Hans Moonen

Hans Moonen

Vice President Consulting Transport & Logistiek

Artificial intelligence en machine learning. Iedereen is het er over eens dat deze technologie gaat helpen om binnen het logistieke veld stappen te maken. Maar hoe maak je de vertaling naar de eigen organisatie? Welke competenties heb je dan nodig? Hier ligt de grote uitdaging. 

Tijdens de recente Digital Logistics Summit zat ik samen met Erik van Wunnik van DSV een tafelsessie voor over de potentie van artificial intelligence (AI) en machine learning (ML) voor de logistiek. Niet mijn primaire expertise gebied, maar wel een van de thema’s die ik een dag eerder tijdens mijn college over digitalisering binnen de Collegereeks E-logistics van Logistiek Academy op Nyenrode ook mocht behandelen. De tafelsessie stond in de tweede helft van de middag gepland, samen met drie andere tafelsessies, nadat eerder die dag een reeks plenaire sprekers de revue was gepasseerd. Diverse sprekers hadden reeds aansprekende voorbeelden van analytics, learning en datascience laten zien; nu was het tijd om in een wat kleinere groep het gesprek echt aan te gaan.

Verschillende fases binnen analytics

In onze voorbereiding hadden Erik en ik ervoor gekozen om eerst een stuk setting-the-scene te doen, en daarna de discussie met de groep aan te gaan aan de hand van een serie (wat zwart-wit gestelde) stellingen. Ter introductie liet ik het oorspronkelijk door Gartner ontwikkelde model zien dat de verschillende fases binnen het analytics werkveld mooi weet te plotten. Ruwweg van verklaren achteraf (traditionele BI zogezegd), naar voorspellend en voorschrijvend vooraf.

Gartner analyse analytics

Tevens gaf ik een korte reflectie hoe machine learning te gebruiken is binnen (logistieke) plansystemen. In plaats van vaste planparameters loont het om deze dynamischer te maken. Ga op zoek naar die factoren die de uitvoering beïnvloeden. Een lerend model kan uit grote hoeveelheden data juist die verbanden halen die er echt toe doen. Zo zou een model bijvoorbeeld kunnen laten zien dat windsnelheid, dag/nacht, begin of einde van een shift, en type kadekraan er toe doen waar het de afhandelsnelheid van containers op een binnenvaartschip betreft. Ook zou uit de analyse kunnen komen dat het type schip, en informatie over de exacte stuwage aan boord niet, of veel minder, relevant zijn. Het mooie is dat als je weet dat het morgen nagenoeg windstil zal gaan zijn, er een bargekraan beschikbaar is, en dat de afhandeling overdag aan het begin van de middagshift plaats zal gaan vinden er met 28 moves/uur gerekend kan worden, in plaats van met een gemiddelde van 20 per uur. Als je je dit bewust bent, kun je dus met de juiste parameters plannen waardoor planning en operatie meer op elkaar zullen gaan lijken, wat tot minder verstoringen zal leiden.

Machine learning: welke strategie wanneer toepassen

Erik nam ons vervolgens mee op de toepassingsreis zoals de voorbije twee jaar door DSV gemaakt. Een voorbeeld: binnen DSV zet men sterk in op toepassing van pick-robots. Afhankelijk van het type product volgen deze robots andere pick-strategieën. Machine learning heeft geholpen om tijdens de testperiode en later de livegang de data continue te analyseren, en de verbanden te leggen welke strategie (bijvoorbeeld: type gripper, benodigde kracht en soort beweging) wanneer toe te passen.

Zwart-wit stellingen

Tijd voor een discussie. Als gezegd hadden Erik en ik ervoor gekozen om de discussie aan te slingeren aan de hand van een serie stellingen, die we met opzet wat zwart-wit hadden neergezet, om reacties uit te lokken. De volgende stellingen kwamen voorbij:

  1. Artificial Intelligence (AI) / Machine Learning (ML) is voor het logistieke domein niet interessant
  2. Toepassing van AI / ML past naadloos in de manier waarop wij binnen onze organisatie met innovatie omgaan
  3. AI / ML is in feite de volgende stap qua continuous improvement
  4. Toepassing van AI / ML zou kunnen leiden tot suboptimaliteit, zoals het aanhouden van hogere voorraadniveaus of meer mens-inzet

Is AI/ML nu wel of niet interessant voor de logistiek?

Naar aanleiding van de eerste stelling ontspon zich een interessante dialoog aan tafel. Verschillende aanwezigen benoemden expliciet de noodzaak om eerst ‘de basis op orde’ te krijgen qua goede data. Uiteraard was niet iedereen het hier mee eens – het hebben van goede data is te prefereren, maar hoeft je niet te weerhouden om ‘gewoon te beginnen’. Sterker nog, analytics gaat je ook helpen te doorzien waar een behoefte aan betere data bestaat. Begin in kleine stapjes, ondersteund door een langere termijnvisie, die gedragen wordt binnen de hele organisatie. Het moet vooral niet ‘een datascientist ergens op een zolderkamer’ worden; bij voorkeur dient de datascientist binnen een multidisciplinair team in de organisatie te zitten.

Is de huidige omgang met innovatie de juiste?

De tweede stelling slingerde ons een wat andere kant op dan verwacht. De discussie resulteerde in een unanieme stellingname dat veel bedrijven eigenlijk nauwelijks door hebben wat er zoal met AI en ML mogelijk is. Het begrip zingt rond, maar wat kan er nu echt? Vanuit kennisinstellingen en aanbieders van oplossingen zou er minder aandacht voor de hype, en meer aandacht voor de concrete mogelijkheden van AI en ML moeten komen (inclusief relevante voorbeelden, bewezen aanpakken en methoden binnen het logistieke veld) – juist om de brug te slaan naar de praktijk van alledag.

De vertaling makende naar de eigen organisatie, onderkenden de meeste aanwezigen dat de benodigde typen competenties voor AI/ML in hun organisaties nu niet of te weinig aanwezig zijn. Zie hier de grote uitdaging, welke natuurlijk alles te maken heeft met de hiervoor benoemde onwetendheid. En ja, dit zou ook wel eens voor een aantal andere innovatiethema’s kunnen gelden.

Wel was iedereen het er over eens dat AI en ML naar verwachting gaat helpen binnen het logistieke veld stappen te maken. Het gaat helpen om een verbeterslag te maken, waarbij nadrukkelijk aangetekend werd dat het belangrijk is oog op relevante wetgeving te houden. Wees bewust wat wel en niet mag – zeker waar het het gebruik en analyseren van persoonsgegevens (van zowel medewerkers als klanten) betreft.

Leidt AI/ML tot suboptimaliteit?

Alle begin is moeilijk, en misschien gaat het niet in een keer goed – waardoor je het niet, of zelfs negatief in de kentallen terug ziet – maar niet beginnen is nog veel kwalijker! Zie hier de samenvatting van de discussie die zich ontspon rond de vraag of toepassing van AI / ML zou kunnen leiden tot suboptimaliteit. Ook hier weer een genuanceerd antwoord: op termijn zal zeker geen sprake zijn van suboptimaliteit, of hooguit lokaal ten bate van een globaal optimum. Op de korte termijn kan het echter voorkomen dat AI/ML, net zoals iedere innovatie die een andere manier van werken vraagt, tot suboptimaliteit zal leiden. De noodzaak tot beginnen is er echter, en feitelijk is er geen echte keuze, als je als organisatie mee wilt blijven doen: de tools en technieken zijn er, concurrenten gaan er ook mee aan de slag, en de noodzaak tot efficiency verhoging is er.

Wrap up

Onze tafel staat zeker niet alleen in haar uitspraken. Eerder dit jaar concludeerde Bughin, Manyika, en Catlin van het McKinsey Global Institute alreeds dat “AI may be today’s buzzword, but this is a new area to master if companies, sectors, and economies are to thrive in the future”, op basis van onderzoek naar de performance van organisaties en hun toepassing van AI. Ook het recente artikel van Furr en Shipilov uit de Harvard Business Review raakt de tafeluitkomsten. Zij ‘demystifyen’ een vijftal statements over digitale disruptie, en laten onder andere zien dat digital niet over technologie gaat, maar over de klant – implicatie is derhalve dat het goed toepassen van digitale mogelijkheden, zoals AI en ML, absoluut geen IT feestje voor nerds zou moeten zijn, maar de hele organisatie raakt. Wat we met elkaar weten, maar te vaak niet zo invullen. Ook Fountaine, McCarthy en Saleh kwamen afgelopen zomer tot soortgelijke conclusies, maar vanuit een ander uitgangspunt: zij bespreken een tiental (harde) lessen hoe AI niet toe te passen. Food for thought dus. En dat is precies wat onze tafel aansluitend deed, het congres liep op haar eind, en wij bevonden ons in het bourgondische Antwerpen…

 

Dit blog verscheen eerder op Logistiek.nl

Over de auteur

Hans Moonen

Hans Moonen

Vice President Consulting Transport & Logistiek

Hans Moonen is sinds 2000 actief in (business) consultancy-rollen op het raakvlak van logistiek, procesverandering en ICT. In eerste instantie bij Enterprise software organisatie Baan (2000-2002), vervolgens aan de Erasmus Universiteit (2003-2008) en sinds 2009 bij CGI. Hij studeerde Technische Bedrijfskunde in Eindhoven en is ...