Alfred zmienia biznes w thyssenkrupp Materials Services

Alfred Krupp założył własną firmę w 1811 roku. Ponad 200 lat później, jego nazwisko widnieje w nazwie firmy, a on sam stał się inspiracją w stworzeniu rozwiązania opartego na sztucznej inteligencji, zbudowanego przez thyssenkrupp Materials Services (tkMX). AI alfred to rozwiązanie oparte na Microsoft Azure, które pomaga analizować i przetwarzać ponad dwa miliony zamówień rocznie i sprawniej obsługiwać ponad 250 000 globalnych klientów firmy. Chociaż rozwiązanie działa dopiero od niespełna roku, pomaga tkMX optymalizować sieć logistyczną – znacznie szybciej przydzielając materiały do właściwej lokalizacji, minimalizując wielkość transportu i zwiększając wykorzystanie możliwości transportowych firmy. Transformacja została dogoniona przez Axela Bergera, kierownika działu cyfrowej transformacji w tkMX, aby dowiedzieć się więcej o tym, jak alfred zmienia biznes.

Opowiedz nam o alfredzie i o tym, dlaczego tkMX go opracował. Z jakimi wyzwaniami biznesowymi musieliście się zmierzyć?   

BERGER: Jesteśmy hurtownikiem, więc wgląd w dane i algorytmy danych są prawdopodobnie jedną z najważniejszych dźwigni, jakie mamy, aby rozwijać naszą działalność. Istnieją trzy główne powody, dlaczego do tej pory nie analizowaliśmy danych, których ogromne ilości i tak gromadziliśmy.

Po pierwsze, tak naprawdę nie mieliśmy jeszcze doświadczenia w pracy nad konkretnymi tematami związanymi z analityką danych – mieliśmy informacje, ale nie zawsze były one dostępne. Po drugie, ich jakość była często problemem. I po trzecie, brakowało nam technologii przechowywania danych w różnych formatach w celu ich późniejszego wykorzystania i udostępnienia w jednym centralnym miejscu na masową skalę. Brakowało nam również powiązanych narzędzi do rzeczywistej analizy, wizualizacji i wreszcie zbudowania z nich algorytmów, które mogłyby być stosowane w różnych scenariuszach.   

Istnieje wiele możliwych scenariuszy wykorzystania danych dla hurtowników, a określenie przypadku użycia, który powinniśmy wdrożyć w pierwszej kolejności, zajmowało nam dużo czasu. Głównym tematem, na którym się skupiliśmy, jest optymalizacja sieci. Jak możemy zoptymalizować np. koszty transportu lub sieć dostaw? Jak możemy zredukować zapasy, które są dostarczane z punktu A do B, nie rezygnując przy tym z poziomu usług? Tak więc pierwszym projektem, nad którym pracowaliśmy, są symulacje sieci w naszej niemieckiej sieci handlowej. 

Ważne jest, aby pamiętać, że alfred rośnie dzięki analizie kolejnych przypadków. Nie stworzyliśmy ogromnej globalnej platformy, która mogła zrobić wszystko od razu. Pierwszy przypadek użycia wymaga określonej ilości danych wejściowych, mocy obliczeniowej i pewnych narzędzi. Ale wraz z wprowadzaniem kolejnych sposobów użycia, możliwości alfreda rosną.   

Rozumiem, że rozwijacie alfreda wewnętrznie. Czy możesz nam o tym opowiedzieć? 

BERGER: Alfred “ożył” na początku 2018 roku. Największym wyzwaniem była zdecydowanie dostępność danych. Można mieć najlepszą technologię, najlepsze narzędzia, ale kluczowe jest uzyskanie wysokiej jakości informacji. Inną kwestią jest posiadanie specjalistycznej wiedzy w konkretnej dziedzinie, aby rozwiązanie było rzeczywiście trafne i użyteczne. 

Wszyscy myślą, że jeśli używasz tylko danych i sztucznej inteligencji, w końcu ta sztuczna inteligencja przyniesie wnioski, których jeszcze nie znasz. Tak się niestety nie dzieje. Chodzi o posiadanie właściwych danych o odpowiedniej jakości, fachowej wiedzy oraz technologii do ich wykorzystania. Technologia jest łatwa, ponieważ obecnie są partnerzy tacy jak Microsoft z bogatym doświadczeniem rynkowym. Jednak aby wnieść dane i wiedzę do projektu i zrozumieć konkretne przypadki użycia i pytania, na które próbujesz odpowiedzieć – to jest właśnie ta najtrudniejsza część.  

Czy możesz nam opowiedzieć, co alfred mógłby zrobić w ciągu “jednego dnia” pracy? 

BERGER: Jest wiele rzeczy, które alfred może zrobić. Może na przykład aktywnie informować nas, który materiał należy wysłać do którego klienta. Alfred optymalizuje nasze stany magazynowe, mówi nam, jaka jest idealna cena dla konkretnego klienta za konkretny produkt. Co więcej, rozwiązanie wizualizuje i podpowiada, którzy klienci są zyskowni, a którzy nie.  

Alfred może pomóc nam zbudować model konserwacji zapobiegawczej naszych maszyn i powiedzieć, które urządzenie niedługo się zepsuje. Pomaga nam również zoptymalizować naszą sieć dostaw pod względem fizycznych lokalizacji – gdzie powinniśmy otworzyć lub zamknąć następną lokalizację i które materiały powinny być umieszczone gdzie indziej. Pomaga nam to uzyskać lepsze ceny zakupu, ponieważ wspiera w negocjacjach i łączeniu materiałów, które chcemy kupić. Są to wszystkie obecne lub potencjalne przypadki użycia rozwiązania.   

Rozumiem, że system wciąż się rozwija, ale jakie są największe korzyści, które alfred miał dla waszego biznesu? 

BERGER: Przekazaliśmy alfredowi (maszynie), kwestie podejmowania decyzji. Jednym z haseł, których używamy dla opisywania alfreda, jest “inteligencja w każdej transakcji”, co oznacza, że chcemy budować silniki decyzyjne. Alfred dostarczył już pierwszy silnik decyzyjny: system informuje nas, z którego miejsca powinniśmy dostarczać materiały do którego klienta – z uwzględnieniem wszystkich istotnych danych ramowych. Można śmiało powiedzieć, że to był nasz pierwszy silnik decyzyjny. 

Jaka była reakcja pracowników na alfreda? Czy przyjęli go swobodnie jako kolejne narzędzie do pracy, czy pojawiły się opory? 

BERGER: Ludzie szybo przyjęli alfreda, ponieważ od razu mogliśmy im pokazać, w jaki sposób pomoże im w codziennej pracy i jakie korzyści mogą dzięki niemu osiągnąć. Wdrożenie alfreda nawet przez moment nie miało oznaczać zwolnień. Jest to wyłącznie kwestia optymalizacji sposobu, w jaki pracujemy i pomoc w zwiększeniu wpływu, jaki wywierają na nas nasi pracownicy. Tak więc alfred jest postrzegany pozytywnie. 

 Czy brałeś udział w szkoleniach przygotowujących pracowników do pracy z alfredem? 

BERGER: Tak, zdecydowanie. Pomagaliśmy im, szkoliliśmy ich, włączaliśmy w proces bardzo wcześnie. Szkoliliśmy ich w zakresie narzędzi. Planujemy również wdrożenie laboratoriów danych, “mniejszych” wersji alfreda, tak aby osoby pracujące nad konkretnym problemem z danymi mogły wykorzystać go do rozwiązywania własnych problemów za pomocą jednego kliknięcia. Uczymy ich, jak to zrobić – jak wykorzystać Microsoft Power BI, na przykład do wizualizacji własnych danych. To bardzo pomogło, ponieważ zaczęli pracować z danymi i lepiej rozumieć, o co w tym wszystkim chodzi i jak można je wykorzystać. 

Jak jeszcze alfred pomógł waszym pracownikom osiągnąć więcej i zoptymalizować ich pracę? 

BERGER: Alfred pomagał pracownikom, umożliwiając im symulowanie konfiguracji sieci tkMX, co wcześniej było niezwykle trudne, ponieważ jest ona niezwykle złożona. Pomogło to w zapewnieniu dostępności danych – pracownicy mają znacznie więcej informacji, do których mogą teraz mieć dostęp sami, bez angażowania nikogo z hurtowni danych. I oczywiście poprzez zwiększenie przejrzystości danych. 

Czy w organizacji pojawiły się nowe role lub możliwości wsparcia alfreda? 

BERGER: Tak, oczywiście. Role, takie jak inżynieria danych, architektura danych, informatyka, projektanci rozwiązań – to wszystko są nowe role, które obecnie wprowadzamy do organizacji.   

Jakiej rady udzieliłby Pan innym firmom, które rozważają uruchomienie projektów AI?

BERGER: Chciałbym przesunąć uwagę od buzzwordu, jakim jest „AI” i zastanowić się, co faktycznie się za nim kryje. Nie wierzę, że istnieje sztuczna inteligencja jako taka. Mamy po prostu algorytmy. Chciałbym uspokoić atmosferę wokół tego tematu i sugeruję, by nie bać się sztucznej inteligencji, ponieważ metody te mają już 60 lat. Zmieniły się możliwości, jakie oferują zaawansowane technologie, takie jak przetwarzanie w chmurze (cloud computing) i przetwarzanie krawędziowe (edge computing) oraz tempo, w jakim ewoluują. Firmy muszą przyzwyczaić się do nowych technologii i korzystać z tych, które są łatwe w obsłudze np. Microsoft Azure. Dzięki Azure możemy szybko uruchamiać aplikacje, które można wykorzystać do agregacji i analizy danych dosłownie jednym kliknięciem, przy wsparciu zaledwie kilku osób. 

Na początek zalecałbym wypracowanie pierwszych przypadków użycia (use case) i po prostu budowanie ich bez konstruowania ich „na zawsze”. W dalszej kolejności należy zdefiniować pytania, na które trzeba odpowiedzieć. Nie wierz w nadrzędne algorytmy, które rozwiążą problem znalezienia pytania, czy sposób użycia. W przeciwnym razie wszyscy będą oczekiwali wyników do zapytań, które nawet nie wiemy, że stanowią problem. 

Odwołując się do Pana doświadczeń, jakie dostrzega Pan obawy i korzyści dla społeczeństwa, wraz z upowszechnieniem sztucznej inteligencji? 

BERGER: Ponownie powiedziałbym, nie poddawajmy się emocjom i poznajmy metody oraz technologie stojące za AI. Ludzie boją się rzeczy, których nie znają. Jeśli poznasz je i zrozumiesz, co naprawdę kryje się za AI, łatwiej jest uświadomić sobie, że wciąż jesteśmy daleko od prawdziwej sztucznej inteligencji. Widzimy konkretne przypadki użycia, konkretne technologie do rozwiązywania konkretnych problemów, ale nic takiego jak wielki mózg. 

Ważne jest, aby rozmawiać o sztucznej inteligencji i angażować się w debatę publiczną, ponieważ dzięki ewoluującej technologii uczenia maszynowego i sztucznej inteligencji pojawiają się pytania wymagające odpowiedzi, w tym pytania etyczne i prawne. Na przykład bardzo często używany przypadek samochodu autonomicznego. W jaki sposób radzimy sobie z maszynami, które zyskują coraz większą autonomię i decyzyjność? 

Ponad 25 lat temu studiowałem mechatronikę. Już wtedy mówiliśmy o systemach cyber-fizycznych, programowaniu i automatyzacji. Więc internet rzeczy nie jest niczym nowym. To właśnie technologia ewoluowała i daje nam dzisiaj nowe możliwości. 

Kiedy obserwujemy sztuczną inteligencję, metodologie z nią związane pochodzą z lat 40., 50. XX wieku – na przykład sieci neuronowe. To nic nowego. Chodzi o tańszą pamięć, większą moc obliczeniową i lepszą łączność, ale także o standaryzację i harmonizację danych. A jeśli wrócisz do tego punktu, zdasz sobie sprawę, że można sobie z tym poradzić, ponieważ byliśmy w stanie poradzić sobie z tym przez wiele lat. 

Mówił Pan o tym, jakie są obecne możliwości alfreda. A jak rozwinie się platforma w ciągu 10 lat? 

BERGER: Technologia ewoluuje tak szybko, że trudno to przewidzieć. Czy znasz powiedzenie „apetyt rośnie w miarę jedzenia”? To tak, jakbyś pracował nad projektem, znalazł nowe dane, nowe punkty danych, które dają ci motywację do przejścia do następnego kroku. Jestem więc przekonany, że w przyszłości będzie tak wiele przypadków użycia, których teraz nie mogę nawet przewidzieć. 

Będę się uczyć, wszyscy będziemy się uczyć, maszyna będzie się uczyć. Otrzymamy coraz więcej danych z danych, które już mamy – innych źródeł danych, danych osób trzecich i tak dalej. Teraz nie mogę przewidzieć wszystkich przypadków użycia, które pojawią się w przyszłości. Będziemy pracować w ramach jednego paradygmatu – „Inteligencja w każdej transakcji”. Z czasem alfred automatycznie podejmie decyzje w naszym systemie ERP. W typowych transakcjach, które wykonujemy, chcielibyśmy mieć więcej informacji, a alfred nam w tym pomoże. 

Czy jest coś, co chciałby Pan dodać? 

BERGER: Jestem wielkim zwolennikiem rozwiewania tajemnicy wokół takich pojęć jak AI i skupienia się na tym, co się za tym kryje – pomaganie ludziom i firmom w zrozumieniu technologii i metod, które pomagają nam uczynić nasze przedsiębiorstwa, a także nasze życie osobiste łatwiejszym i lepszym. 

To część mojej roli jako CDO, ale wiem również, że digitalizacja to mnóstwo modnych haseł. Jeśli poprosisz kogoś na konferencji, co naprawdę rozumiesz przez digitalizację, większość ludzi będzie plątała się w odpowiedziach. Dlaczego? Ponieważ tak naprawdę nie wiedzą. Jeśli naprawdę chcesz wyjść poza szum informacyjny, powinieneś przejść do przypadków użycia i biznesu, co pozwoli Ci przedefiniować szanse. Dlatego staram się uciec od „buzzwordów” i naprawdę zajrzeć do konkretnych przypadków zastosowania AI.