När kommer leveransen - AI i praktiken
Hur kan det stora flertalet av bolagen i Sverige dra nytta av de snabba framsteg som idag görs inom artificiell intelligens (AI), samt dess underkategori machine learning (ML)? Då det än så länge finns relativt få exempel på svenska bolag som använder dessa tekniker för att effektivisera sina försörjningskedjor bestämde sig MA-system och PipeChain under 2017 att börja med egna försök inom området. Tillsammans med två mastersstudenter från Lunds tekniska högskola togs därför en modell fram för att före skeppning försöka förutsäga om en leverans kommer att komma fram i utlovad tid.
Modellen som skapades baserades på sannolikhetslogik BayesNet (Bayesianska nätverk) och kunde förutsäga leveransutfallet i sju till nio fall av tio beroende på hur förutsägbar leverantörens data var. Vikten av att finna mönster i träningsdata blev uppenbar under arbetets gång. Det måste alltså finnas en stor mängd data som håller en god kvalitet. Detta kan vara en av orsakerna till att det är svårt att implementera AI- och ML-lösningar i flertalet verksamheter. Företagen löser problem och trollar med de resurser som finns på ett sätt som går utanför den uppsatta processen vilket leder till tvetydiga data.