LLMs und Basismodelle in der Lieferkette:Planung und Prognose verändern

Übersicht

In diesem Artikel wird untersucht, wie diese grundlegenden KI-Technologien in der Lieferkette eingesetzt werden können, von der Vereinfachung des Zugriffs auf komplexe Planungsplattformen bis hin zur Unterstützung von Prognosen und Szenarioanalysen. Außerdem werden die Vorteile, Risiken und die praktische Rolle von LLMs als intelligente Schnittstelle untersucht, die Supply-Chain-Teams dabei hilft, Daten besser zu verstehen, Entscheidungen zu prüfen und die tägliche Planung zu verbessern.

Texte schreiben und anpassen, beim Zusammenfassen von Informationen helfen sowie neue Ansätze und innovative Ideen generieren – das sind beruflich gesehen die drei häufigsten Anfragen von Nutzern an ChatGPT. Die Quelle ist ziemlich zuverlässig:OpenAIs eigene Plattform.

Über diese „allgemeinen“ Aufgaben hinaus hat wahrscheinlich jeder von uns diese Eingabeaufforderungen irgendwann in seiner Arbeit verwendet. Die Wahrheit ist, dass ChatGPT und andere ähnliche Systeme auch auf spezifischere Aufgaben angewendet werden können. Die Lieferkette ist offensichtlich keine Ausnahme. In diesem Artikel werden wir die Anwendungen grundlegender KI-Systeme, einschließlich Large Language Models (LLMs) wie ChatGPT, in der Lieferkette untersuchen.

Was sind Large Language Models (LLMs)?

Large Language Models (LLMs) sind eine spezielle Art grundlegender KI-Modelle. Ihr Ziel besteht nicht darin, eine einzelne, spezifische Aufgabe zu lösen, sondern ein allgemeines Sprachverständnis zu erlernen, das in mehreren Kontexten wiederverwendet werden kann.

Dank dieser Ausbildung sind LLMs in der Lage, Texte zu schreiben, Informationen zusammenzufassen, komplexe Fragen zu beantworten, aus unstrukturierten Daten Schlüsse zu ziehen und technische Konzepte in eine verständlichere Sprache zu übersetzen. Tools wie ChatGPT sind ein klares Beispiel für diesen Ansatz:ein einzelnes Modell, das sehr unterschiedliche Aufgaben ausführen kann, ohne dass es für jede einzelne neu trainiert werden muss.

Vorteile der Anwendung von KI auf die Lieferkette

Ein LLM beherrscht eines besonders gut:den Umgang mit Sprache. In der Supply Chain bietet die Anbindung an bestehende Systeme (ERP, WMS, TMS, Data Warehouses etc.) enormes Potenzial.

Das Potenzial von LLMs in der Lieferkette besteht nicht einfach darin, sie zur „Optimierung“ aufzufordern, eine Aufgabe, für die sie zumindest derzeit nicht effizient oder zuverlässig genug ist, sondern darin, Menschen dabei zu helfen, besser mit bestehenden Planungssystemen zu interagieren, ihre Ergebnisse zu verstehen und schnellere und fundiertere Entscheidungen zu treffen.

Schauen wir uns einige der Hauptvorteile an.

Vereinfachung der Nutzung komplexer fortschrittlicher Plattformen

Es hat sich gezeigt, dass eine fortschrittliche Planung Kosten senkt, das Serviceniveau verbessert und den Lagerbestand eindämmt. Das Problem besteht darin, dass der Wert eines Optimierungssystems im Alltag nicht nur davon abhängt, die beste Lösung zu finden, sondern auch davon, dass diese Lösung verständlich ist und Vertrauen schafft.

In vielen Unternehmen zeigt sich hier die Lücke. Die Optimierungsplattform rechnet, doch die Teams, die sie betreiben, sind misstrauisch. Dies kann zu Fragen führen, deren Lösung Stunden oder Tage in Anspruch nimmt, zur Abhängigkeit von technischen Profilen für relativ einfache Abfragen und zu dem anhaltenden Gefühl:„Ich weiß nicht, warum das System das entschieden hat.“

In diesem Zusammenhang beginnen LLMs eine sehr spezifische und nützliche Rolle zu spielen:Sie werden zu einer Ebene der Interaktion und Übersetzung zwischen Menschen und Planungssystemen, insbesondere wenn ihnen komplexe Entscheidungen zugrunde liegen (Einschränkungen, Abhängigkeiten, Szenarien, Prioritäten usw.).

In der Lieferkette gibt es Fragen, die sich ständig wiederholen:

• „Warum haben wir diese Nachfrage von diesem Lieferanten (und nicht von einem anderen) bedient?“
• „Was passiert, wenn die Nachfrage in diesem Bereich um 10 % steigt?“
• „Können wir die Anzahl der Lieferanten aus Qualitäts- oder Risikogründen begrenzen?“
• „Welche Auswirkungen hätte eine Sperrung dieser Transportspur?“
• „Welche SKU verursacht die meisten Brüche und warum?“

Auf diese häufig gestellten Fragen werden klare Antworten benötigt, aber um sie zu beantworten, müssen oft Parameter überprüft, Tabellen konsultiert, Berechnungen durchgeführt, Szenarien simuliert werden … Und in vielen Organisationen bedeutet dies, ein Ticket zu öffnen, auf einen Analysten zu warten, einen Techniker zu konsultieren, es noch einmal durchzuführen … und letztendlich viel Agilität bei der Entscheidungsfindung einzubüßen.

Hier werden LLMs zu sehr nützlichen Werkzeugen, nicht als Ersatz für die mathematische Engine, sondern als intelligente Schnittstelle für den Zugriff, die Erklärung und die Erkundung ihrer Ergebnisse.

Zeitreihenvorhersage

Künstliche Intelligenz wird auch zunehmend auf die Zeitreihenvorhersage angewendet, wobei wir uns in diesem Fall technisch gesehen nicht auf LLMs, sondern auf sogenannte Time Series Foundation Models beziehen. Durch das Training mit großen Mengen historischer Daten können sie gängige Muster lernen und schnell Prognosen für eine Vielzahl von Verhaltensweisen erstellen, von intermittierender Nachfrage bis hin zu saisonalen Mustern oder einmaligen Ereignissen.

In diesem Zusammenhang kann man sich ein Szenario vorstellen, in dem der Benutzer der Plattform Zeitreihen zusammen mit Kontextinformationen bereitstellt und das System eine Prognose zusammen mit Erläuterungen, Leistungsmetriken und Empfehlungen zur Verbesserung zurückgibt. Mit dieser Art von Modell konnte ein qualitativ hochwertiger Prognoseprozess mit minimalem Aufwand und ohne die Notwendigkeit tiefgreifender technischer Kenntnisse erreicht werden.

Entscheidungsfindung und Reaktion auf „Was-wäre-wenn“-Szenarien

Auch hier beziehen wir uns nicht ausschließlich auf LLMs, sondern in diesem Fall auf Decision Foundation Models. Diese Art von KI kann über die Vorhersage von Zeitreihen hinausgehen und auch auf Entscheidungsprobleme angewendet werden. Dank dieser vorherigen Schulung kann das Modell mit minimalen Anpassungen verschiedene Arten von Entscheidungen berücksichtigen.

Wenn der Benutzer in diesem Zusammenhang eine „Was-wäre-wenn“-Frage stellt, interpretiert das LLM die Absicht (z. B. „diesen Lieferanten blockieren“ oder „diese Anlage einschränken“) und startet das Szenario. Anschließend vergleicht es das Ergebnis mit dem aktuellen Plan und erläutert es.

Der Hauptvorteil besteht darin, dass keine Notwendigkeit besteht, sich mit fortgeschrittener Mathematik zu befassen:Für Unternehmen lautet die Antwort normalerweise „Kosten erhöhen/senken“, „Service ist beeinträchtigt“, „ein Risiko tritt auf“, „die Last wird verlagert“ oder „es gibt keine praktikable Lösung“.

Vorhandene (aber verstreute) Informationen zugänglich machen

Ein Teil des Problems besteht darin, dass Lieferkettendaten in Silos gespeichert sind:Tabellen, Berichte, Dashboards, unterschiedliche Tools, unterschiedliche Nomenklaturen … und bei Fragen sind häufig Querverweise auf mehrere Quellen erforderlich. Ein LLM kann als „Abfrage-Orchestrator“ fungieren:nicht weil er die Daten „kennt“, sondern weil er sie von den richtigen Systemen anfordern und eine kohärente Antwort verfassen kann.

Risiken der Anwendung von KI in der Lieferkette

Wenn Sie LLMs auf Ihre Lieferkettenabläufe anwenden, gibt es zwei unvermeidliche Bedenken:

Datenschutz und sensible Daten

Der sinnvollste Ansatz besteht darin, die Daten nicht in das Modell zu laden. Stattdessen fungiert das LLM als Argumentations- und Sprachebene, während die Daten und Berechnungen in Ihrer Umgebung (Datenbanken, Solver, interne Systeme) verbleiben.

„Halluzinationen“ und plausibel klingende Antworten

In der Lieferkette ist eine falsche Antwort kein anekdotischer Fehler:Sie kann Geld, Service und/oder den Ruf der Marke kosten.

Daher ist die am meisten empfohlene Vorgehensweise nicht „den LLM fragen und vertrauen“, sondern:

1. Das LLM schlägt die Aktion vor (Abfrage, Szenario, Einschränkung).
2. Das System validiert es (Regeln, Berechtigungen, Prüfungen).
3. Die Supply-Chain-Management-Plattform berechnet es.
4. Der LLM erklärt das Ergebnis.

Die Auswirkungen von LLMs auf das Lieferkettenteam

Im Hinblick auf die betrieblichen Auswirkungen führt ein gut konzipierter „LLM als Planungs-Co-Pilot“-Ansatz normalerweise zu Folgendem:

• Mehr Autonomie für den Planer, Szenarien zu erkunden, ohne auf Technik oder Analysen angewiesen zu sein.
• Weniger interne Reibung:weniger Hin und Her, um das „Warum“ zu erklären.
• Schnellere Entscheidungen bei Änderungen (Nachfrage, Kapazität, Lieferanten, Transport).
• Bessere Akzeptanz des Planungssystems:Wenn es verstanden wird, wird es verwendet; wenn es verwendet wird, generiert es Wert.

Fazit:Wenn die Planung verstanden wird, beginnt sie, echten Wert zu generieren

In der Lieferkette besteht eine der größten Herausforderungen neben der Berechnung der Antwort auf ein Problem darin, diese Antwort in eine Entscheidung umzuwandeln, die das Unternehmen versteht, der es vertraut und die es umsetzt.

Aus dieser Perspektive besteht der Wert von LLMs nicht darin, „den Plan zu erstellen“ oder Plattformen zur Supply-Chain-Optimierung zu ersetzen , sondern darin, die fortschrittliche Planung den Menschen näher zu bringen, die täglich Entscheidungen treffen. Indem sie als Interpretations- und Dialogebene fungieren, ermöglichen sie die Erforschung von Szenarien, das Verständnis der Gründe für jeden Vorschlag und die Verringerung der Reibung zwischen komplexen Modellen und der betrieblichen Realität.

Wenn die nächste Reifestufe in der Lieferkette darin besteht, die Lücke zwischen den Berechnungen des Systems und den Entscheidungen des Unternehmens zu schließen, erweisen sich LLMs – verantwortungsvoll integriert und verbunden mit robusten Planungstools – als Schlüsselfaktoren, um dies zu erreichen.