KI in der Lieferkette:Sechs Hindernisse für die Erzielung von Ergebnissen

Künstliche Intelligenz hat das Potenzial, fast alles radikal zum Besseren zu verändern. Seine Auswirkungen werden wahrscheinlich denen von Elektrizität und anderen Allzwecktechnologien entsprechen, die unser Leben bereichert haben. In Testfällen mit autonomen Fahrzeugen, einschließlich Schiffen und Flugzeugen, zeigen sich bereits erste Anzeichen für seine Auswirkungen, und die Vorteile gehen weit über die Reduzierung des Personaleinsatzes hinaus.

Da beispielsweise bis zu 90 Prozent der Seefahrerunfälle auf menschliches Versagen zurückzuführen sind, könnte KI solche Fälle deutlich reduzieren. Durch die Fahrzeug-zu-Fahrzeug-Kommunikation können Fahrzeuge wichtige Daten wie Position, Geschwindigkeit und Kurs austauschen. Die Informationen können verwendet werden, um Fahrer und autonome Systeme vor möglichen Bedrohungen und Kollisionen zu warnen, auch wenn sie außer Sichtweite sind. Es kann Fahrer auch vor weniger sichtbaren Fahrzeugen auf der Straße wie Motorrädern und Fahrrädern warnen. V2V kann in Kombination mit KI Kollisionen und Staus reduzieren, indem es Fahrer, Piloten und Kapitäne proaktiv auf erwartete Probleme und Kollisionen mit anderen Fahrzeugen sowie auf andere Verkehrsgefahren aufmerksam macht.

Ebenso bedeutend sind die Vorteile von KI in Bezug auf Produktivität, Innovation und globales Wirtschaftswachstum. McKinsey &Company schätzt, dass die Einführung von KI „das Potenzial hat, bis 2030 eine zusätzliche globale Wirtschaftsaktivität von rund 13 Billionen US-Dollar zu erzielen, oder etwa 16 Prozent mehr kumuliertes BIP im Vergleich zu heute. Das entspricht einem zusätzlichen BIP-Wachstum von 1,2 Prozent pro Jahr.“ Die Schätzung von PwC liegt sogar noch höher und liegt bei über 15 Billionen US-Dollar.

Angesichts dieses Potenzials ist es leicht, sich von KI mitreißen zu lassen und die großen Probleme zu ignorieren, mit denen Unternehmen bei der Einführung und effektiven Nutzung konfrontiert sind. Hier sind einige der Herausforderungen und möglichen Lösungen.

Mangel an großen, sauberen Daten. Alle Rechenprozesse benötigen gute Daten, und künstliche Intelligenz ist keine Ausnahme. Insbesondere maschinelles Lernen (ML) benötigt riesige Mengen an genauen Daten, um Algorithmen zu trainieren und Vorhersagemodelle zu entwickeln. Die meisten Unternehmen verfügen jedoch weder über die Qualität noch die Quantität der Daten, um dies zu bewerkstelligen.

Unternehmen müssen die Qualität ihrer Daten durch ein effektives Stammdatenmanagement und durch eine möglichst weitgehende Einbindung von Echtzeitdaten in Prozesse und Systeme verbessern. Digitale Unternehmensnetzwerke mit mehreren Parteien in Echtzeit behalten eine „Single Version of the Truth“ bei, während externe Systeme kontinuierlich synchronisiert werden, um sicherzustellen, dass Unternehmen mit den vollständigsten und aktuellsten Informationen arbeiten.

Unternehmen sollten auch in Erwägung ziehen, Lösungen mit vortrainierten, ML-basierten Algorithmen zu verwenden, die auf große Datenmengen aus ähnlichen Szenarien und Unternehmen zurückgreifen. Aufgrund ihres enormen Transaktionsvolumens können digitale Geschäftsnetzwerke schnell gut trainierte Algorithmen und intelligente Agenten verfeinern, die neue Mitglieder des Netzwerks nutzen können.

Unterteilte KI ist unintelligente KI. Lieferketten sind von Natur aus funktions- und unternehmensübergreifend, und die für ihren Betrieb erforderlichen Daten sind auf interne und externe Partner verstreut. Unternehmen, die versuchen, KI fragmentiert zu implementieren, während sie das Gesamtbild ignorieren, werden schlechte Ergebnisse erzielen. Ohne Zugriff auf alle relevanten Daten werden Algorithmen weiterhin blinde Flecken haben und Chancen zur Optimierung und Ausführung verpassen.

Unternehmen sollten versuchen, so viele relevante Systeme, Betriebe und Handelspartner wie möglich einzubeziehen, um die Genauigkeit, den Kontext und die Vollständigkeit der Daten zu verbessern. Ziel sollte es sein, die gesamte Lieferkette von der Quelle bis zum Endkunden mit einem Echtzeitnetzwerk zu verbinden. Nur eine lieferkettenweite Lösung kann kritische Vorgänge wie Lagerbestände und Logistikmanagement vollständig optimieren, indem sie das Gesamtbild von Nachfrage und Angebot überwacht.

Blackbox versus erklärbare KI. Bestimmte ML-Techniken wie Scorecards und Entscheidungsbäume sind leicht zu verstehen. Aber neuronale Netze sind komplexer und mysteriöser. Sollten wir auf diese Daten reagieren oder dem System erlauben, autonom zu handeln, wenn wir nicht wissen, wie es zu solchen Entscheidungen gelangt ist?

Amazons Experiment mit der Verwendung von KI zur Rekrutierung von Talenten ging schief, als Forscher feststellten, dass das System stark auf die Einstellung von Männern ausgerichtet war. Dies lag daran, dass die Algorithmen auf überwiegend männlichen Daten trainiert wurden. Die KI stufte folglich Kandidaten von zwei Frauenhochschulen herab und traf andere unangemessene Entscheidungen, die ausschließlich auf dem Geschlecht beruhten.

KI muss in ihren Eingaben, Prozessen und Entscheidungen transparent sein. Unternehmen müssen zumindest im Wesentlichen wissen, wie Algorithmen funktionieren, wie sie zu Entscheidungen kommen und wie sie Werte schaffen und verteilen. Idealerweise sollte das System die Gründe für die Entscheidungen explizit machen, sodass Benutzer die Entscheidungen autonomer Agenten anzeigen, genehmigen und außer Kraft setzen können. Unternehmen sollen die Algorithmen auch an ihre speziellen Bedürfnisse anpassen können.

Kurzsichtige Optimierung. Jeder Prozess und jede Änderung ist mit Kosten verbunden. Wenn es bei der Entscheidungsfindung nicht berücksichtigt wird, kann das Ergebnis manchmal schlimmer sein, als wenn überhaupt nichts getan worden wäre. In Lieferketten, die aus vielen Partnern und Systemen bestehen, verliert man leicht die langfristigen Folgen einer Handlung aus den Augen. Viele Lösungen tappen in diese Falle, indem sie die gesamte Lieferkette neu planen, „Nervosität“ im System erzeugen und große und unnötige Änderungen und Kosten verursachen, wenn eine geringfügige oder mehr lokale Änderung ausreichen würde.

Um dieses Problem zu vermeiden, sollten Optimierungen kontinuierlich statt gelegentlich erfolgen und darauf beschränkt sein, möglichst wenige Entitäten zu beeinflussen, um eine Unterbrechung des Netzwerks zu minimieren. Wie bei einem Flugzeug mit Autopilot können kontinuierliche geringfügige Richtungsanpassungen Änderungen der Bedingungen ausgleichen, während das Flugzeug präzise auf Kurs gehalten wird. Die Alternative besteht darin, eine einzige große Umleitung vorzunehmen, wenn das Flugzeug gegen Ende seiner Reise weit vom Kurs abkommt. Diese kontinuierlichen Anpassungen führen zu großen Verbesserungen, ohne in Ihrer gesamten Lieferkette Schockwellen zu verursachen.

Überbegeisterte KI-Anbieter. Viele Softwareanbieter sind auf den KI-Zug aufgesprungen. In gewisser Weise ist dies angesichts der Unbestimmtheit seiner Definition und seines undefinierten und weitläufigen Bereichs verständlich. „Maschinelles Lernen“ ist ein besser definierter Begriff und wird oft von den Leuten verstanden, wenn sie den Begriff „künstliche Intelligenz“ verwenden.

Dennoch müssen Anbieter klar erklären, was sie meinen, wenn sie Begriffe wie „Künstliche Intelligenz“, „Maschinelles Lernen“, „Neurale Netze“, „Deep Learning“ und dergleichen verwenden. Vor allem müssen sie zeigen, dass ihre KI einen höheren Geschäftswert bietet als herkömmliche heuristische Algorithmen. Wie funktioniert es? Umfasst es Systeme und Unternehmen, um das gesamte Netzwerk mit all seinen Bedingungen und Einschränkungen zu umfassen? Oder ist es auf wenige Funktionen oder Domänen beschränkt? Wer verwendet es und welche Ergebnisse haben sie erzielt?

Die Lücke bei den KI-Fähigkeiten. Viele Unternehmen werden von der rasanten Entwicklung und zunehmenden Lebensfähigkeit der KI erwischt. Dies liegt daran, dass KI moderne Fähigkeiten erfordert, die neue Sprachen, Frameworks und Denkweisen beinhalten können. Nur wenige Unternehmen sind für den Übergang gerüstet und können dieses sich schnell entwickelnde Feld voll ausschöpfen. Eine Umfrage von O’Reilly aus dem Jahr 2018 legt nahe, dass die Lücke bei den KI-Kenntnissen das größte Hindernis für die Einführung von KI ist.

Langfristig wird der Markt das Qualifikationsdefizit ausgleichen, aber bis dahin sollten Unternehmen beginnen, ihren Bedarf und potenzielle Neueinstellungen zu ermitteln. Sie sollten auch die Schulung bestehender Mitarbeiter in Betracht ziehen und Anreize und neue Karrierewege anbieten, um den Wechsel zu ML- und KI-Technologien zu unterstützen.

Eine andere Möglichkeit besteht darin, mit einem Technologieunternehmen zusammenzuarbeiten, das über das Netzwerk, die Ressourcen und das Fachwissen verfügt, um eine KI-Lösung oder KI-fähige Plattform zu beraten, zu implementieren und zu warten. Letzteres ermöglicht es Unternehmen, viel schneller anzufangen und Gewinne zu realisieren.

Nigel Duckworth ist Senior Strategist bei One Network Enterprises, Anbieter eines KI-fähigen Unternehmensnetzwerks.