Appeltaarten bakken op de A2

Stel je voor. Je zoeft in je splinternieuwe automobiel over de A2 op weg naar je volgende afspraak in Amsterdam. Je let niet op de weg, want dat doet de techniek voor je. Nee, jij bent bezig met het bakken van een appeltaart. In je auto. De stuurkolom heeft plaatsgemaakt voor een bureautje met daarop een bakoven en een doosje speltmeel.

Bij aankomst stap je helemaal ‘zen’ uit de auto: met een grote glimlach en een vers afgebakken taartstuk voor je klant. Uiteraard vlak voor de ingang van het kantoor, want de auto zoekt vervolgens zelf een plekje om te parkeren.

Je denkt nu misschien: toekomstmuziek. Oké, het is zeer onwaarschijnlijk dat je straks bij Audi een bakoven op de optielijst kunt aanvinken. Maar het duurt niet lang meer voordat je door een bundel van computers en sensoren over de weg wordt gestuurd.

Hoe zit het eigenlijk met onze wereld? Die van de (service) logistiek? Gaan we daar binnenkort ook innovaties terug zien op het gebied van artificial intelligence? Ik vrees dat dat nog wel even duurt.


Machine Learning

Er was eens een tijd van de Apollo missies, waarin de NASA een loodzware computer inzette voor het begeleiden van astronauten in hun reis naar de maan. Tegenwoordig bevat een koffiezetapparaat al meer rekenkracht dan deze zogenaamde Apollo Guidance Computer.

Deze toename in rekenkracht stuwt de opkomst van machine learning algoritmes, zoals Artificiële Neurale Netwerken. Het bekendste voorbeeld hiervan is Google’s AlphaGo project. In maart 2016 versloeg dit computerprogramma de 18-voudig wereldkampioen Go, Lee Sedol, met overtuigende cijfers. Interessant is dat AlphaGo met nieuwe inventieve zetten op de proppen kwam, terwijl het spel al 2500 jaar gespeeld wordt. Dit is waanzinnig als je bedenkt dat het computerprogramma ooit ‘dom’ was en zichzelf verbeterd heeft door miljoenen potjes Go te spelen tegen mensen en andere computers.

Een ander recent voorbeeld van machine learning komt uit Nederland. De afdeling pathologie van het Radboud UMC in Nijmegen gebruikt computeralgoritmes om gedigitaliseerde preparaten van bijvoorbeeld een stukje lymfeklier te onderzoeken. Met behulp van patroonherkenning identificeert het algoritme mogelijk kwaadaardige cellen. Het mooie is: het algoritme presteert net zo goed als een specialist zonder tijdslimiet. De gehaaste specialist mist menselijkerwijs wel eens een paar cellen onder de microscoop…


Autonome voorraadplanning

Als deze ontwikkelingen onder de noemer van machine learning zo snel gaan, dan vraag ik me af waarom bijvoorbeeld voorraadplanning nog vooral mensenwerk is. Als een computer al kan autorijden en kanker opsporen, dan zal ‘ie er toch ook wel voor kunnen zorgen dat spulletjes op tijd in het magazijn terecht komen?

Natuurlijk, we gebruiken computers al in het voorraadbeheer, maar slechts als hulpmiddel. Bijvoorbeeld voor het classificeren van artikelen, het maken van een vraagvoorspelling of het berekenen van een optimale bestelgrootte. Maar hoe mooi zou het zijn als je een computerprogramma hebt dat zelf de operationele beslissingen neemt, getraind is door menselijke planners en met het verstrijken van de tijd alleen maar beter wordt? De planningscomputer is nooit ziek, moe of ongeconcentreerd en geeft ongevraagd strategische ‘zetten’ voor verdere verhoging van de voorraadbeschikbaarheid en de uptime van de kritische assets zonder overdadige voorraden aan te leggen.


Afwachten

Wat kan dan de reden zijn dat dit soort algoritmes nog niet massaal de weg hebben gevonden naar de servicelogistiek of het voorraadbeheer? Is het een te abstracte materie? Een machine learning algoritme is namelijk een black box. Je weet niet hoe het model tot een antwoord of conclusie komt en dat maakt het voor mensen lastig om het te begrijpen en te vertrouwen. Daarnaast bevindt machine learning zich nog in de experimentele fase dat voornamelijk is weggelegd voor bedrijven met grote R&D-budgetten. Je zult flink moeten investeren in de ontwikkeling en training van een goed algoritme voordat je daar op lange termijn de vruchten van kunt plukken. In de logistiek wachten we liever totdat de innovatie panklaar als interessante business case aangeleverd wordt. Zie bijvoorbeeld de late omarming van Google Glass in de magazijnlogistiek.


Nog even afwachten dus.

 

 

Meer weten?