VCM_062023_HR

DIGITALE TRANSFORMATIE

Blik op reinforcem Een nieuwe stap richting 100% d

De logistieke sector en maakindustrie ondergaan een snelle transformatie, aangewakkerd door de voor uitgang in datagestuurde technologieën. Met name ‘reinforcement learning’ (RL) toont vandaag een veel belovend potentieel om supply chain-activiteiten te optimaliseren. Een blik op de RL-algoritmes en enkele mogelijke toepassingsgebieden…

T oegegeven, de termen reinforce ment learning, machine learning (ML) en artificiële intelligentie (AI) belanden vaak samen op dezelfde hoop. Hoewel ze met elkaar verband houden, gaat het telkens om andere types processen en lopen dus ook de toepassingen ervan uiteen. Om hierover meteen klaarheid te scheppen: waar ‘AI’ de overkoepelende term vormt voor software die menselijke vaar digheden en capaciteiten vertoont, wijst de term ‘machine learning’ op alle technieken waarmee computers kunnen bijleren op basis van ingevoerde data en patronen. Reinforcement learning is een bijzondere vorm van machine learning, die vandaag ech ter nog maar amper toepassingen kent. Het draait volledig rond het bepalen wat de beste volgende actie of set van acties is. Dan den ken we bijvoorbeeld aan robots en autonome voertuigen, maar ook aan het uitvoeren van simulaties om er de best mogelijk strategie

uit te bepalen. Het maakt van reinforcement learning een beloftevolle vorm van AI. Dynamische processen De logistiek van de toekomst is datagedre ven. Daarover is zowat iedereen het eens. Bij logistieke operaties zijn tal van onderling verbonden processen betrokken, elk met een link naar data. Denk aan voorraadbeheer, het voorspellen van de vraag, de optimalisering van routes en het toewijzen van middelen. Die processen hebben vaak te maken met uit dagingen zoals variabele vraag, dynamische marktomstandigheden, beperkte middelen en onvoorziene verstoringen. Traditionele, logis tieke systemen hebben vaak moeite om zich aan veranderende marktomstandigheden aan te passen en complexe besluitvorming te opti maliseren omdat ze vertrouwen op statische, op regels gebaseerde algoritmen.

potentieel van reinforcement learning. Tijdens het AI Symposium for Operations Manage ment in Utrecht focuste Martijn Mes, professor transport- en logistiek management aan de Universiteit van Twente, op enkele mogelijke toepassingsgebieden en op voorbeelden waar reinforcement learning een revolutie teweeg kan brengen in datagestuurde logistiek. Het optimaliseren van voorraadniveaus is er daar één van. Door te leren van historische gege vens, vraagpatronen en marktdynamieken, kan AI-software via reinforcement learning beslissingen nemen over aanvullingen, bestel lingen en distributie, om zo de voorraadkosten te minimaliseren, de transportkosten te verla gen en meer klanttevredenheid te genereren. Randfactoren Daarnaast kunnen reinforcement learning-al goritmes ook leren om bezorgroutes te opti maliseren. Daarbij houden ze rekening met factoren als verkeersomstandigheden, het weer, tijdsvensters voor bezorging en klan

In die dynamische besluitvorming en het bij horende aanpassingsvermogen schuilt net het

26

WWW.VALUECHAIN.BE