Supply chain optimalisatie met analytics en low-code

Supply chain optimalisatie met analytics en low-code: een use case

Het toepassen van kunstmatige intelligentie om de supply chain te optimaliseren, brengt veel tijdrovende uitdagingen met zich mee. Zoals modelontwikkeling, modelimplementatie, een gebruiksvriendelijke interface voor zakelijke gebruikers en een benodigde organisatieverandering. In dit artikel leggen we uit hoe analytics in minimale tijd wordt toegepast en ontwikkeld voor een klant.

Situatie

De use case betreft een klant in de logistieke sector met meerdere grote magazijnen waar ze hun voorraden opslaan. Om snel en efficiënt te kunnen leveren vindt er elke nacht een ingewikkeld laadproces plaats. Door de vele verschillende variabelen is het een logistieke uitdaging om dit efficiënt te doen.
Het varieert afhankelijk van bijvoorbeeld het aantal vrachtwagens, bestelde goederen en laadstations. Het analysemodel dat we hebben geïmplementeerd, moet de totale laadtijd van alle vrachtwagens door het magazijn kunnen optimaliseren. In dit geval volstaat een goed ingericht optimalisatiemodel. In andere gevallen kan kunstmatige intelligentie beter presteren dan optimalisatiemodellen, maar dat is afhankelijk van andere variabelen zoals de data.

Uitdagingen

Er zijn over het algemeen vier uitdagingen. De eerste betreft het verzamelen van de juiste data uit verschillende systemen en het zodanig transformeren dat het geschikt is voor deze use case. Ten tweede moet het (AI)-model ontwikkeld worden. Ten derde, als je eenmaal de data en het model hebt, moet je het operationaliseren en onderhouden. En tot slot, hoe zorg ik ervoor dat de business hiervan kan profiteren? Hoe maak je het gebruiksvriendelijk?

Diversified data sources en data format

In deze case gebruikten we Mendix om snel data uit de bronsystemen te ontsluiten, transformeren en aan te vullen. In Mendix creëerde Aiden een pijplijn die data verzamelt via SAP-connectoren en eenvoudigere REST API's die verschillende datatransformatiestappen uitvoert. Hierdoor worden de verschillende databronnen automatisch gegroepeerd en wordt elke nieuwe invoer in de data voorbereid voor verder gebruik door het optimalisatiemodel zonder handmatige tussenkomst.

Het model ontwikkelen

Het model is ontwikkeld door de huidige supply chain te vertalen naar operationele regels. Deze regels, gecombineerd met de data afkomstig van Mendix, zijn door het model gebruikt om de kortste doorlooptijd te berekenen. Greenfield Data Enhancing en DataMetric creëerden een stuk softwarecode dat de data van Mendix transformeert en de datasets uitvoert die nodig zijn om continu te zoeken naar de kortste doorlooptijd. Elke verkeerde geïnterpreteerde toeleveringsketenconditie in het model zou resulteren in een niet-haalbare en niet-bruikbare modeloutput. Hierdoor wordt de input vanuit Mendix automatisch omgezet naar een rooster dat teruggestuurd wordt naar Mendix. Vanwege de korte tijd die nodig is om het model te operationaliseren, zou er meer tijd kunnen worden besteed aan het verzamelen van alle supply chain-voorwaarden en het helder communiceren en valideren ervan met alle samenwerkende partijen.

Implementatie en lifecycle management

Zonder operationalisering levert het model niet de gewenste waarde op. Eenvoudig gezegd, als het model op de laptop van de ontwikkelaar blijft staan, heeft de eindgebruiker er geen toegang toe. En wat als de laptop wordt gestolen, onvoldoende rekenkracht heeft of wordt gehackt? Het is daarom uiterst belangrijk om het model in een stabiele, betrouwbare en veilige omgeving te implementeren. Bovendien heb je te maken met veranderingen in de invoerdata in de loop van de tijd, kunnen er nieuwe databronnen ontstaan, of als een ander model beter lijkt te werken, moet je het model herzien en opnieuw uploaden. Met andere woorden, je moet ook nadenken over het levenscyclusbeheer van de applicatie. Hoe zorg je ervoor dat het waarde blijft leveren?

Met UbiOps kan een datascientist zijn modellen eenvoudig, snel en zonder enige IT-afhankelijkheid implementeren en onderhouden. Het zorgt voor alles wat je nodig hebt, zoals API-beheer, schaalbaarheid, beveiliging en biedt een gemakkelijke gebruikersinterface (ontwikkelaar). Met de UbiOps Plug-in voor Mendix is hij bovendien binnen no-time gekoppeld aan je Mendix app. Voor deze use case wordt het in de vorige fase ontwikkelde model ingezet op UbiOps.

Gebruiksvriendelijke interface

Hoewel je misschien alle ‘back-end’-aspecten op orde hebt, blijft het vaak een uitdaging om een gebruiksvriendelijke interface (front-end) te creëren die niet-technische gebruikers kunnen gebruiken voor input en output. In dit geval de medewerkers van de afdeling planning. Ook de front-end moet een gemakkelijke integratie met verschillende back-endsystemen mogelijk maken. Aiden gebruikte Mendix om een flexibele maar gebruiksvriendelijke interface te bouwen die intuïtief gebruik door de planningsafdeling mogelijk maakt.

Onderscheid jij je van je concurrentie met Mendix low-code en verbeterde data-analyse met UbiOps?

Als je meer wilt weten over het bouwen van Mendix-applicaties aangedreven door analytische code of machine learning, neem dan contact met ons op:

Yanick Smits
[email protected] : Account manager Aiden
Eric van der Maten
[email protected]: Partnerships at UbiOps

William Groeneveld
[email protected]: Owner Greenfield Data Enhancing

UbiOps, het MLops-platform om AI op schaal uit te voeren en te beheren. Met UbiOps kunt u uw Python/R-modellen eenvoudig, snel en zonder enige IT-afhankelijkheid implementeren en onderhouden. Het zorgt voor alles wat je nodig hebt, zoals API-beheer, schaalbaarheid, beveiliging en biedt een gemakkelijke gebruikersinterface (ontwikkelaar).

Meer weten over ons UbiOps partnership of andere mogelijkheden? Wij adviseren graag! Neem dan contact met ons op via onze contactpagina.

Vraag meer informatie aan

Neem contact met ons op