00:00:07 Potenzielle Anwendungsfälle des differentiellen Programmierens in Supply Chains.
00:00:31 Anwendung des differentiellen Programmierens auf Einzelhandelsgeschäfte und Kundensichtweisen.
00:02:56 Revolutionäre Eigenschaft des differentiellen Programmierens bei der Modellierung des Kundenverhaltens.
00:06:05 Auswirkungen des differentiellen Programmierens auf Lagerbetrieb und Prognose zukünftiger Nachfrage.
00:07:11 Glättung von Lagerversandkurven mit differentiellem Programmieren.
00:09:38 Die Bedeutung der rechtzeitigen Bedienung von Kunden und deren Auswirkungen auf die Supply Chain.
00:10:40 Rolle des differentiellen Programmierens bei der Modellierung komplexer Supply-Chain-Netzwerke.
00:13:01 Qualitätskontrolle und Unvollkommenheiten in Produktionssystemen.
00:14:17 Anwendung des differentiellen Programmierens zur Modellierung von Unsicherheiten in der Pharma-Branche.
00:16:00 Differentielles Programmieren und seine Vorteile in Situationen mit spärlichen Daten.
00:17:41 Patentablauf als Beispiel für die Anwendung des differentiellen Programmierens in der Pharma-Branche.
00:19:57 Komplexität annehmen und wichtige Geschäftstreiber durch differentielles Programmieren angehen.
00:21:59 Balance zwischen Einfachheit und Komplexität in Modellen basierend auf Geschäftsanforderungen.
00:22:42 Differentielles Programmieren als Weiterentwicklung des programmatischen Ansatzes von Lokad, Vorteile und Chancen für Kunden.
Zusammenfassung
In dieser Interview-Episode erkunden Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, die Anwendungen und Auswirkungen des differentiellen Programmierens auf das Supply Chain Management. Traditionelle Zeitreihenmodelle haben Schwierigkeiten bei der Modellierung von Kannibalisierung und Substitution, während das differentielle Programmieren einen kundenorientierten Ansatz bietet, der Kundenwünsche und -bedürfnisse für eine bessere Entscheidungsfindung berücksichtigt. Dieser Ansatz kann zu einer genaueren Nachfrageprognose, einer besseren Bestandsverwaltung und einer Optimierung der Lagerhaltung führen. Das differentielle Programmieren adressiert komplexe Herausforderungen in mehrstufigen Lieferketten und berücksichtigt Produktionsfehler, wodurch es für verschiedene Branchen geeignet ist. Vermorel betont, dass das differentielle Programmieren Unternehmen ermöglicht, Fachwissen in Machine Learning Modelle einzubinden, was zu genaueren, effizienteren und maßgeschneiderten Lösungen für spezifische Probleme führt.
Erweiterte Zusammenfassung
In dieser Episode der Interviewserie über differentielles 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. Differentielles Programmieren hat das Potenzial, das Supply Chain Management zu verbessern, indem es verschiedene Probleme angeht, die traditionelle Zeitreihenansätze nicht effektiv bewältigen können.
Eines der Hauptprobleme im Supply Chain Management besteht darin, Kannibalisierung und Substitution zu modellieren, was insbesondere in Branchen wie Luxus, Fast Fashion und Lebensmitteleinzelhandel von großer Bedeutung ist. Traditionelle Zeitreihenmodelle haben Schwierigkeiten, diese Faktoren zu berücksichtigen und greifen oft auf unbefriedigende und weit entfernte Lösungen zurück.
Das differentielle Programmieren bietet einen frischen Ansatz für diese Probleme, indem es sich auf die Perspektive des Kunden konzentriert, anstatt nur auf das Produkt. Es ermöglicht Supply Chain Managern, Faktoren wie Kundenwünsche, Bedürfnisse und die Wahrscheinlichkeit, Artikel aus dem aktuellen Sortiment auszuwählen oder nicht auszuwählen, sowie die Verfügbarkeit im Lager zu berücksichtigen. Dieser kundenorientierte Ansatz bietet ein genaueres und nuancierteres Verständnis der Einzelhandelsumgebung und führt zu fundierteren Entscheidungen.
Der bahnbrechende Aspekt des differentiellen Programmierens liegt in seiner Fähigkeit, Kundenaffinitäten zu bestimmten Produkten im Katalog zu modellieren. Dieser prozedurale Prozess ermöglicht es Supply Chain Managern, verschiedene Faktoren zu berücksichtigen, wie zum Beispiel wie Neuheit Kundenkäufe beeinflusst und wie wiederkehrende Kunden wahrscheinlich nicht dasselbe Produkt erneut kaufen werden. Diese Erkenntnisse können zu einer genaueren Nachfrageprognose und Bestandsmanagement führen.
Zum Beispiel wird ein Kunde in einer Buchhandlung höchstwahrscheinlich nicht dasselbe Buch bei seinem nächsten Besuch erneut kaufen. Traditionelle Zeitreihenmodelle haben Schwierigkeiten, dieses Verhalten zu berücksichtigen, während differentielles Programmieren diese individuellen Kaufentscheidungen direkt modellieren kann. Dies führt zu einem genaueren Verständnis der Kundennachfrage und des Produktlebenszyklus.
Differentielles Programmieren ermöglicht es Supply Chain Managern, das Verhalten von Kunden zu modellieren, die regelmäßig den Laden besuchen, wie zum Beispiel Kunden, die von Neuheiten angetrieben werden. Dieser Ansatz kann helfen, vorherzusagen, wie beliebt neue Produkte sein werden und wann die Nachfrage nach ihnen abnehmen wird. Im Gegensatz zu Zeitreihenmodellen, die auf indirekte Weise diese Muster modellieren, bietet differentielles Programmieren eine direktere und genauere Lösung.
Vermorel erklärt, dass differentiables 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 schwierig machte, von Grund auf zu lernen. Differentiables Programmieren hingegen bietet einen direkteren Weg, um zu verstehen, was im Laden passiert, und kann leicht in Machine Learning Modelle integriert werden.
Wenn es um Lagerhaltung geht, kann differentielles Programmieren helfen, den Fluss von Produkten zu optimieren und zu glätten. Lagerhäuser haben oft Probleme mit Ein- und Ausgabekapazitäten, und es wäre ideal, wenn kleine Anpassungen an den Versandplänen vorgenommen werden könnten, um Kollisionen von Sendungen zu vermeiden und den Bedarf an temporärem Personal zu reduzieren. Traditionelle Optimierungstechniken hatten Schwierigkeiten mit diesem Problem, da es sowohl Lern- als auch Optimierungsaspekte umfasste. Differentielles Programmieren kann jedoch die große Anzahl von Variablen in diesem Prozess handhaben und ermöglicht es, den Versand von Millionen von SKU’s zu optimieren und subtile Interaktionseffekte zu berücksichtigen.
Auf der Produktionsebene kann differentielles Programmieren dazu beitragen, komplexe Multi-Echelon-Herausforderungen anzugehen. Traditionelle Ansätze konzentrierten sich tendenziell auf bestimmte Knotenpunkte in der Supply Chain und strebten hohe Servicelevels für bestimmte Produkte an. Vermorel argumentiert jedoch, dass es darauf ankommt, ob die Fertigwaren für Kunden verfügbar sind, was viele der Zwischenschritte in der Supply Chain irrelevant macht. Differentielles Programmieren ermöglicht eine genauere Modellierung des komplexen Netzwerks von Teilen und Baugruppen innerhalb der Supply Chain, was letztendlich dazu beiträgt, Kunden besser und pünktlich zu bedienen.
Darüber hinaus kann differentielles Programmieren dazu beitragen, Unvollkommenheiten im Produktionssystem, wie zum Beispiel Qualitätskontrollprobleme, zu berücksichtigen. In Branchen wie der Pharmaindustrie, wo lebende Organismen an der Herstellung von fortschrittlichen Medikamenten beteiligt sind, können Produktionschargen aufgrund biologischer Prozesse verloren gehen. Differentielles 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 Unsicherheitsniveaus konfrontiert ist. Wenn zum Beispiel ein Problem in einer Kulturcharge auftritt, ist die gesamte Charge wahrscheinlich verloren, was sich von der Automobilindustrie unterscheidet, wo nur ein kleiner Teil der Teile die Qualitätskontrolle nicht besteht. Traditionelle Machine Learning Modelle könnten mit diesem Unsicherheitsniveau Schwierigkeiten haben, da sie möglicherweise nicht genügend relevante historische Daten haben, um Ergebnisse genau vorherzusagen.
Differentielles Programmieren bietet eine Alternative, indem es Unternehmen ermöglicht, ihr Fachwissen direkt in das Machine Learning Modell einzubinden. Vermorel betont, dass differentielles Programmieren nicht darum geht, große Mengen an Daten an ein KI-System zu werfen, sondern das Beste aus spärlichen und wertvollen Daten zu machen. Zum Beispiel ist in der Pharmaindustrie der Einfluss des Patentablaufs auf die Arzneimittelpreise ein bekanntes Phänomen. Differentielles Programmieren ermöglicht die Integration dieses Wissens in das Modell und verbessert dessen Genauigkeit und Effizienz.
Die Vielseitigkeit des differentiellen Programmierens macht es für verschiedene Branchen geeignet, von denen jede ihre eigenen Herausforderungen hat. Vermorel verwendet das Beispiel des Automobilnachmarkts, wo die Kompatibilität zwischen Fahrzeugteilen und bestimmten Fahrzeugmodellen entscheidend ist. Das Ignorieren dieses Aspekts in einem simplen Modell könnte zu suboptimalen Ergebnissen führen, während differentielles Programmieren helfen kann, diese wesentlichen Geschäftstreiber zu erfassen.
Trotz der Komplexität des differentiellen Programmierens argumentiert Vermorel, dass Unternehmen sich nicht davor scheuen sollten, es zu nutzen. Während einfachere Modelle funktionieren könnten, geschieht dies oft auf Kosten von Genauigkeit und einem gründlichen Verständnis des Geschäfts. Differentielles Programmieren ermöglicht einen maßgeschneiderten Ansatz, der spezifische Probleme und Situationen angehen kann.
Differentielles Programmieren stellt eine Weiterentwicklung des programmatischen Ansatzes von Lokad zur Optimierung der Supply Chain dar. Es ermöglicht Unternehmen, ihr Fachwissen in ihre Machine Learning Modelle einzubinden, was zu schlankerer Ausführung und verbesserter Leistung in Bezug auf Genauigkeit führt. Differentielles Programmieren bietet Unternehmen die Möglichkeit, bestehende Probleme zu überdenken und skalierbare Lösungen zu entwickeln, die ihre einzigartigen Herausforderungen besser bewältigen.
Vollständiges Transkript
Kieran Chandler: Heute werden wir unsere kurze Serie abschließen und uns etwas genauer mit einigen potenziellen Anwendungsfällen und den weitreichenden Folgen befassen, die dies für die Supply Chain haben kann. Also, Joannes, welche Probleme können wir durch den Einsatz von differentiellem Programmieren verbessern? Und lassen Sie uns vielleicht mit Einzelhandelsgeschäften beginnen, dem Berührungspunkt mit den Kunden.
Joannes Vermorel: Im Moment wird in der Supply Chain praktisch alles aus der Perspektive der Zeitreihen betrachtet, bei der Sie ein Produkt haben und den Absatz, die Nachfrage oder den Service beobachten, je nachdem, welchen Art von Geschäft Sie betreiben. Natürlich ist ein Geschäft in der Luft- und Raumfahrt nicht dasselbe wie ein Geschäft für einen Fast-Fashion-Laden, aber die Idee ist, dass der Ansatz irgendwie der Zeitreihenansatz pro Produkt ist. Das Problem bei dieser Perspektive ist zum Beispiel, dass Dinge wie Kannibalisierung und Substitution, die bei Luxus, Fast Fashion oder sogar Lebensmittelhandel sehr stark sind, sehr schwer zu modellieren sind. In vielen Fällen existieren sie kaum. Differentielles Programmieren bietet Ihnen einen Ansatz, um das Problem direkt aus der Perspektive des Kunden anzugehen und zu sagen: “Nun, ich habe eine Bevölkerung von Kunden, die in meinen Laden kommen und Wünsche und Bedürfnisse haben, und sie werden Dinge auswählen oder nicht auswählen, die ihnen präsentiert werden, unter Berücksichtigung des aktuellen Sortiments und der aktuellen Lagerbestände im Geschäft.” Das ist sehr interessant, weil wir durch etwas wie differentielles Programmieren auf einer Ebene arbeiten können, die nicht die Ebene einer Zeitreihe auf der Grundlage der im Geschäft aufgeführten Produktreferenzen ist. Wir können die Kundensichtweise einnehmen, und das ist ziemlich bahnbrechend. Unsere Erfahrung mit der Zeitreihenperspektive ist, dass Sie in der Regel das Beste tun können, indem Sie nur Klebeband auf Ihre numerischen Modelle auftragen, damit sie nicht zu sehr kaputt sind, wenn sie mit Kannibalisierung und Substitution konfrontiert werden, aber das ist nicht sehr zufriedenstellend. Es ist bestenfalls Klebeband.
Kieran Chandler: Lassen Sie uns also vielleicht zusammenfassen, worüber wir in den vorherigen Episoden gesprochen haben. Was ist diese bahnbrechende Eigenschaft, von der Sie dort gesprochen haben, die all dies möglich macht?
Joannes Vermorel: Mit einem quantitativen Supply Chain-Ansatz können Sie buchstäblich modellieren, dass ein Kunde eine spezifische Affinität zu jedem Produkt in Ihrem Katalog hat, und Sie können einen prozeduralen Prozess dafür entwickeln. Zum Beispiel, sagen wir, ich habe Kunden, die in meinen Laden zurückkommen, und vielleicht werden diese Kunden von Neuheiten angetrieben. Wie modelliere ich etwas so Einfaches wie die Tatsache, dass Personen, die in meinen Laden kommen, um ein Buch zu kaufen, per Definition nicht dasselbe Buch kaufen, wenn sie wiederkommen? Sie werden nur einen anderen Titel kaufen, nicht denselben. Aus einer klassischen Zeitreihenperspektive ist es nahezu unmöglich, etwas so Grundlegendes wie das einzubeziehen, dass ein wiederkehrender Kunde, der einmal im Monat in Ihre Buchhandlung kommt, das gleiche Produkt nicht erneut kaufen wird. Wenn Sie also einen Nachfrageanstieg nach einem Buch sehen, ist die Wahrscheinlichkeit groß, dass die Nachfrage dadurch erloschen wird, dass Ihre Stammkunden dieses neue, beliebte Buch kaufen und es dann nicht erneut kaufen, wenn sie wiederkommen. Natürlich können Sie das mit einer Zeitreihenperspektive modellieren, indem Sie einen Lebenszykluseffekt einführen, bei dem Sie ein neues Produkt einführen, das am Anfang einen Spike hat und dann die Nachfrage nur abnimmt. Aber das ist ein sehr indirekter Weg, um das Problem zu modellieren. Ein viel direkterer Ansatz besteht darin, einen quantitativen Supply Chain-Ansatz zu verwenden.
Kieran Chandler: Ihre Software ermöglicht es Ihnen, das, was im Geschäft passiert, auf eine viel direktere Weise genau zu modellieren, als es zuvor möglich war. Können Sie erklären, wie sich dies auf die Verwendung statistischer Modelle bei der Optimierung der Supply Chain auswirkt?
Joannes Vermorel: Mit einem quantitativen Supply Chain-Ansatz wird es einfacher, grundlegende Erkenntnisse über das Kundenverhalten in statistische Modelle einzubringen. Das bedeutet, dass die Modelle nicht alles von Grund auf lernen müssen, ohne Geschäftseinblicke, was zuvor eine schwierige Aufgabe war.
Kieran Chandler: Wie hilft der quantitative Supply Chain-Ansatz im Bereich des Lagerwesens der Supply Chain? Geht es hauptsächlich um die Vorhersage zukünftiger Nachfrage?
Joannes Vermorel: Ein quantitativer Supply Chain-Ansatz kann auch bei Herausforderungen auf Lagerhausbene helfen, wie z.B. die Glättung des Warenflusses. Lagerhäuser stehen oft vor Kapazitätsproblemen bei Ein- und Ausgang, und eine Lösung besteht darin, Sendungen intelligent zu organisieren, um Kollisionen von Sendungen zu vermeiden und den Druck auf logistische Plattformen zu verringern. Durch kleine Anpassungen am Versandplan können die Abläufe reibungsloser, einfacher und kostengünstiger gestaltet werden, was den Bedarf an temporären Arbeitskräften und die damit verbundene operative Komplexität reduziert.
Kieran Chandler: War es schwierig, dieses Optimierungsniveau mit vorhandenen Techniken zu erreichen?
Joannes Vermorel: Mit vorhandenen Techniken war es schwierig, Lernen und Optimierung zu kombinieren. Wenn Sie Tausende von Produkten und Hunderte von Kunden haben, haben Sie Millionen von Variablen zur Optimierung, und herkömmliche Optimierungsmethoden können diese Komplexität nicht bewältigen. Ein quantitativer Supply Chain-Ansatz ermöglicht eine bessere Optimierung in solchen Situationen, selbst mit vielen subtilen Interaktionen, wie z.B. der Notwendigkeit, mehr Produkte an einen Laden zu liefern, wenn er näher daran ist, ausverkauft zu sein.
Kieran Chandler: Sie haben eine Rückkopplungsschleife zwischen dem, was Sie entscheiden, was Sie prognostizieren, und mit einer traditionelleren Perspektive könnten wir diese Art von Optimierung durchführen, aber es war viel mühsamer, weil wir eine Stufenanalyse durchführen mussten. Grundsätzlich war es sehr schwierig, all diese Rückkopplungsschleifen, die im System existieren, zu berücksichtigen. Okay, und wenn wir den letzten Schritt in dieser Supply Chain machen und die Dinge jetzt aus einer Fertigungsperspektive betrachten, wie hilft uns der quantitative Supply Chain-Ansatz bei diesen Multi-Echelon-Herausforderungen?
Joannes Vermorel: Der Punkt wird noch akuter, wenn man in den Bereich der Multi-Echelon-Optimierung geht. Das meiste, was auf jedem einzelnen Knoten passiert, ist in gewisser Weise belanglos, in dem Sinne, dass es ein Artefakt ist. Sie kümmern sich nicht um die Verfügbarkeit von Lagerbeständen an zufälligen Punkten in Ihrem komplexen Netzwerk von Teilen und Baugruppen, die als Fertigwaren enden. Der einzige Punkt des Graphen, der wirklich wichtig ist, ist, ob Sie Ihren Kunden rechtzeitig bedienen, was nur eine Frage ist, die für die Fertigwaren relevant ist.
Was ist mit dem gesamten Abhängigkeitsgraphen, den Sie dahinter haben? Die Tatsache, dass das, was bei jedem Zwischenschritt passiert, dieser komplexe Graph von Abhängigkeiten, bei dem Ihre Stückliste diesen Graphen generiert, grundsätzlich irrelevant ist. Es ist ein Artefakt, das nur aus der Perspektive wichtig ist, ob Sie am Ende des Prozesses Ihre Kunden bedienen.
Übrigens, das bringt mich zurück zu meiner Kritik an DDMRP vor ein paar Wochen. Wenn Sie ein binäres Bewertungsschema für diesen Graphen annehmen können und sagen, dass Sie für bestimmte Knoten einen hohen Servicestandard erreichen möchten, ist es egal, ob Sie für ein Produkt einen hohen Servicestandard haben, wenn Ihre Kunden sich nicht darum kümmern, weil sie dieses Produkt nicht kaufen. Das Einzige, worum sie sich kümmern, ist, ob die von Ihnen verkauften Fertigwaren verfügbar sind oder nicht.
Die differenzierbare Programmierung hilft Ihnen dabei, viel genauer zu modellieren, was in diesem Netzwerk passiert. Sie haben einige Schritte, die probabilistische Zeiten haben können oder auch nicht. Sie können Schritte haben, bei denen ein bestimmter Anteil des Flusses die Qualitätskontrolle nicht besteht. Offensichtlich hätten Sie bei einer perfekten Supply Chain eine 100%ige Qualitätskontrolle. Wenn Sie also 100 Artikel liefern müssen, haben Sie 100 Fertigwaren, die nach dem Bearbeitungsschritt fließen. Aber manchmal haben Sie Qualitätskontrolle, und Ihr Produktionssystem ist unvollkommen, und Sie können einige Mengen verlieren.
Zum Beispiel, in der Pharmaindustrie, wenn sie sehr fortschrittliche biologische Prozesse haben, können Sie eine Produktionscharge verlieren, weil es sich um eine Kultur von Zellen handelt, um die fortschrittlicheren Medikamente herzustellen. Trotz jahrzehntelanger Bemühungen, wenn Sie mit lebenden Organismen arbeiten, die die chemischen Verbindungen produzieren, die Sie extrahieren und Teil Ihres Arzneimittels sein möchten, ist es sehr schwer, einen Prozess zu haben, der komplett zu 100% zuverlässig ist. Es ist nicht wie das Bearbeiten in der Automobilindustrie.
Kieran Chandler: Ist das also der Punkt, an dem die Idee, diese nicht vollständig deterministischen Ergebnisse zu modellieren, ins Spiel kommt?
Joannes Vermorel: Ja, aber auch die Tatsache, dass Sie sehr spezifische Einblicke in die Art der Probleme haben können, die auftreten können. Zum Beispiel, in der Pharmaindustrie, wenn Sie ein Problem haben, werden Sie höchstwahrscheinlich die gesamte Charge von Kulturen verlieren, die Sie in der Anlage haben. Es wird nicht wie das Bearbeiten in der Automobilindustrie sein, wo ein Teil von zehntausend die Qualitätskontrolle nicht besteht. Wenn Sie in der Pharmaindustrie sind und Kulturen haben, die bestimmte Arten von chemischen Verbindungen erzeugen, können Sie die gesamte Charge verlieren, wenn es ein Problem gibt.
Kieran Chandler: Das ändert völlig die Art der Unsicherheit, und Sie können versuchen, das aus den Daten zu lernen, aber es ist schwierig, weil Sie möglicherweise keine 20 Jahre relevante Daten haben. Sie machen das Problem schwieriger, als es sein sollte, weil Sie diese Art von Einblick, die physische Realität Ihres Unternehmens, direkt in das Modell einbringen möchten. Die probabilistische Herangehensweise ist sehr gut, aber mein Punkt ist, was ist mit einem Ansatz wie der differenzierbaren Programmierung, bei dem Sie die Probleme, die Sie zu lernen versuchen, so formulieren können, dass Sie Ihre maschinellen Lernalgorithmen direkt auf die spezifische Art von Unsicherheit lenken, die Sie erwarten, weil Sie viele Dinge über Ihr Netzwerk wissen? Und das kann spielverändernd sein, weil Sie plötzlich viel weniger Daten benötigen, um super effizient zu sein.
Joannes Vermorel: Absolut. Die wahre Tugend liegt in dieser Idee der Programmierung. Sie möchten, es ist keine KI, der Sie einfach Daten geben könnten und sagen: Lernen Sie; das ist sozusagen das Gegenteil davon. Es besagt, dass Daten spärlich sind und dass ich sehr genau sein möchte, aber ich muss das Beste aus den Daten machen, die ich habe. Das ist nicht wie Google, das versucht, 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 so viele Datenpunkte haben. Wir müssen also wirklich das Beste daraus machen. Wenn wir zum Beispiel zur Pharmaindustrie zurückkehren und sehr aufschlussreiche strategische Prognosen erstellen möchten, gibt es das ganze Thema des Patentablaufs.
Der Patentablauf treibt die großen Pharmaunternehmen an. Sie haben ein Produkt, ein patentiertes Medikament, und wenn das Patent abläuft, besteht die Gefahr, dass Wettbewerber zu einem niedrigeren Preis in Ihren Markt eintreten und mit Ihnen konkurrieren, was Sie zwingt, auch Ihre Preise zu senken und Ihre Marge erheblich zu reduzieren. Dieser Patentablauf ist für jeden, der mit der Pharmaindustrie vertraut ist, völlig offensichtlich und treibt seit Jahrzehnten Innovationen und die Aktivitäten großer Pharmaunternehmen an. Wenn Sie erwarten, dass ein maschinelles Lernalgorithmus dieses Mechanismus des Patentablaufs von selbst wiederentdeckt, ist das ein wenig verrückt. Im Gegensatz dazu ist die differenzierbare Programmierung ein Werkzeug für Supply Chain Scientists, um zu sagen: Nun, ich weiß, dass ich diesen Patentablauf habe. Was ich nicht genau weiß, ist, wie wahrscheinlich es ist, dass Wettbewerber in die Arena eintreten und mit uns konkurrieren, und was ich nicht genau weiß, ist, wie sich diese Sache für uns entwickeln wird, wenn wir plötzlich die Mengen verkaufen müssen, nur weil andere Wettbewerber eintreten und wir alle gleichbleibenden Fixkosten beibehalten.
Wenn ich die gleiche Produktionskapazität beibehalte, dann habe ich viele Kosten, die völlig konstant sind und nicht von der Menge abhängen, die ich produziere, und daher kann der Effekt auf meine Margen bei Wettbewerbern, die in den Markt eintreten, völlig nichtlinear sein. Also haben Sie recht; es geht darum, in der Lage zu sein, die Schlüsselerkenntnisse, die von einer Branche zur anderen spezifisch sind, zu modellieren, indem man sie in das maschinelle Lernmodell programmiert.
Kieran Chandler: Und das Problem, das viele Menschen mit der differenzierbaren Programmierung haben könnten, ist, dass sie in einigen Teilen ziemlich komplex ist. Verwenden wir manchmal einen Vorschlaghammer, um eine Nuss zu knacken, und gibt es einfachere Techniken, die wir trotzdem verwenden könnten?
Joannes Vermorel: Sie können immer einfachere Techniken verwenden, aber ich denke, die entscheidende Frage, die sich Kunden stellen sollten, ist, ob sie bei einem komplexen Lieferkettenmanagement wirklich die Komplexität des Geschäfts, in dem sie tätig sind, ignorieren können. Wenn Sie zum Beispiel Automobilteile auf einer E-Commerce-Plattform verkaufen und Autobesitzer bedienen…
Kieran Chandler: Können Sie die Probleme, die Sie haben, wirklich ignorieren, wie mechanische Kompatibilitäten zwischen Fahrzeugen und Teilen? Tatsache ist, dass die Menschen, die Autoteile auf Ihrer Website kaufen, nicht die eigentlichen Kunden sind, sondern ihre Fahrzeuge. Das Fahrzeug ist also der ultimative Kunde dieser Teile, und Sie haben im Kern der Nachfrage ein Problem der mechanischen Kompatibilität. Wenn Sie viele Teile haben, die perfekte Substitutionen sind, weil sie alle mechanisch mit einem Fahrzeug kompatibel sind, ist dies ein äußerst wichtiger Aspekt Ihres Geschäfts. Was ich sage, ist, dass dies ein Beispiel ist, bei dem Sie dies akzeptieren müssen, weil es wirklich der Kern Ihres Geschäfts ist. Ein vereinfachter Ansatz, der die Herausforderung der Kompatibilität von Teilen und Fahrzeugen einfach ignoriert, was beim Nachrüstmarkt für Kraftfahrzeuge völlig entscheidend ist, kann funktionieren, aber auf Kosten eines unglaublich rohen Geschäftserfolgs.
Joannes Vermorel: Ich sage, dass Sie in Bezug auf den Vorschlaghammer keine ausgefallene Technologie verwenden sollten, nur um der ausgefallenen Technologie willen. Was ich sage, ist, dass wenn Sie etwas verwenden, das den wichtigsten Geschäftstreiber Ihres Unternehmens einfach ignoriert, dann ist jedes Modell, das Sie haben, unglaublich vereinfacht, und erwarten Sie nicht, dass eine ausgefallene numerische Lösung oder was auch immer das Geschäftsproblem löst, das Sie haben, wenn Ihre numerische Methode damit beginnt, diesen Geschäftsaspekt völlig zu ignorieren. Mein Punkt ist, dass Sie so einfach wie möglich sein sollten, aber nicht einfacher als das, was Ihr Geschäft tatsächlich erfordert.
Kieran Chandler: Wenn wir heute zu einem Schluss kommen, hatten wir bei Lokad zuvor 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: Die differenzierbare Programmierung ist tatsächlich mehr von derselben programmatischen Herangehensweise, die bei Lokad schon lange im Mittelpunkt steht. Es ist jetzt etwas, bei dem dieser programmatische Ansatz in den Kern unserer maschinellen Lerntechnologie einfließt. Es war nicht nur der Kern unserer Big Data-Plattform mit Mechanismen zur Verarbeitung großer Datenmengen, sondern auch einfache Filterung, Aggregation und typische Vorverarbeitung, Datenbereinigung usw. Das war bereits vollständig programmatisch, aber der Kern des maschinellen Lernens war etwas starr. Mit Deep Learning waren wir bereits viel flexibler als in der vorherigen Generation, aber es ist eine neue Stufe. Für unsere Kunden sehe ich darin die Möglichkeit, viele Probleme und Situationen neu zu bewerten, bei denen wir in der Vergangenheit viel Flickwerk betrieben haben. Wenn Sie nichts Flexibles haben, flicken Sie die Sache irgendwie mit cleveren Tricks, aber sie sind nicht natürlicherweise so skalierbar, wie wir es uns wünschen. Sie können etwas grob sein und die Geschäftseinblicke auf suboptimale Weise approximieren. Hier besteht die Möglichkeit, das zu überdenken und im Grunde genommen dasselbe zu tun, aber auf eine Art und Weise, die in Bezug auf die Ausführung schlanker und in Bezug auf die Genauigkeit leistungsfähiger ist, wenn wir Fehler in Euro oder Dollar zählen, geschäftlich gesehen.
Kieran Chandler: Großartig, vielen Dank für Ihre Zeit heute. Das war alles für unsere Miniserie zur differenzierbaren Programmierung. Nächste Woche sind wir mit einer neuen Episode zu einem neuen Thema zurück, aber bis dahin vielen Dank fürs Zuschauen. Auf Wiedersehen.
