OPTIMERING AF LAGER MED MASKINGINDLÆRING
Maskinindlæring er i det væsentlige ikke mere end anvendt matematik med vægt på at integrere den nuværende computerkraft, der er tilgængelig i dag. I betragtning af det stigende antal potentielle datakilder, kombineret med den hurtige udviklingshastighed inden for computerkraft, kan maskinlæring være et enormt kraftfuldt værktøj til optimering af lager og generel lagerstyring.
Maskinindlæring er statistik på steroider. Alligevel er det i det væsentlige stadig ”bare et andet værktøj i kassen.” Og selvfølgelig er der ulemper ved maskinlæring ift. lageroptimering
Maskinindlæring er ikke en hellig gral når det kommer til optimering af lager: den finder sin styrke i situationer, hvor der er rigeligt af data, men graden af kompleksitet er så høj, at traditionel matematik kommer til kort, når snakken falder på lageroptimering. Men nøjagtigt hvor meget data taler vi om?
Hvis vi har en situation med 5 variabler, som hver kan tage på 10 forskellige værdier, har vi allerede 100.000 mulige kombinationer, som maskinen kan lære. I lagerstyring er der ofte mange flere variabler, der kan antage flere værdier.
Hvis dataene er tilgængelige, har maskinlæring enorm kraft. I praksis er dette dog den største svaghed ved maskinlæring når det kommer til optimering af lager. Ledere skal derfor overveje, hvordan data kan indsamles på en struktureret, effektiv og ‘ren’ måde.
Maskinlæring kræver også meget computerkraft. Nogle maskinlæringsalgoritmer er baseret på en enorm mængde numeriske beregninger, og dette kan med tiden være et problem i lagerstyring.
Derudover er det vigtigt at huske, at løsninger i lagerstyring ikke kun er afhængige af kvantitative resultater. I sidste ende er det folk, der skal forstå og arbejde med løsningen. Ledelsen er derfor nødt til at overvåge dette nøje. Som et resultat er det vigtigt at lette viden om maskinlæring og teoretisk lagerstyring i hele virksomheden, hvis en optimering af lager skal finde sted