Quelle[1]

Deep Qualicision

Wie konsistent gelingen Ihre Entscheidungen?


Applikation: Deep Qualicision

Deep Qualicision

Deep Qualicision ist das Bindeglied zwischen der Entscheidungsmaschine Qualicision und maschinellem Lernen. Dieses Lösungskonzept erlernt das Einstellen von Parametern von Optimierungsalgorithmen auf effiziente Weise, sodass Entscheidungen, die auf Daten und Optimierungsergebnissen beruhen, selbstjustierbar werden.

Beispiel einer Reihenfolgenbildung

Deep Qualicision ermöglicht eine tiefere, softwaregestützte Verbindung zwischen den Daten, den Entscheidungen und den Zielkriterien von Geschäftsprozessen und ist anschließend in der Lage, automatisierte Prozessoptimierungen durchzuführen. Das folgende Beispiel von Sequenzierungsentscheidungen, d.h. Entscheidungen über die Reihenfolge, in welcher Fahrzeuge in einer Fabrik hergestellt werden, veranschaulicht das Prinzip hinter Deep Qualicision: Bei den hier zu modellierenden Entscheidungen geht es um Fahrzeugtypen, die so in eine Reihenfolge zu bringen sind, dass diese eine maximale Anzahl der relevanten Produktions-Effizienz-Kriterien erfüllt, wenn die Produktionslinie in der Fabrik nach der Reihenfolge gesteuert wird. Diese Kriterien sind durch die Effizienzcharakteristiken der Produktionslinie festgelegt.  Im hier angeführten Beispiel stellt die Fabrik folgende Fahrzeugtypen her: Kleinwagen, Coupé, Kabrio, Limousine, Großraumwagen, Sportwagen und Geländewagen. Der Einfachheit halber sei angenommen, dass diese Fahrzeugtypen alle auf einer einzigen Linie der Fabrik hergestellt werden.

Die für die Effizienz der Produktionslinie wichtigen Kriterien beim Abarbeiten der Sequenz sind die folgenden Charakteristiken der Fahrzeugmodelle: geringe Montagekomplexität, leistungsstarker Motor, Reservesitz, Luxusausstattung und Standardausstattung. Die Effizienz der Produktionslinie hängt davon ab, ob die Reihenfolge, in der die Fahrzeuge angeordnet werden, geeignet auf die Leistungsfähigkeit der Produktionslinie abgestimmt ist. Die Bestimmung der geeigneten Reihenfolgen ist deshalb so wichtig, weil die Produktionslinie auf einen prognostizierten durchschnittlichen Auftragsmix an Fahrzeugen physisch ausgelegt ist. Dies bedeutet, dass die Produktionslinie im Wesentlichen einmal statisch ausgelegt ist. Der jeweilige Auftragsmix wechselt dagegen dynamisch und täglich und ist somit Auftragsmix  nur dann effizient produzierbar, wenn die Reihenfolge der Aufträge so gebildet wird, dass die Kombination aus Auftragsmix und Produktionslinie optimal aufeinander abgestimmt sind. Falls ein menschlicher Entscheider die Reihenfolgenbildung manuell durchführt, kommen durch die Zusammenstellung der Reihenfolge indirekt seine bevorzugten Kriterien zum Ausdruck sowie seine Vorstellung davon, was eine gute Reihenfolge ausmacht. So gesehen finden sich manche seiner Präferenzen mehr und andere weniger in der Reihenfolge wieder. Manche können sogar völlig ignoriert worden sein (bewusst oder unbewusst). Manuell erstellte Reihenfolgen sind für gewöhnlich nicht optimal, was an der enormen kombinatorischen Komplexität liegt, die die Reihenfolgebildung nach sich zieht. Bei der Berechnung entsprechender Entscheidungscluster ist die Algorithmik nun einmal dem Menschen deutlich überlegen.

Effizienz-optimierte Lösungen werden gelernt

Die obige Abbildung zeigt die Verteilung aller Zielkriterien, die, in diesem Falle, in drei teilweise konfliktbehaftete Gruppen (Cluster) angeordnet sind. Es zeigt sich, dass geringe Montagekomplexität, leistungsschwacher Motor und Standardausstattung zusammen eine Produktions-Effizienzgruppe bilden. Die zweite Gruppe vereint die Kriterien leistungsstarker Motor und Luxusausstattung, in der dritten Gruppe finden sich die Autotypen mit Reservesitzen. Als Ergebnis zeigt sich: Deep Qualicision generiert hocheffiziente Reihenfolgen, welche die durch die Struktur der Produktionslinie bedingten Zielkonflikte ausbalancieren, und die Auslastung der Linie optimieren. Das Ausbalancieren der Zielkonflikte führt zu deutlich besseren Ergebnissen (15% und mehr) als Berechnungen, welche eine lineare Unabhängigkeit zwischen den Zielen annehmen (wie zum Beispiel gewichtete Summen). In realen Praxisbeispielen ist die Anzahl der Cluster und der Wechselwirkung zwischen diesen natürlich sehr viel größer als in dem hier vorliegenden Beispiel und steigt bedingt durch Kombinatorik exponentiell mit der Anzahl der Aufträge und der Zielkriterien an. Deep Qualicision findet sich hier dennoch zurecht und ist in der Lage, die Zusammenhänge effizient auszuwerten.

Große Bandbreite an Anwendungen

Deep Qualicision deckt eine große Bandbreite von Anwendungen ab: Deep Qualicision-gestützte Optimierungslösungen lernen ihre eigene Parametrierung automatisch. Die Software ist also in der Lage, im Falle effizienter Entscheidungsfindung mit selbstregelnden Optimierungsprozessen zu arbeiten, auch bei großen Abweichungen der Konfigurationen der Prozess-Eingangsdaten. Solche Lösungen sind erforderlich, wenn es zum Beispiel um die Optimierung der Produktionssteuerung in Fabriken geht, bei denen die Auftragsmengen und der Auftragsmix permanenten Schwankungen unterliegen. Generell sind mit der Methode Deep Qualicision alle Prozesse von Ressourcenzuordnung und Ressourcennutzung behandelbar.