Erfolgreicher Proof of Concept mit IBM Watson bei BASF

KI-gestützte Nachschubplanung

Umsetzung in kleinen Schritten

Generell empfiehlt IBM Unternehmen, bei der Umsetzung von Watson-Projekten klein anzufangen. Gestartet wurde mit einem Workshop unter dem Thema Design Thinking, um die Aufgabe einzugrenzen und um Methoden für die Nutzung von KI zu entwickeln. Das Team verständigte sich auf die Themen Nachschubplanung und Auftragsdisposition. Untersucht werden sollte die Optimierung der Bevorratung in Distributionslagern im Hinblick auf die Kundennachfrage. An diesem wichtigen Teilthema der Logistik erhoffte man sich gute Chancen, die Möglichkeiten einer kognitiven Unterstützung schnell und nachvollziehbar sichtbar machen zu können. Im zweiten Schritt entwarfen Daten-Spezialisten ein Modell zur Bestimmung von Nachschublieferungen, das auf transaktionalen Daten basiert: Historische Auftragsdaten, zukünftige Bestellungen und Prognosen aus dem ERP-System, sowie andere Quellen wie Absatzmuster, Lagerbestände und Lieferzeiten. Mit Machine Learning-Werkzeugen entwickelte das Team eine kundenspezifische Lösung auf der Basis neuronaler Netze zur Vorhersage der zukünftigen Entwicklung von Bedarfen. Watsons Lernmodell nutzt im Wesentlichen das Knowhow erfahrener Mitarbeiter. Der für ein bestimmtes Distributionslager zuständige Planer interagierte während des Projekts über einen Chatbot – ein textbasiertes Dialogsystem in natürlicher Sprache – mit dem dahinterstehenden System und optimierte mit seinem Feedback die Generierung der Prognose. Dr. Lohe: „Wir kombinierten den Chatbot, zugleich eine Visualisierung der Daten – auch historische Daten werden genutzt – und den von IBM entwickelten neuronalen Algorithmus (Deep Learning).“

Jedes Projekt ist verschieden

Dr. Martin Gerhardt (Business Development Executive Industry Solutions & Digitization, IBM) sieht als Besonderheit des Projektes, dass es sich in der Chemie oder in der Pharmaindustrie nicht um diskrete Produkte wie sonst in der Industrie handelt, es geht vielmehr um Stoffe in sehr unterschiedlichen Mengen und Volumina. Nicht zuletzt sind die Produkte häufig besonders zu behandeln.

Hohes Kommunikationsaufkommen

Hinzu komme, dass Chemieunternehmen in einem hohen Grad mit anderen Unternehmen und ihren Kunden vernetzt sind. Die Lieferkette muss also mit einer großen Zahl von Partnern kommunizieren, um die Prozesse abzustimmen. Eine extrem hohe Bedeutung habe die Volatilität – Bedarfe ändern sich sehr häufig und in immer kürzerer Zeit. Hier müsse das Management in der Chemie oder Pharmaindustrie schnell reagieren und sich mit der Produktion rückkoppeln, schildert Gerhardt. In diesem Zusammenhang komme dem Thema Lager und Zwischenlagerung eine immer größere Bedeutung zu – sei das Lager aus Gründen der Liefersicherheit zu gut gefüllt, erhöhen sich für den Anbieter die Kosten; hat der Anbieter zu wenige Produkte gelagert, hat das Auswirkungen auf die Kundenzufriedenheit. „Die Balance dazwischen muss fein austariert sein“, so Gerhardt. Das BASF-Team zeigt sich nach dem erfolgreichen PoC mehr als zufrieden: Dr. Lohe: „Die IBM Cloud und die Watson KI-Services ermöglichten uns den Zugang zu einer Vielzahl von maschinellen Lernmodellen, die auf der langjährigen IBM-Praxis mit diesen Werkzeugen basieren. Das bedeutete, dass wir unmittelbar mit der Analyse unserer Daten und mit dem Training des ‚Nachschubberaters‘ starten konnten. Unsere Lösung beinhaltete auch eine Datenvisualisierung – das hat unseren Planern geholfen, die Systemempfehlungen besser zu verstehen und das Training effektiver gemacht. Ganz wichtig: Die integrierte Chatbot-Funktionalität machte es möglich, dass unsere Mitarbeiter in natürlicher Sprache mit dem Nachschubberater kommunizierten.“ IBM Watson erweitert also menschliche Erfahrung und Urteilsvermögen mit künstlicher Intelligenz, um innerhalb der Lieferkette vorausschauend zu agieren. Die KI-Lösung reduziert die Zahl kritischer Situationen in der Supply Chain, weil die Mitarbeiter sich anbahnende kritische Situationen früher erkennen. Damit reduziert sich die Zeit, bis ein solches Problem abgearbeitet ist. Und wie es mit KI-Systemen so ist: Die Entscheidungen werden über die Zeit immer besser.