Hoewel je de laatste tijd veel hoort over de term Artificial Intelligence (AI), Kunstmatige Intelligentie of Machine Learning zijn er maar weinig mensen die het vakgebied echt begrijpen. Er wordt geschat dat er wereldwijd slechts circa 10.000 experts zijn op dit vakgebied. Voor meer dan 95 procent betreft dit academici dan wel researchers in dienst van de grote technologiebedrijven (Facebook, Google, Apple, Amazon, IBM etcetera).
Aangezien AI als erg belangrijk wordt bevonden voor de toekomstige concurrentiekracht van bedrijven en landen, zijn er nu bijvoorbeeld al discussies bij de Amerikaanse overheid om overnames van Amerikaanse AI-gerelateerde bedrijven door Chinese bedrijven aan banden te leggen.
Wat is Artificial Intelligence nu eigenlijk?
Artificial Intelligence is een vakgebied wat reeds 40 jaar bestaat en zijn ups en downs heeft gehad. Van 2000 tot en met 2010 was er zelfs sprake van een zogenaamde ‘AI Winter’. De aandacht voor AI was destijds tot een nulpunt gedaald. De laatste twee à drie jaar is Artificial Intelligence (AI) echter weer in zwang. Waarom? Daar komen we zo meteen op.
AI is een verzamelnaam voor meer dan 1000 verschillende wiskundige algoritmen. Denk dan aan begrippen als Support Vector Machine, Random Trees, K-Means, Neural Networks, LSTM en vele andere namen die gegeven zijn aan specifieke algoritmen. Achter elk van deze algoritmen gaan wiskundige formules schuil die vaak zo complex zijn dat 99,99 procent van de mensheid ze niet kan en wil begrijpen. Het is daarom dat de afgelopen 40 jaar de toepassing van AI-algoritmen met name beperkt is gebleven tot research in de academische wereld.
Pas de laatste drie à vier jaar zien we concrete toepassingen van AI-algoritmen bij bedrijven. Denk dan aan zelfrijdende auto’s waarin AI-algoritmen de data vanuit de sensoren in die auto’s verwerkt en het automatisch handelen van de auto bepaalt. Denk aan Amazon Alexa/Google Home/Apple Siri, de spraakherkenning en het automatische antwoord wordt bepaald door AI-technologie. Denk aan chatbots (het begrijpen van taal en het automatisch antwoord wordt bepaald door AI technologie) en vele andere innovatieve toepassingen die de afgelopen paar jaren zijn gelanceerd.
Machine Learning algoritmen zijn eigenlijk een sub-set van de AI-algoritmen. Deze Machine Learning algoritmen (die ook in vele verschillende vormen beschikbaar zijn) zijn in staat om ‘zelf’ patronen te leren ontdekken in data. Hoe dat precies werkt, zullen we zo meteen laten zien.
De zogenaamde Deep Learning algoritmen (de eigenlijke naam is neurale netwerken) zijn vervolgens weer een subset van de Machine Learning algoritmen. Veel innovaties van de afgelopen paar jaren zijn gebaseerd op de Deep Learning algoritmen, denk dan aan de zelfrijdende auto’s, Amazon Echo en chatbots welke allemaal Deep Learning algoritmen gebruiken.
Hieronder zal de algemene werking van deze Deep Learning algoritmen worden uitgelegd. Vergeet echter niet dat de scope van AI dus veel breder is dan alleen Deep Learning algoritmen. In de praktijk zullen de overige AI-algoritmen namelijk breder toepasbaar zijn in de wereld van supply chains, met name waar het echte optimalisatievraagstukken betreft. Deep Learning wordt met name veel toegepast in situaties waarin beeld- en geluidsherkenning een rol speelt. In de praktijk zijn we overigens ook veel probleemsituaties waarin een combinatie van verschillende AI-algoritmes wordt ingezet.
Hoe werkt Deep Learning eigenlijk?
Deep Learning algoritmen kunnen onderverdeeld worden in twee verschillende categorieën:
- Supervised Learning
- Unsupervised Learning
Bij ‘Supervised Learning’ algoritmen is er sprake van historische inputdata en tegelijkertijd de daadwerkelijke bijbehorende outputdata. Het algoritme gaat via zijn wiskundige formules (gebaseerd op een neuraal netwerk) de inputdata vertalen in outputdata. Tegelijkertijd weet het algoritme wat de daadwerkelijke outputdata had moeten zijn. Op basis van de discrepantie tussen de berekende outputdata en de daadwerkelijke outputdata kan het algoritme daardoor zijn parameters zelf aanpassen zodat de volgende keer bij de gegeven input wel de gewenste output wordt berekend. Veruit het gros van de praktische toepassingen van Deep Learning betreft ‘Supervised Learning’.
Bij ‘Unsupervised Learning’-algoritmes heeft het AI-model geen daadwerkelijke outputdata nodig. Wel heeft het AI-model dan een ‘live’ win-loss functie nodig, het moet real-time kunnen bepalen of iets goed of slecht is (het acteert als het ware rechtstreeks op gebeurtenissen in zijn omgeving). ‘Unsupervised Learning’-algoritmen worden bijvoorbeeld toegepast bij het spelen van computerspellen door AI-modellen (waarbij het meteen helder is of het wel of niet Game-Over is). De meest geavanceerde zelfrijdende auto’s maken ook gebruik van ‘unsupervised’ learning.
In de onderstaande figuur staat bijvoorbeeld een grafische weergave van een bekend Unsupervised Learning model dat alle Atari-spellen kan spelen.
Links in het model ziet u de inputdata. In dit specifieke geval worden er twee plaatjes van het computerscherm als input gegeven. Waarom twee plaatjes? Omdat het AI-model dan de snelheid van de bewegende delen op het computerscherm kan bepalen.
Helemaal aan de rechterkant van het model ziet u de outputdata. In dit specifieke AI-model betreft de output alle mogelijke acties die met behulp van de Atari joystick genomen kunnen worden, dus concreet alle mogelijke combinaties van hendel en button op de joystick.
In het midden van het model ziet u de zogenaamde ‘hidden layers’. Deze bestaat uit meerdere lagen van allerlei neuronen (naar analogie van hoe onze eigen hersenen werken). Deze neuronen zijn eigenlijk mathematische formules met elk bepaalde kenmerken/parameters. Het geheim (en tevens de complexiteit) van Deep Learning zit hem eigenlijk in deze ‘hidden layers’. Alles wat het AI-model ‘leert’ wordt eigenlijk opgeslagen in de ‘hidden layers’.
Het neurale netwerk krijgt vervolgens trainingdata (of zoals in het geval hierboven speelt het een Atari-spel en ontvangt het dus de twee plaatjes van het scherm). Deze plaatjes wordt vervolgens als input in het AI-model gestopt. Het AI-model past daar alle mathematische calculaties in de ‘hidden layers’ op toe en vervolgens wordt er een output berekend. In het geval van ‘Supervised Learning’ hebben we de outputdata en kunnen we dus een discrepantie berekenen tussen de gewenste outputdata en de berekende outputdata. In het geval van Unsupervised Learning leert het AI-model ‘live’ van zijn omgeving.
Als het game-over is in het spel, weet het AI-model dat het iets verkeerds heeft gedaan. Op basis van de berekende discrepantie dan wel het ‘live’ leren van zijn fouten of goede stappen, voert het AI-model vervolgens de zogenaamde ‘backpropagation’ uit. Hierbij wordt er eigenlijk teruggerekend in de ‘hidden layers’ om zodoende de parameters in de ‘hidden layers’ zodanig aan te passen dat het de volgende keer wel goed gaat.
In het geval van de Atari spelcomputer leert het AI-model op deze wijze elk willekeurig Atari-spel te spelen (zonder de specifieke regels van het betreffende Atari spel te kennen). Binnen vier à vijf uur spelen kan het AI-model op deze wijze zodanig bijvoorbeeld Atari Breakout spelen dat het het spel beter kan spelen dan welk mens dan ook. Eigenlijk leert het AI-model op dezelfde wijze een spel spelen zoals kinderen op uw iPad of computer vaak verbazend snel een spel leren spelen.
Waar kan het toegepast worden in de wereld van Supply Chain?
Eigenlijk staan we pas aan de vooravond van het ontdekken van de mogelijke toepassingen van AI. Met behulp van AI worden dingen mogelijk die tot dusver gewoon niet mogelijk waren. Dit betekent dat het ook veel ruimte creëert voor innovatieve toepassingen. Binnen Fontys Hogescholen zijn we bijvoorbeeld ook bezig met de opstart van een project, tesamen met het bedrijfsleven, om te ontdekken waar de AI-technologie binnen de supply chain wereld nu kunne toepassen. Enkele toepassingen die we tot dusver al zijn tegengekomen:
- Optimalisatie van planningsprocessen
- Herkennen van de kwaliteit van producten
- Voorraad optimalisatie
- Optimalisatie van het strategisch supply chain netwerk
- Voorspellen van de vraag naar produkten
- Voorspellen van ingrediënten prijzen
Eigenlijk alle processen waarin optimalisatie dan wel sensoren (camera beelden, geluid) een rol spelen kan AI een belangrijke rol spelen. In de wereld van Internet of Things (IoT) bijvoorbeeld is AI de ontbrekende schakel om ook daadwerkelijk iets met alle verzamelde data van de sensoren te kunnen doen.
In een volgende blog zullen we uitleggen hoe we een combinatie van verschillende AI technologieën concreet hebben toegepast bij de transportplanning van een grote logistieke dienstverlener.
Lees het volledige bericht op Emerce »
Hoe belangrijk is de core app voor sales?
