VCM_062023_HR

DIGITALE TRANSFORMATIE

niveaus, in een context van beperkte productieca paciteit en productietijden, en een onzekere vraag. Op basis van bestaande supply chain datasets bepaalt het DRL-algoritme welke acties de beste zijn om aan de vraag van de klant te voldoen en tegelijkertijd het totale kostenplaatje van de gehele supply chain te minimaliseren. Op die manier krijgt de oplossing training. Concreet werd het DRL-algoritme getest op 28 supply chain netwerken, elk met een variërende onzekerheid in vraag, productietijden en kos tenparameters. In de meeste testgevallen leidde voorraadbeleid op basis van de DRL-algoritmes tot betere resultaten dan het bestaande voorraadbe leid dat gangbaar is bij ASML. In gevallen met vola tiele vraag blijken de kosten lager te liggen, net als in situaties met een krappe voorraad ten opzichte van de vraag. In gevallen met een meer stationaire vraag, zijn de verschillen minder uitgesproken. Hoe dan ook, algemeen beschouwd lijkt het DRL-algo ritme een veelbelovende oplossing voor produc tie- en voorraaduitdagingen in een context van complexe en gelaagde supply chains. Verdere optimalisering Die eerste resultaten van de DRL-algoritmes bij ASML tonen in elk geval aan dat ze niet alleen in staat zijn te leren hoe de kosten in de hele supply chain omlaag kunnen, maar ook hoe bedrijven – die net als ASML te maken hebben met een high tech-productieproces in kleine volumes en met een complexe supply chain over diverse niveaus – hun voorraadbeheer kunnen optimaliseren in ver gelijking met hun bestaande voorraadbeheer, dat nochtans voor die specifieke context ontworpen is. De studie bij ASML levert verder bewijs dat neu rale netwerken effectief kunnen bijdragen aan de ontwikkeling van betere methodes van voorraad beheer. Toch blijven die methodes vandaag nog vaak een ‘black box’. Reinforcement learning blijkt een veelbelovende brugoplossing te zijn om voorraadbeheer op basis van neurale netwerken ingang te doen vinden en produc tievoorraadproblemen in complexe supply chains over verschillende niveaus mee op te lossen. FF

Reinforcement learning biedt potentieel voor hightech-productieprocessen in kleine volumes en met een complexe supply chain over verschillende niveaus.

maken, door te leren van marktomstandighe den, prijzen van concurrenten en klantgedrag. Deep reinforcement learning Er is dus een groot potentieel weggelegd voor reinforcement learning op het vlak van pro ductie- en voorraadplanning. In het bijzonder voor de toelevering van hightech-productie in kleine volumes vormt dat een complexe uit daging. Lange doorlooptijden van productie, beperkte middelen en een zeer volatiele en niet-stationaire vraag maken het moeilijk om productie en voorraad ver vooruit te plannen. Die uitdaging speelt ook bij ASML, producent van lithografiemachines voor de halfgeleide rindustrie waarmee onder meer de chips in de toestellen van Apple en Samsung worden geproduceerd. ASML verkent volop de moge lijke toepassingen – en bijhorende uitdagin gen – van ‘deep reinforcement learning’ (DRL) voor zijn productie. Hoewel DRL en RL heel wat gelijkenissen ver tonen, is er toch een belangrijk verschil tus sen beide technologieën. Zo kunnen we rein forcement learning zien als een dynamische leermethode die het resultaat van algoritmes via ‘trial and error’ maximaliseert. Bij deep

reinforcement learning werken de algoritmes op basis van bestaande kennis die op nieuwe datasets wordt losgelaten. RL-algoritmes en modelleringstechnieken dragen bij aan verhoogde efficiëntie, veerkracht en De eerste onderzoeksresultaten voor een seri ële toeleveringsketen bij ASML blijken alvast veelbelovend. Het DRL-algoritme blijkt in veel gevallen beter te presteren dan de gebruike lijke benchmarks en in een simulatiecontext met niet-stationaire vraag leunt het zelfs dicht tegen het optimum aan. De onderzoekers bij ASML zetten de DRL-algo ritmes in om de uitdagingen bij het plannen van de productievoorraad te helpen oplossen. Voor het bedrijf gaat het hier om supply chains op vele duurzaamheid van bedrijfsprocessen

28

WWW.VALUECHAIN.BE