gesamten Produktionsprozess zu optimieren.

Vermorel erklärt, dass die Pharmaindustrie aufgrund der Natur ihrer Prozesse mit hohen Unsicherheitsgraden, wie in uncertainty beschrieben, zu tun hat. Zum Beispiel, wenn in einer Kulturcharge ein Problem auftritt, ist es wahrscheinlich, dass die gesamte Charge verloren geht, was sich von der Automobilindustrie unterscheidet, in der nur ein kleiner Teil der Teile die Qualitätskontrolle nicht besteht. Traditionelle machine learning Modelle könnten mit diesem Maß an Unsicherheit Schwierigkeiten haben, da sie möglicherweise nicht über genügend relevante historische Daten verfügen, um Ergebnisse genau vorherzusagen.

Differenzierbares Programmieren bietet eine Alternative, indem es Unternehmen ermöglicht, ihr Fachwissen direkt in das machine learning Modell einzubringen. Vermorel betont, dass es beim differenzierbaren Programmieren nicht darum geht, große Datenmengen in ein KI-System zu werfen, sondern das Beste aus spärlichen und wertvollen Daten herauszuholen. Zum Beispiel ist in der Pharmaindustrie der Einfluss des Patentablaufs auf die Arzneimittelpreise ein bekanntes Phänomen. Differenzierbares Programmieren ermöglicht es, dieses Wissen in das Modell einzubringen und so dessen accuracy und Effizienz zu verbessern.

Die Vielseitigkeit des differenzierbaren Programmierens macht es für verschiedene Branchen geeignet, die jeweils vor einzigartigen Herausforderungen stehen. Vermorel nennt das Beispiel des automobilen Aftermarkets, bei dem die Kompatibilität zwischen Fahrzeugteilen und spezifischen Fahrzeugmodellen entscheidend ist. Wird dieser Aspekt in einem vereinfachten Modell ignoriert, kann dies zu suboptimalen Ergebnissen führen, während differenzierbares Programmieren dazu beitragen kann, diese wesentlichen Geschäftstreiber zu erfassen.

Trotz der Komplexität des differenzierbaren Programmierens argumentiert Vermorel, dass Unternehmen sich nicht davor scheuen sollten, es zu nutzen. Zwar können einfachere Modelle funktionieren, allerdings oft auf Kosten der Genauigkeit und eines umfassenden Verständnisses des Geschäfts. Differenzierbares Programmieren ermöglicht einen passgenaueren Ansatz, der spezifische Probleme und Situationen adressieren kann.

Differenzierbares Programmieren stellt eine Weiterentwicklung von Lokads programmatischem Ansatz zur Optimierung von supply chain dar. Es ermöglicht Unternehmen, ihr Fachwissen in ihre machine learning Modelle einzubringen, was zu einer schlankeren Umsetzung und einer verbesserten Leistung in Bezug auf Genauigkeit führt. Differenzierbares Programmieren bietet Unternehmen die Möglichkeit, bestehende Probleme neu zu überdenken und skalierbare Lösungen zu entwickeln, die ihren einzigartigen Herausforderungen besser gerecht werden.

Volles Transkript

Kieran Chandler: Heute werden wir unsere kurze Serie abschließen, indem wir uns etwas genauer einige der potenziellen Anwendungsfälle und die weitreichenden Konsequenzen ansehen, die dies bei Anwendung auf supply chain haben kann. Also, Joannes, was sind einige der Probleme, bei denen wir unseren Ansatz durch den Einsatz von differenzierbarem Programmieren verbessern können? Und fangen wir vielleicht mit Einzelhandelsgeschäften an, dem Berührungspunkt mit den Kunden.

Joannes Vermorel: Im Moment wird in supply chain nahezu alles aus der time series Perspektive betrachtet, bei der man ein Produkt hat und die Stückverkäufe, die gekaufte Nachfrage oder den Service beobachtet, je nachdem, welche Art von Geschäft man betreibt. Offensichtlich ist ein Geschäft in der Luft- und Raumfahrt nicht dasselbe wie ein Geschäft für einen Fast-Fashion-Laden, aber die Idee ist, dass der Blickwinkel gewissermaßen der time series Blickwinkel pro Produkt ist. Das Problem mit diesem Ansatz ist zum Beispiel, dass Dinge wie Kannibalisierung und Substitution, die im Luxussegment, in Fast Fashion oder sogar im Lebensmittel-Einzelhandel sehr stark ausgeprägt sind, extrem schwer zu modellieren sind. In vielen Fällen existieren sie kaum. Differenzierbares Programmieren bietet einen Ansatz, das Problem direkt aus der Perspektive des Kunden anzugehen, indem es sagt: “Nun, ich habe eine Kundschaft, die mein Geschäft betritt und Wünsche und Bedürfnisse hat, und sie werden Dinge, die ihnen präsentiert werden, entweder auswählen oder nicht auswählen, unter Berücksichtigung des aktuellen Sortiments und der derzeitigen Lagerverfügbarkeit im Geschäft.” Das ist sehr interessant, denn mittels differenzierbarem Programmieren können wir auf einer Ebene arbeiten, die nicht die Ebene einer time series basierend auf den im Geschäft gelisteten Produktreferenzen ist. Wir können die Kundenperspektive einnehmen, und das ist wirklich bahnbrechend. Unsere Erfahrung mit der time series Perspektive zeigt, dass das Beste, was man in der Regel tun kann, einfach ist, einen Notbehelf an seine numerischen Modelle anzulegen, sodass sie nicht allzu stark leiden, wenn es zu Kannibalisierung und Substitution kommt, aber es ist doch alles andere als zufriedenstellend. Es ist bestenfalls ein Flickenteppich.

Kieran Chandler: Fassen wir also vielleicht noch einmal zusammen, was wir in den vorherigen Folgen besprochen haben. Was ist diese bahnbrechende Eigenschaft, die du erwähnt hast und die das alles möglich macht?

Joannes Vermorel: Mit einem Ansatz des differenzierbaren Programmierens kann man buchstäblich modellieren, dass ein Kunde eine spezifische Affinität zu einem beliebigen Produkt in Ihrem Katalog hat, und man kann dafür einen prozeduralen Prozess schreiben. Nehmen wir zum Beispiel an, ich habe Kunden, die in mein Geschäft zurückkehren, und vielleicht werden diese Kunden von Neuheiten angetrieben. Wie modelliert man etwas so Einfaches wie: Wenn Menschen in mein Geschäft kommen, um ein Buch zu kaufen, werden sie definitionsgemäß nicht dasselbe Buch erneut kaufen, wenn sie zurückkommen? Sie werden nur einen anderen Titel kaufen, nicht denselben. Aus einer klassischen, time-series Perspektive ist es nahezu unmöglich, so etwas Grundlegendes zu berücksichtigen, nämlich dass ein wiederkehrender Kunde, der einmal pro Monat in Ihre Buchhandlung geht, nicht dasselbe Produkt erneut erwirbt. Wenn Sie also einen Nachfrageschub für ein Buch sehen, ist die Wahrscheinlichkeit groß, dass die Nachfrage dadurch ausgelöscht wird, dass, wenn alle Ihre Stammkunden dieses neue, populäre Buch kaufen, sie definitionsgemäß, sobald sie zurückkehren, es nicht wieder kaufen. Natürlich kann man das mit einer time series Perspektive modellieren, indem man einen Lebenszykluseffekt einführt, bei dem man ein neues Produkt vorstellt, das zu Beginn einen Höhepunkt hat, und dann sinkt die Nachfrage. Aber das ist eine sehr indirekte Art, das Problem zu modellieren. Ein viel direkterer Ansatz ist es, verschiedene

Kieran Chandler: Ihre Software ermöglicht es, genau zu modellieren, was im Geschäft passiert, auf eine viel direktere Weise, als es bisher möglich war. Können Sie erklären, wie dies die Nutzung statistischer Modelle in der Optimierung von supply chain verändert?

Joannes Vermorel: Mit differenzierbarem Programmieren wird es einfacher, grundlegende Erkenntnisse über das Kundenverhalten in statistische Modelle einzubringen. Das bedeutet, dass die Modelle nicht alles von Grund auf ohne jegliche Geschäftseinblicke lernen müssen, was zuvor eine schwierige Aufgabe war.

Kieran Chandler: Wie hilft differenzierbares Programmieren im Bereich der Lagerhaltung innerhalb der supply chain? Geht es dabei hauptsächlich um die Prognose zukünftiger Nachfrage?

Joannes Vermorel: Differenzierbare Programmierung kann auch bei Herausforderungen auf Lager-Ebene helfen, beispielsweise indem sie den Versandfluss glatter gestaltet. Lager stehen häufig vor Kapazitätsproblemen beim Ein- und Ausgang, und eine Lösung besteht darin, Sendungen intelligent zu organisieren, um Kollisionen zu vermeiden und den Druck auf logistische Plattformen zu reduzieren. Durch kleine Anpassungen im Versandplan können Abläufe reibungsloser, einfacher und kostengünstiger gesteuert werden, sodass der Bedarf an Zeitarbeitskräften und die damit verbundene operationelle Komplexität sinken.

Kieran Chandler: War es schwierig, dieses Optimierungsniveau mit den bestehenden Techniken zu erreichen?

Joannes Vermorel: Mit den herkömmlichen Verfahren war es schwierig, Lernen und Optimierung zu kombinieren. Wenn man Tausende von Produkten und Hunderte von Kunden hat, landen schnell Millionen von Variablen, die optimiert werden müssen, und traditionelle Optimierungsmethoden können diese Komplexität nicht bewältigen. Differenzierbare Programmierung ermöglicht in solchen Situationen eine bessere Optimierung, selbst bei vielen feinen Wechselwirkungen, wie der Notwendigkeit, einem Laden mehr Produkte zu liefern, wenn dieser kurz davor ist, ausverkauft zu sein.

Kieran Chandler: Es gibt eine Rückkopplungsschleife zwischen dem, was Sie entscheiden, und dem, was Sie prognostizieren, und aus einer traditionelleren Perspektive hätten wir diese Art der Optimierung durchführen können – allerdings war es viel mühsamer, weil wir eine schrittweise Analyse vornehmen mussten. Grundsätzlich war es sehr schwer, all diese im System vorhandenen Rückkopplungsschleifen zu berücksichtigen. Und wenn wir den letzten Schritt in dieser supply chain zurückgehen und die Dinge nun auf Fertigungsebene betrachten, wie hilft uns die differenzierbare Programmierung bei diesen multi-echelon Herausforderungen?

Joannes Vermorel: Der Punkt wird noch deutlicher, wenn man in den Bereich der multi-echelon Optimierung übergeht. Das meiste, was an jedem einzelnen Knoten geschieht, ist gewissermaßen nebensächlich, da es ein Artefakt ist. Man interessiert sich nicht für die Lagerverfügbarkeit an zufälligen Stellen in Ihrem komplexen Netzwerk aus Teilen und Baugruppen, die schließlich zu den Fertigwaren werden. Der einzige Aspekt im Graphen, der wirklich zählt, ist, ob Sie Ihren Kunden rechtzeitig bedienen – eine Frage, die nur für die Fertigwaren von Bedeutung ist.

Was ist mit dem ganzen Abhängigkeitsgraphen, den Sie dahinter haben? Die Tatsache, dass das, was in jedem Zwischenschritt passiert – dieser komplexe Graph der Abhängigkeiten, in dem Ihre Stückliste diesen Graphen erzeugt – grundsätzlich irrelevant ist, bleibt ein Artefakt, das nur aus der Perspektive zählt, ob Sie am Ende des Prozesses Ihre Kunden bedienen.

Übrigens, das führt mich zurück zu meiner Kritik an DDMRP vor ein paar Wochen. Wenn Sie auf diesem Graphen ein binäres Bewertungssystem anwenden und für bestimmte Knoten ein hohes Serviceniveau festlegen, spielt es keine Rolle, wenn ein Produkt ein hohes Serviceniveau hat, sofern Ihre Kunden sich nicht dafür interessieren, weil sie dieses Produkt nicht kaufen. Das Einzige, was sie interessiert, ist, ob die Fertigwaren, die Sie verkaufen, verfügbar sind oder nicht.

Differenzierbare Programmierung hilft Ihnen, viel genauer zu modellieren, was in diesem Netzwerk geschieht. Manche Schritte können probabilistische Zeiten haben oder auch nicht. Es kann Schritte geben, bei denen ein bestimmter Anteil des Flusses die Qualitätskontrolle nicht besteht. Natürlich, wenn Sie eine perfekte supply chain hätten, würde die Qualitätskontrolle zu 100% greifen. Haben Sie also 100 Artikel zu liefern, so würden 100 Fertigwaren den Bearbeitungsschritt passieren. Aber manchmal gibt es Qualitätskontrollen, und Ihr Produktionssystem ist unvollkommen, weswegen Sie eventuell Mengen verlieren.

Zum Beispiel in der Pharmaindustrie: Wenn dort sehr fortschrittliche biologische Prozesse im Einsatz sind, kann es passieren, dass Sie eine Produktionscharge verlieren, weil es sich um eine Zellkultur handelt, die die fortschrittlicheren Medikamente produziert. Trotz jahrzehntelanger Bemühungen ist es, wenn man mit lebenden Organismen arbeitet, die die chemischen Verbindungen produzieren, die Sie extrahieren und in Ihr Medikament einbringen möchten, sehr schwer, einen Prozess zu haben, der vollkommen 100% zuverlässig funktioniert. Es ist nicht wie bei der Bearbeitung in der Automobilindustrie.

Kieran Chandler: Also, ist das der Punkt, an dem die Idee ins Spiel kommt, diejenigen Ergebnisse zu modellieren, die nicht vollkommen deterministisch sind?

Joannes Vermorel: Ja, aber auch die Tatsache, dass Sie sehr spezifische Einblicke in die Art der möglichen Probleme erhalten können. Zum Beispiel in der Pharmaindustrie: Wenn ein Problem auftritt, verlieren Sie höchstwahrscheinlich die gesamte Kulturcharge in der Anlage. Es wird nicht so sein wie bei der Bearbeitung in der Automobilindustrie, wo ein Teil von zehntausend die Qualitätskontrolle nicht besteht. Wenn Sie in der Pharma tätig sind und Kulturen haben, die bestimmte chemische Verbindungen erzeugen, könnten Sie bei einem Problem eine ganze Charge verlieren.

Kieran Chandler: Das verändert die Art der Unsicherheit völlig, und man könnte versuchen, dies aus den Daten zu lernen, aber es ist schwierig, weil man eventuell nicht 20 Jahre lang relevante Daten zur Verfügung hat. Man macht das Problem ein wenig komplizierter, als es sein müsste, weil man solche Einsichten – die physische Realität Ihres Geschäfts – direkt in das Modell einbringen möchte. Der probabilistische Ansatz ist zwar sehr gut, aber mein Punkt ist: Wie wäre es mit einem Ansatz wie der differenzierbaren Programmierung, bei dem Sie die Probleme, die Sie zu lernen versuchen, so formulieren, dass Sie Ihre Machine-Learning-Algorithmen direkt auf die ganz spezifische Art von Unsicherheit ausrichten, von der Sie erwarten, dass sie auftritt, weil Sie sehr viel über Ihr Netzwerk wissen? Und das kann revolutionär sein, denn plötzlich benötigt man viel weniger Daten, um super effizient zu arbeiten.

Joannes Vermorel: Absolut. Die eigentliche Stärke liegt in diesem Konzept des Programmierens. Es geht nicht darum, eine KI zu haben, an die man einfach Daten verfüttert und die dann lernt; das ist quasi das Gegenteil. Es besagt, dass Daten spärlich sind und ich sehr präzise sein möchte, aber ich muss das Beste aus den vorhandenen Daten herausholen. Es ist nicht so, als ob Google versuchen würde, eine Milliarde Webseiten zu analysieren – wir haben keine unendlichen Daten. Daten sind spärlich; es gibt unregelmäßige Daten, und sie sind sehr wertvoll, weil wir nicht allzu viele Datenpunkte besitzen. Wenn wir also zur Pharmaindustrie zurückkehren und sehr aufschlussreiche strategische Prognosen erstellen wollen, spielt auch das Thema Patentablauf eine große Rolle.

Patentabläufe treiben Big Pharma an. Sie haben ein Produkt, ein patentgeschütztes Medikament, und wenn das Patent abläuft, besteht das Risiko, dass Wettbewerber zu einem niedrigeren Preis in Ihren Markt eintreten und mit Ihnen konkurrieren, wodurch Sie gezwungen werden, Ihre Preise ebenfalls zu senken, was Ihre Marge erheblich reduzieren kann. Dieses Patentablauf-Ding ist für jeden, der sich mit Pharma auskennt, vollkommen offensichtlich und treibt seit Jahrzehnten Innovationen und die Aktivitäten großer pharmazeutischer Unternehmen an. Wenn Sie erwarten, dass ein Machine-Learning-Algorithmus diesen Mechanismus des Patentablaufs von selbst wiederentdeckt, ist das ein wenig verrückt. Im Gegensatz dazu ist differenzierbare Programmierung wie ein Werkzeug für supply chain scientists, um zu sagen: „Ich weiß, dass ich dieses Patentablauf-Ding habe. Was ich nicht genau weiß, ist, wie wahrscheinlich es ist, dass Wettbewerber in den Markt eintreten und uns preislich Konkurrenz machen. Und ich weiß auch nicht genau, wie sich das für uns auswirkt, wenn wir plötzlich die Verkaufsmenge bereitstellen müssen, nur weil andere Wettbewerber eintreten und wir alle Fixkosten beibehalten.“

Wenn ich dieselbe Produktionskapazität beibehalte, habe ich viele Kosten, die völlig konstant sind und nicht von der produzierten Menge abhängen, und folglich kann der Effekt auf meine Margen, falls Wettbewerber in den Markt eintreten, völlig nichtlinear sein. Sie haben also recht; es geht darum, die wesentlichen Erkenntnisse, die von einer Branche zur anderen spezifisch sind, modellieren zu können – indem man sie in das Machine-Learning-Modell programmiert.

Kieran Chandler: Und das Problem, das viele mit differenzierbarer Programmierung haben könnten, ist, dass sie in manchen Bereichen ziemlich komplex ist. Nutzen wir manchmal einen Vorschlaghammer, um eine Nuss zu knacken, und gibt es nicht auch simplere Techniken, die wir verwenden könnten?

Joannes Vermorel: Man kann jederzeit simplere Techniken einsetzen, aber ich denke, die entscheidende Frage, die sich Kunden stellen sollten, ist: Wenn Sie eine komplexe supply chain betreiben, können Sie es sich wirklich leisten, die Komplexität des Geschäfts, in dem Sie tätig sind, zu ignorieren? Zum Beispiel, wenn Sie Autoteile auf einer E-Commerce-Plattform verkaufen und Autobesitzer bedienen…

Kieran Chandler: Können Sie wirklich die Probleme ignorieren, die Sie haben, wie die mechanische Kompatibilität zwischen Fahrzeugen und Teilen? Tatsache ist, dass die Menschen, die auf Ihrer Website Autoteile kaufen, nicht die eigentlichen Kunden sind, sondern deren Fahrzeuge. Das Fahrzeug ist also der ultimative Kunde dieser Teile, und im Kern der Nachfrage steht ein Problem der mechanischen Kompatibilität. Haben Sie viele Teile, die perfekte Substitute darstellen, weil sie alle mechanisch mit einem bestimmten Fahrzeug kompatibel sind, ist das ein äußerst wichtiger Aspekt Ihres Geschäfts. Was ich sagen will, ist, dass dies ein Beispiel dafür ist, dass Sie diese Herausforderung annehmen müssen, weil sie wirklich der Kern Ihres Geschäfts ist. Ein vereinfachter Ansatz, der die Problematik der Teil-Fahrzeug-Kompatibilität ignoriert – was beim automobilen Aftermarket absolut entscheidend ist – mag zwar funktionieren, allerdings auf Kosten eines unglaublich crud-mäßigen Geschäftsansatzes.

Joannes Vermorel: Ich sage, dass man in Sachen „Vorschlaghammer“ keine ausgefallene Technik um ihrer selbst willen einsetzen sollte. Was ich meine, ist, dass wenn Sie etwas verwenden, das den zentralen Geschäftstreiber Ihres Unternehmens schlicht ignoriert, jedes Modell, das Sie haben, unglaublich simpel ist – und Sie sollten nicht erwarten, dass irgendeine ausgeklügelte numerische Lösung tatsächlich das Geschäftsproblem löst, wenn Ihre numerische Herangehensweise von Anfang an diesen geschäftlichen Aspekt außer Acht lässt. Mein Punkt ist: Seien Sie so einfach wie möglich, aber nicht einfacher als es Ihr Geschäft tatsächlich erfordert.

Kieran Chandler: Wenn wir heute abschließen – bei Lokad verfolgten wir früher einen sehr programmatischen Ansatz – was ist die große Veränderung, die uns die differenzierbare Programmierung bringt, und wie können Unternehmen sich anpassen, um davon zu profitieren?

Joannes Vermorel: Differenzierbare Programmierung ist in der Tat eine Fortführung dieses programmatischen Ansatzes, der schon lange der Motor von Lokad ist. Jetzt fließt dieser programmatische Ansatz in den Kern unserer Machine-Learning-Technologie ein. Es ging nicht nur um den Kern unserer Big-Data-Plattform mit Mechanismen zur Big-Data-Verarbeitung, sondern auch um einfaches Filtern, Aggregieren und typische Vorverarbeitung wie Datenbereinigung und dergleichen. Das war bereits völlig programmatisch, jedoch war der Machine-Learning-Kern etwas starr. Mit Deep Learning waren wir schon deutlich flexibler als mit der vorherigen Generation, doch jetzt befinden wir uns in einer neuen Phase. Für unsere Kunden bietet sich die Gelegenheit, viele Probleme und Situationen neu zu betrachten, bei denen wir in der Vergangenheit vieles mit provisorischen Lösungen abgezwickt haben. Wenn man nichts Flexibles hat, klebt man die Sache halt mit ein paar cleveren Tricks zusammen, die aber naturgemäß nicht so skalierbar sind, wie man es sich wünscht. Sie sind vielleicht etwas grob und nähern den geschäftlichen Einblick nur suboptimal an. Hier besteht die Chance, das alles neu anzugehen – im Grunde das Gleiche zu tun, jedoch auf eine Weise, die in der Ausführung schlanker und in Bezug auf Genauigkeit, wenn man den Fehler in Euro oder Dollar misst, leistungsfähiger ist.

Kieran Chandler: Großartig, vielen Dank für Ihre Zeit heute. Das war alles für unsere Mini-Serie zur differenzierbaren Programmierung. Nächste Woche sind wir mit einer weiteren Episode zu einem neuen Thema zurück – bis dahin, vielen Dank fürs Zuschauen. Auf Wiedersehen.