Kennen Sie schon das jüngste KIND von C.H.Beck?

15.06.2022

Ja, wir haben Nachwuchs bekommen! Unser neuestes Projekt im Bereich Künstliche Intelligenz (KI) haben wir mit diesem Wortspiel bezeichnet. Die Abkürzung steht für KI-optimierte Nachauflagen-Disposition. Mit diesem weitaus sperrigeren Titel ist genau beschrieben worum es in dem Projekt geht: Um die Bestimmung von optimalen Nachauflage-Mengen mit Hilfe von Methoden aus der Künstlichen Intelligenz.

Worum geht es?

Die Aufgabe der Bestimmung der Höhe einer Nachauflage ist eine Fragestellung, die in Verlagen regelmäßig zu bearbeiten ist. Sie hat großen Einfluss auf den wirtschaftlichen Erfolg des Unternehmens, denn sind die Auflagen zu pessimistisch disponiert, so sind die Stückkosten für das einzelne Buch unter Umständen deutlich höher als notwendig. Weiterhin besteht die Gefahr, dass der Verlag aufgrund zu niedriger Bestände vorübergehend nicht lieferfähig ist. Bei einer zu optimistischen Disposition dagegen erhöht sich die Kapitalbindung des Verlages, die Lagerkosten steigen und im schlimmsten Fall droht, dass man unverkäufliche Mengen von Büchern makulieren muss.

Wie arbeitet das KIND-Tool?

Das von uns entwickelte KIND-Tool unterstützt den Disponenten bei seiner Entscheidung, indem es den Verlauf der in der Vergangenheit liegenden Lagerabrufe und Verkäufe analysiert, mit anderen Büchern vergleicht und daraus eine Prognose für die zukünftige Entwicklung der Verkäufe ableitet. Aus dieser Prognose und den verlagsspezifischen Vorgaben für die gewünschte Lagerreichweite, Mindestproduktionsmengen und weiteren Parametern wird dann eine Empfehlung für die Höhe der Nachproduktionsmenge ermittelt.

Was machen wir anders?

20220608_different.pngUns ist bewusst, dass es viele Ansätze gibt, die Aufgabenstellung zu bearbeiten. Man kann sich dem Problem mit Methoden der Künstlichen Intelligenz und dem Maschinellen Lernen nähern, man kann aber durchaus auch klassische mathematische oder algorithmische Methoden verwenden. Wir haben während der Entwicklung gemeinsam mit unseren Partnerverlagen, die uns durch Bereitstellung ihrer Daten und ihres Wissens unterstützt haben, festgestellt, dass es unheimlich schwierig ist, all die Einflussfaktoren und Zahlenwerke, die ein Disponent während seines Entscheidungsprozesses mit einbezieht, in Formeln und Algorithmen abzubilden. Manchmal fällt es dem Disponenten sogar schwer, überhaupt den Prozess seiner Entscheidungsfindung zu beschreiben. Deshalb haben wir uns bewusst dazu entschieden, mittels Maschinellem Lernen das System selbst nach Mustern und Regeln suchen zu lassen.

Eine weitere bewusste Entscheidung war, dass wir uns dabei auf ein recht überschaubares Set von Eingabedaten beschränkt haben. Zwar würde eine größere und diversifizierte Datenbasis theoretisch bessere Ergebnisse versprechen, dies erkauft man sich jedoch auf der anderen Seite damit, dass der Aufwand für die Bereitstellung und Analyse der Daten unverhältnismäßig steigt, wodurch das Tool nicht universell einsetzbar ist.

Und das funktioniert?

Zusammen mit zwei Verlagen, die uns als Pilotnutzer in dem Projekt tatkräftig unterstützen, haben wir in den letzten beiden Jahren eine Datenbasis geschaffen, mittels Maschinellem Lernen Modelle trainiert und eine Anwendung aufgebaut, die Empfehlungen für die Höhe von Nachauflage-Produktionen abgibt. Die Gegenüberstellung der Prognosen mit den Erwartungen der Disponenten und dem tatsächlichen Verlauf liefern uns sehr ermutigende Ergebnisse, bei denen die KI häufig näher an der Wirklichkeit liegt als die Erwartungen der Disponenten. Auch wenn das derzeit nur Stichproben sind, bestärkt uns das in der Einschätzung, dass der Ansatz, Maschinelles Lernen für diesen Zweck einzusetzen, funktioniert.

Sollten Sie an einer solchen Lösung interessiert sein, dann sprechen Sie uns an oder besuchen Sie uns zur FTEP 2022. Dort ist das KIND-Tool ebenfalls Thema.

 

Weitere Meldungen

Können Maschinen lernen?

Je nachdem, wen man fragt, wird die Antwort auf diese Frage unterschiedlich ausfallen. Ein Pädagoge oder Psychologe wird schon den Begriff des Lernens anders interpretieren als ein Mathematiker. Wir, mit unserer technischen Sicht, beantworten diese Frage ganz klar mit „ja“. Das kommt daher, dass wir uns seit Jahren mit Künstlicher Intelligenz und dem Teilgebiet des Maschinellen Lernens auseinandersetzen, um damit Lösungen für komplexe Fragestellungen zu finden, die mit einem algorithmischen Ansatz nur schwer oder überhaupt nicht lösbar sind.

Können Maschinen lernen?
FTEP 2022: Dieses Programm erwartet Sie

Themenschwerpunkt der FTEP 2022 am 22. September 2022 ist die Kleinauflage mit den vor- und nachgelagerten Prozessen und technischen Herausforderungen. Das Spektrum reicht vom automatisierten Auftragsdurchlauf bis zur KI-gesteuerten optimierten Nachauflagendisposition, womit der Gedanke der Nachhaltigkeit für eine bedarfsgerechte Produktion aufgegriffen wird.

FTEP 2022: Dieses Programm erw...