Leseprobe
I. Inhaltsverzeichnis
II. Abbildungsverzeichnis
III. Abkürzungsverzeichnis
1. Einleitung
2. Supply Chain Management
2.2. Digitale Supply Chain
3. Künstliche Intelligenz
3.1. Was ist K.I.?
3.2. Machine Learning (Maschinelles Lernen)
3.2.1. Supervised Learning (Überwachtes Lernen)
3.2.2. Unsupervised Learning (Unüberwachtes Lernen)
3.2.3. Reinforcement Learning (Verstärkendes Lernen)
3.2.4. Deep Learning
4. Einsatzmöglichkeiten
4.1. Nachfrageprognose
4.2. Fulfillment
4.3. Optimierung der Routenplanung
4.4. Autonome Vehikel
5. Chancen und Risiken der K.I. in der Supply Chain
5.1. Chancen
5.2. Risiken
6. Fazit
IV. Literaturverzeichnis
II. Abbildungsverzeichnis
Abbildung 1: Idealtypische Darstellung einer Supply Chain
Abbildung 2: Abgrenzung von A.I., Machine Learning und Deep Learning
Abbildung 3: Shiba or Marshmallow?
Abbildung 4: Chihuahua or Muffin?
Abbildung 5: Amazon Forecast Funktionsweise
Abbildung 6: Verschiedene Stufen des autonomen Fahrens
III. Abkürzungsverzeichnis
Ebd. Ebenda
ERP Enterprise-Resource-Planning
Et al. Und weitere
Ff fortfolgende Seite
IoT Internet of Things
IP Internet Protocol
IT Informationstechnik
K.I. Künstliche Intelligenz
S. Seite
SC Supply Chain
SCM Supply Chain Management
Vgl. Vergleiche
1. Einleitung
Anlässlich der immer weiter fortschreitenden, technologiebasierten und wirtschaftlichen Entwicklung der Künstlichen Intelligenz wird der Alltag vieler Unternehmen stark von Umstrukturierung und Weiterentwicklung geprägt. Die daraus resultierende globalisierte und vernetzte Wertschöpfung zwingt alle Teilnehmer dazu, sich die dynamisch verändernden technologischen Errungenschaften anzueignen und diese auf Ihre Supply Chain zu übertragen, um somit Wettbewerbsvorteile zu generieren.1
Durch die derzeitigen Möglichkeiten der Informations- und Umsetzungsgeschwindigkeit, die Industrie 4.0 innerhalb der modernen Supply Chain bietet, werden Potentiale, wie autonome Transportfahrzeuge sowie eine hohe Informationstransparenz für Unternehmen und deren Wertschöpfungskette realisierbar. Um diese Potentiale voll ausschöpfen zu können ist eine hohe Datenverfügbarkeit und Informationstransparenz von fundamentalem Wert.2 Durch diese „sind die Akteure innerhalb der Supply Chain dazu in der Lage, den Produktionsfortschritt nach Bedarf in Echtzeit zu verfolgen, Engpässe und Störungen zu antizipieren und den Wertschöpfungsprozess effizienter zu gestalten. Lieferverzögerungen können dadurch reduziert und die Ressourceneinsatzplanung optimiert werden. Solche Potentiale können nur durch eine IT-seitig hoch vernetzte und harmonisierte (digitale) und dadurch letztlich transparente Supply Chain umgesetzt werden . “3 Infolge des zunehmenden Konkurrenzkampfes im Markt ist es für die Lieferantenkette essentiell, die bereits genannten Potentiale und den Fortschritt von Künstlicher Intelligenz optimal zu nutzen, um den Fortbestand im Wettbewerb sicherzustellen und diesen weiter auszubauen.4
Es stellen sich Fragen, wie was kann eine Künstliche Intelligenz? Oder wird Künstliche Intelligenz ein essentieller Bestandteil für die Wirtschaft in den nächsten Jahrzehnten mit sich bringen? Die vorliegende wissenschaftliche Arbeit beleuchtet zunächst die Grundlagen des Supply Chain Managements. Im Anschluss wird das Thema Künstliche Intelligenz (im Folgenden auch K.I. genannt) näher untersucht. Daraufhin werden einige Einsatzmöglichkeiten der K.I. in der Supply Chain sowie deren Herausforderungen und Zukunftspotentiale deklariert. Eine abschließende Zusammenfassung sowie das Fazit runden diese Arbeit schließlich ab.
2. Supply Chain Management
Das nachfolgende Kapitel gewährt einen Überblick über das Thema Supply Chain Management. Zu Anfang wird der Begriff und die Entwicklung des Supply Chain Management näher erläutert. Anschließend werden das Prinzip und die Ziele des Supply Chain Managements betrachtet.
2.1. Der Begriff Supply Chain Management
„Wörtlich übersetzt heißt ‚Supply Chain‘ Versorgungs- oder Lieferkette.“5 Aufgrund der großen definitorischen Vielfalt an Begriffserklärungen gibt es keine einheitliche Definition, jedoch beschreiben alle Definitionen einen ähnlichen Standpunkt: Das Supply Chain Management befasst sich mit der Betrachtung und Koordination der gesamten Prozesskette sowie der vollständigen Lieferantenkette über alle Transport- und Lagerstufen bis hin zum Endkunden hinweg. Man kann somit sagen, eine Supply Chain stellt die gesamte unternehmensübergreifende Wertschöpfungskette dar.6
Kaum eine andere Branche hat sich in den letzten Jahrzehnten so dramatisch gewandelt, wie die der Logistik. Dies zeigen die immer komplexer werdenden Lieferantennetzwerke und die stetig steigende Dezentralisation auf. Jedoch entsteht hierbei ein hoher Koordinationsaufwand sowie die daraus hervorgehenden Kosten. Die Aufgabe des SCM gilt hierbei der Optimierung dieses Aufwandes.7 Weiterhin zählen der Abbau von Lagerbeständen, eine bessere Kapazitätsauslastung, eine Prozessstandardisierung und eine Liefer- und Durchlaufzeitverkürzung sowie die Erhöhung der Termintreue mitunter zu den wichtigsten Zielen von Supply Chain Management.8
Wie wichtig es ist SCM zu nutzen, zeigt einer der wichtigsten Aspekte auf, der Bullwhip-Effekt, auch Peitscheneffekt genannt. Dieses Phänomen zeigt entlang einer mehrstufigen Lieferantenkette die Schwankungen der Nachfrage auf. Dabei ist zu beobachten, dass die dynamischen Veränderungen der Endkundennachfrage umso stärker werden, je weiter man auf der Supply Chain in Richtung der Hersteller, der Güter, wandert. Bereits geringe Abweichungen der Konsumentennachfrage kann zu beträchtlichen Abweichungen der Nachfrage bei den Produzierenden Betrieben verursachen. Dadurch entsteht eine höhere Nachfrage Volatilität.
Die Ursache dieses Effektes lässt sich auf mangelnde und zeitverzögerte Kommunikation zwischen den einzelnen Stufen zurückführen. Der Blick der einzelnen Akteure der Supply Chain richtet sich hierbei nicht auf die ganze Lieferkette. Als Nachfragereferenz wird hier nicht der Bedarf des Endkunden genommen, sondern der des Vorgängers. Daraus resultiert, dass eine geringe steigende Endnachfrage über alle Stufen der Supply Chain hinweg, die Bestellmenge und somit auch die Lagerbestände exponentiell wächst.9
Man kann also sagen, dass der Bullwhip-Effekt eine verzerrte Wahrnehmung der Nachfrage beschreibt. Mithilfe von enger Kooperation der einzelnen Teilnehmer der Supply Chain, unternehmensübergreifenden Informationssystemen und der daraus resultierenden Datentransparenz, kann diesem Effekt entgegengewirkt werden.10
Wie in diesem Abschnitt zu erkennen ist, versucht die Supply-Chain in harmonisierter Zusammenarbeit ein Optimum an Kosteneinsparung und Vermeidung von Verschwendung im ganzen Wertschöpfungsnetzwerk zu generieren.11 Die anschließende Abbildung zeigt eine beispielhafte Darstellung einer Supply Chain visuell auf.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Idealtypische Darstellung einer Supply Chain
Quelle: Voß, (2020), S. 20.
2.2. Digitale Supply Chain
Der rasante Wandel der Arbeitsumwelt aufgrund von Digitalisierung und der immer schneller voranschreitenden Technologien ist unaufhaltbar und omnipräsent zugleich. Dies betrifft auch den Bereich der Logistik. Doch damit die Anpassung für den digitalen Wandel vollziehbar ist und, um Künstliche Intelligenz verwenden zu können, müssen die technischen Anforderungen an den aktuellen IT-Standard erfüllt werden. Weiterhin ist es unabdingbar, die komplexen logistischen Prozesse zu digitalisieren.12 Dies geschieht über Mensch-Maschinen-Schnittstellen auch IoT-Schnittstellen genannt. Mit IoT oder Internet of Things, ist im Allgemeinen die Vernetzung von Gegenständen per Internet gemeint. Jedes Gerät oder Maschine ist über Sensoren mittels einer eindeutigen IP-Adresse im Netzwerk gekennzeichnet und mit den zentralen Steuerungen und K.I.-Systemen vernetzt. In diesem ganzheitlichen und autonomen Netzwerk sind die Smart Devices nun in der Lage, über das Internet ihre Aufgaben voll automatisiert auszuführen.13 Dank IoT-Schnittstellen ist es möglich, alle Prozesse der Supply Chain, in Echtzeit, transparent abzubilden. Ohne diese essentielle Technologie grenzt die Einbindung des Informationsflusses nahezu an das Unmögliche, aufgrund der exorbitanten Datengröße der Informationen.
Keine Branche in der heutigen Zeit kann lange ohne den Trend zur Digitalisierung überleben. Damit so viele Daten wie möglich in Echtzeit in der Supply Chain vorhanden sind, ist es wichtig, dass alle Unternehmen der eigenen Lieferkette ihre Prozesse digitalisieren und automatisieren. Auf der einen Seite wird so die Transparenz erhöht und zum anderen erhöht dies die Flexibilität und beispielsweise die Verbesserung und Erleichterung von Nachfrageprognosen, wodurch der Bullwhip reduziert beziehungsweise eliminiert wird. Damit diese strategische Aufgabe vom Management erfolgreich durchgeführt werden kann, müssen alle Beteiligten der Supply Chain informiert und sensibilisiert werden. Nur wenn das neue Geschäftsmodell von allen umgesetzt wird, kann ein Erfolg im essentiellen Ausmaß erfolgen.14
3. Künstliche Intelligenz
Künstliche Intelligenz - kein anderer Begriff ist heutzutage so stark verbreitet wie dieser, man kann sogar sagen, er ist gerade jetzt im digitalen Zeitalter fast omnipräsent. Doch was ist eigentlich Künstliche Intelligenz? Dieser Teil der Arbeit gewährt Einblicke in das Thema der Künstlichen Intelligenz beziehungsweise Artificial Intelligence. Zuallererst wird die Idee hinter der Künstlichen Intelligenz beleuchtet und die Zusammenhänge zwischen Künstlicher Intelligenz, maschinellem Lernen und mehrschichtigem Lernen definiert und abgegrenzt. Anschließend werden die Einsatzmöglichkeiten der K.I. in der Supply Chain betrachtet.
3.1. Was ist K.I.?
„Künstliche Intelligenz ist der Überbegriff für Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen erbringen.“15 Im Allgemeinen wird K.I. gezielt in bestimmten Bereichen eingesetzt, wie beispielsweise als Chatbot, Gesichtserkennung in Smartphones oder als Sprachassistent in Form von beispielsweise Siri oder Alexa. Aufgrund der rapiden Entwicklung von Hardware und produzierten Datenbergen ist es gelungen eine exponentiell wachsende Entwicklung von Machine- und Deep Learning zu generieren, die bis heute als Eckpfeiler der Künstlichen Intelligenz gelten.16 Maschinelles Lernen ist ein Teilbereich von Artificial Intelligence. Hier lernt der Algorithmus basierend auf Erfahrungen oder anhand von Mustern. Deep Learning dagegen ist ein Teilgebiet des Machine Learnings und basiert auf künstlichen neuronalen Netzen.
Die nachfolgende Darstellung zeigt die Abgrenzungen von Künstlicher Intelligenz, Maschinellem Lernen und Deep Learning nochmals visuell auf. In den nachfolgenden Passus werden diese näher deklariert.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Abgrenzung von A.I., Machine Learning und Deep Learning
Quelle: Eigene Darstellung in Anlehnung an Ortiz, (2020).
3.2. Machine Learning (Maschinelles Lernen)
Die Quintessenz für intelligente Systeme ist das maschinelle Lernen. Dazu werden analytische Algorithmen eingesetzt um abhängig von einem vorhandenen Input einen bestimmten Output zu berechnen. Prinzipiell ist zu sagen, dass nach Klassifikationen und Charakteristiken in den Daten gefiltert wird. Nimmt man beispielsweise das Erkennen von verschiedenen Tierarten auf Bildern, so ist es nicht mehr notwendig, dass der Programmierer im Quellcode explizit angibt, welche Charakteristiken ein Tier hat (Beispiel: Ein Hund hat vier Beine und vier Pfoten, zwei Augen und eine Schnauze).17 „Vielmehr wird der Algorithmus mit vielen unterschiedlichen Tierfotos trainiert, anhand derer er selbstständig erlernt, wie die jeweiligen Tiere aussehen und sich von anderen Tieren unterscheiden.“18 Grundsätzlich lässt sich Machine Learning in die verschiedenen Teilbereiche Supervised Learning (Überwachtes Lernen), Unsupervised Learning (Unüberwachtes Lernen) und Reinforcement Learning (Verstärkendes Lernen) untergliedern.19 Diese werden im Nachgang näher erläutert.
3.2.1. Supervised Learning (Überwachtes Lernen)
Wie im zuvor erwähnten Beispiel beschrieben gehört das Erkennen und unterscheiden von diversen Tierarten anhand spezifischer Ausprägungen zur Kategorie des überwachten Lernens. Der Algorithmus wird mit vielen Beispielen dieser Art trainiert. Die größte Hürde hierbei ist jedoch auf Daten erstklassiger Güte zurückgreifen zu können, um Fehler im vor Feld auszuschließen.20
Bestimmte Sachverhalte lassen sich aus unergründlichen Dingen von Menschen schlecht, beziehungsweise nicht richtig erläutern.
Dies stellt insofern ein Problem dar, sobald dies von Entwicklern als Code programmiert werden muss. Dies lässt sich auf das Polanyi-Paradoxon zurückführen, welches vom Philosophen Michael Polanyi benannt wurde.21 „We know more than we can tell“ (Polanyi, 1966). Dieses Phänomen lässt sich anhand der nachfolgenden Abbildungen sehr gut demonstrieren.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Chihuahua or Muffin?
Quelle: Zack, (2016b).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Shiba or Marshmallow?
Quelle: Zack, (2016a).
Selbstredend ist für den Menschen auf den ersten Blick ersichtlich, hinter welchem Bild sich das süße Naschwerk und hinter welchem sich das Tier versteckt. Doch dies näher zu definieren, aus welchem Grund, welches Bild, wie zu kategorisieren ist, grenzt nicht an Trivialität.22 Damit es dem Algorithmus möglich ist, die Bilder richtig zu klassifizieren, müssen diese Daten mit zusätzlichen Informationen versehen werden, ob es sich um einen Hund oder Süßigkeit handelt, sogenannte Label. Basierend darauf kann der Algorithmus ein Modell erlernen um diese eigenständig zu differenzieren.23 Anhand des übertragenden Beispiels wie Kinder aus Erfahrung lernen, kann man dies vereinfacht darstellen. Normalerweise wird einem Kind von seinen Eltern erklärt, ob es sich bei dem Tier um einen Hund oder eine Katze handelt.
[...]
1 Vgl. Voß (2020), S.18
2 Vgl. ebd., S.18
3 Voß (2020), S.18
4 Vgl. Voß (2020), S.18
5 Beckmann (2004), S. 1
6 Vgl. Bertagnolli (2018), S. 291
7 Vgl. Muchna, et al. (2018), S.18
8 Vgl. Bertagnolli (2018), S. 291
9 Vgl. Muchna, et al. (2018), S.19
10 Vgl. Muchna, et al. (2018), S.19
11 Vgl. Bertagnolli (2018), S. 291
12 Vgl. Voß (2020), S.71
13 Vgl. Cole (2020), S.56
14 Vgl. Voß (2020), S.71
15 Schick (2018)
16 Vgl. Wennker (2020), S.V
17 Vgl. Buxmann und Schmidt (2019), S.8
18 Buxmann und Schmidt (2019), S.8
19 Vgl. Wennker (2020), S.12ff
20 Vgl. Wennker (2020), S.13
21 Vgl. Buxmann und Schmidt (2019), S.8
22 Vgl. Buxmann und Schmidt (2019), S.8
23 Vgl. Wennker (2020), S.14ff