Het potentieel van grote taalmodellen (LLM’s) en basismodellen in de supply chain

Teksten schrijven en aanpassen, helpen bij het samenvatten van informatie en het genereren van nieuwe benaderingen en innovatieve ideen. Professioneel gezien zijn dit de drie meest voorkomende verzoeken die gebruikers aan ChatGPT stellen. De bron is behoorlijk betrouwbaar: het eigen platform van OpenAI.

Naast deze ‘algemene’ taken heeft waarschijnlijk ieder van ons deze prompts wel eens in ons werk gebruikt, maar de waarheid is dat ChatGPT en andere soortgelijke systemen ook voor specifiekere taken kunnen worden ingezet. De supply chain is daar natuurlijk geen uitzondering op. In dit artikel bespreken we de toepassingen van fundamentele AI-systemen, waaronder Large Language Models (LLM’s) zoals ChatGPT, in de supply chain.

Wat zijn Large Language Models (LLM’s)?

Grote taalmodellen (LLM’s) zijn een specifiek type fundamenteel AI-model. Ze zijn getraind met enorme hoeveelheden tekstgegevens en hun doel is niet om één specifieke taak op te lossen, maar om een algemeen begrip van taal te leren dat in meerdere contexten kan worden hergebruikt.

Dankzij deze training zijn LLM’s in staat om teksten te schrijven, informatie samen te vatten, complexe vragen te beantwoorden, te redeneren op basis van ongestructureerde gegevens en technische concepten te vertalen naar begrijpelijkere taal. Tools zoals ChatGPT zijn een duidelijk voorbeeld van deze aanpak: één enkel model dat heel verschillende taken kan uitvoeren zonder dat het voor elke taak opnieuw getraind hoeft te worden.

Voordelen van AI toegepast op de supply chain

Een LLM is vooral erg goed in één ding: werken met taal. In de toeleveringsketen biedt dit enorme mogelijkheden wanneer het wordt gekoppeld aan bestaande systemen (ERP, WMS, TMS, datawarehouses, enz.).

Het potentieel van LLM’s in de toeleveringsketen ligt niet simpelweg in het vragen om te ‘optimaliseren’ – een taak waarvoor het, in ieder geval voorlopig, nog niet efficiënt of betrouwbaar genoeg is – maar in het helpen van mensen om beter om te gaan met bestaande planningssystemen, de resultaten ervan te begrijpen en snellere, beter onderbouwde beslissingen te nemen.

Laten we eens kijken naar enkele van de belangrijkste voordelen.

Het gebruik van complexe, geavanceerde platforms vereenvoudigen

Het is aangetoond dat een goede planning de kosten verlaagt, de dienstverlening verbetert en de voorraad onder controle houdt. Het probleem is dat de waarde van een optimalisatiesysteem in de dagelijkse praktijk niet alleen afhangt van het vinden van de beste oplossing, maar ook van het feit of die oplossing begrijpelijk is en vertrouwen wekt.

Bij veel bedrijven ontstaat hier de kloof. Het optimalisatieplatform maakt berekeningen, maar de teams die ermee werken, staan er wantrouwend tegenover. Dit kan leiden tot vragen die uren of dagen kosten om op te lossen, afhankelijkheid van technische experts voor relatief eenvoudige vragen en een hardnekkig gevoel van: “Ik snap niet waarom het systeem dit heeft besloten.”

In deze context beginnen LLM’s een heel specifieke en nuttige rol te spelen: ze vormen een laag van interactie en vertaling tussen mensen en planningssystemen, vooral als er complexe beslissingen achter zitten (beperkingen, afhankelijkheden, scenario’s, prioriteiten, enz.).

In de supply chain zijn er vragen die zich voortdurend herhalen:

• “Waarom hebben we deze vraag bij deze leverancier ingekocht (en niet bij een andere)?”
• “Wat gebeurt er als de vraag in dit gebied met 10% toeneemt?”
• “Kunnen we het aantal leveranciers beperken omwille van kwaliteit of risico’s?”
• “Welke impact zou het blokkeren van deze transportroute hebben?”
• “Welke SKU zorgt voor de meeste breuk en waarom?”

Deze veelvoorkomende vragen vragen om duidelijke antwoorden, maar om ze te beantwoorden moet je vaak parameters bekijken, tabellen raadplegen, berekeningen uitvoeren, scenario’s simuleren… En in veel organisaties betekent dit dat je een ticket moet openen, op een analist moet wachten, een technicus moet raadplegen, het opnieuw moet uitvoeren… waardoor je uiteindelijk veel flexibiliteit verliest als het gaat om het nemen van beslissingen.

Hier komen LLM’s goed van pas, niet als vervanging voor de wiskundige engine, maar als een slimme interface om de resultaten te bekijken, uit te leggen en te verkennen.

Tijdreeksvoorspellingen

Kunstmatige intelligentie wordt ook steeds vaker toegepast op tijdreeksvoorspellingen, hoewel we het in dit geval technisch gezien niet over LLM’s hebben, maar over zogenaamde Time Series Foundation Models. Door te trainen op grote hoeveelheden historische gegevens kunnen ze veelvoorkomende patronen leren herkennen en snel voorspellingen genereren voor een breed scala aan gedragingen, van intermitterende vraag tot seizoenspatronen of eenmalige gebeurtenissen.

In deze context kun je je een scenario voorstellen waarin de gebruiker tijdreeksen samen met contextuele informatie aan het platform verstrekt, en het systeem een prognose teruggeeft, vergezeld van uitleg, prestatiestatistieken en aanbevelingen om deze te verbeteren. Met dit soort model zou een hoogwaardig prognoseproces kunnen worden bereikt met minimale inspanning en zonder dat er diepgaande technische kennis nodig is.

Besluitvorming en reageren op ‘wat-als’-scenario’s

Ook hier hebben we het niet strikt over LLM’s, maar in dit geval over Decision Foundation Models. Dit soort AI gaat verder dan het voorspellen van tijdreeksen en kan ook worden toegepast op besluitvormingsproblemen. Dankzij deze voorafgaande training kan het model verschillende soorten beslissingen aanpakken met minimale aanpassingen.

In deze context, wanneer de gebruiker een ‘wat-als’-vraag stelt, interpreteert de LLM de intentie (bijv. “blokkeer deze leverancier” of “beperk deze fabriek”) en start het scenario. Vervolgens vergelijkt het de uitkomst met het huidige plan en legt het uit.

Het belangrijkste voordeel is dat je je niet hoeft te verdiepen in geavanceerde wiskunde: voor bedrijven is het antwoord meestal ‘kosten stijgen/dalen’, ‘de dienstverlening komt in het gedrang’, ‘er ontstaat een risico’, ‘de belasting wordt verschoven’ of ‘er is geen haalbare oplossing’.

Bestaande (maar verspreide) informatie toegankelijk maken

Een deel van het probleem is dat supply chain-gegevens in silo’s zitten: tabellen, rapporten, dashboards, verschillende tools, verschillende terminologieën… en vragen vereisen vaak dat je meerdere bronnen met elkaar moet vergelijken. Een LLM kan fungeren als een soort ‘orkestrator’ voor zoekopdrachten: niet omdat het de gegevens ‘kent’, maar omdat het deze bij de juiste systemen kan opvragen en een samenhangend antwoord kan samenstellen.

Risico’s van het toepassen van AI op de supply chain

Als je LLM’s toepast op je supply chain-activiteiten, zijn er twee onvermijdelijke aandachtspunten:

• Privacy en gevoelige gegevens

De meest verstandige aanpak is om de gegevens niet zomaar in het model te dumpen. In plaats daarvan fungeert de LLM als een laag van redenering en taal, terwijl de gegevens en berekeningen binnen je eigen omgeving blijven (databases, solvers, interne systemen).

• “Hallucinaties” en aannemelijk klinkende antwoorden

In de toeleveringsketen is een fout antwoord geen anekdotische mislukking: het kan geld, service en/of merkreputatie kosten.

Daarom is de meest aanbevolen werkwijze niet “vraag het aan de LLM en vertrouw erop”, maar eerder:

1. De LLM stelt de actie voor (query, scenario, beperking).
2. Het systeem valideert het (regels, machtigingen, controles).
3. Het supply chain managementplatform berekent het.
4. De LLM legt het resultaat uit.

De impact van LLM’s op het supply chain-team

Wat de operationele impact betreft, betekent een goed ontworpen aanpak waarbij de LLM als ‘copiloot bij de planning’ fungeert, meestal:

• Meer autonomie voor de planner om scenario’s te verkennen zonder afhankelijk te zijn van engineering of analytics.
• Minder interne wrijving: minder heen-en-weer gepraat om uit te leggen ‘waarom’.
• Snellere beslissingen bij veranderingen (vraag, capaciteit, leveranciers, transport).
• Betere acceptatie van het planningssysteem: als het begrepen wordt, wordt het gebruikt; als het gebruikt wordt, levert het waarde op.

Conclusie: als planning wordt begrepen, begint het echte waarde te genereren

In de supply chain is een van de grootste uitdagingen, naast het berekenen van het antwoord op een probleem, het omzetten van dat antwoord in een beslissing die het bedrijf begrijpt, vertrouwt en uitvoert.

Vanuit dit perspectief ligt de waarde van LLM’s niet in het ‘maken van het plan’ of het vervangen van platforms voor supply chain-optimalisatie, maar in het dichter bij de mensen brengen van geavanceerde planning die dagelijks beslissingen nemen. Door te fungeren als een laag van interpretatie en dialoog, maken ze het mogelijk om scenario’s te verkennen, de redenen achter elk voorstel te begrijpen en de wrijving tussen complexe modellen en de operationele realiteit te verminderen.

Als het volgende niveau van volwassenheid in de supply chain inhoudt dat de kloof wordt gedicht tussen wat het systeem berekent en wat het bedrijf moet beslissen, dan komen LLM’s – op verantwoorde wijze geïntegreerd en gekoppeld aan robuuste planningstools – naar voren als een belangrijke factor om dit te bereiken.