KI und ERP: Die versprochene Revolution

Es herrscht allgemeiner Konsens darüber, dass KI eine transformative Technologie für alle Branchen sein wird, wobei die Metalldienstleistungszentren keine Ausnahme bilden. Trotz der Prognosen verschiedener Technologieanbieter handelt es sich bei dem, was heute als KI bezeichnet wird, in erster Linie um normale Softwarealgorithmen, die mit einem Marketinghype als künstliche Intelligenz verpackt werden. In den wenigen Fällen, in denen echte Large Language Models (LLMs) in Softwareanwendungen integriert wurden, waren die Ergebnisse fehleranfällig, unzuverlässig und glichen eher einem kleinen Aufstand als der versprochenen Revolution.

Goldman Sachs hat vor kurzem einen 31-seitigen Bericht mit dem Titel „Gen AI: Too Much Spend, Too Little Benefit?“ veröffentlicht, in dem die angepriesenen Produktivitätsvorteile und potenziellen finanziellen Erträge in Zweifel gezogen werden, während, wie in anderen Veröffentlichungen auch, die negativen Auswirkungen auf die Umwelt aufgrund des enormen Energie- und Süßwasserbedarfs für den Betrieb der KI-Modelle festgestellt werden.

Bedeutet dies, dass sich die Versprechen der KI niemals erfüllen werden und dass die Investitionen in Höhe von 1 Billion Dollar, die in Kürze fließen werden, zu keinen quantifizierbaren Produktivitätsgewinnen führen werden? Ganz im Gegenteil, die Investitionen, die heute getätigt werden, werden für das Wachstum und die verbesserte Leistung der LLMs von grundlegender Bedeutung sein, aber die Erwartungen müssen neu kalibriert werden, und das KI-Marketing muss skeptisch betrachtet werden, da wir uns derzeit im Anfangsstadium der Technologie befinden.

In der Informatik gibt es einen allgemein gebräuchlichen Begriff namens GIGO, eine Abkürzung für Garbage In, Garbage Out. Dieser Ausdruck wird verwendet, um das Konzept zu beschreiben, dass schlecht definierte Eingaben zu einer Ausgabe von ebenso schlechter Qualität führen. LLMs werden auf großen Datensätzen für Deep Learning trainiert, eine Technik des maschinellen Lernens (ML), die neuronale Netze verwendet, um Muster zu erkennen und Assoziationen herzustellen. Ein Großteil der heutigen KI-Interaktion ist das Ergebnis von LLMs, die mit Eingaben aus ungeordneten, unbegründeten Quellen wie Social-Media-Seiten und satirischen Websites gefüttert werden, was zu ungenauen und bizarren Ergebnissen führt.

Glücklicherweise bietet in der Welt der ERP-Systeme eine strukturierte Datenbank das grundlegende Element, um echte KI-Mehrwertfunktionen zu erstellen. Die INVEX-Datenbank beispielsweise arbeitet als regelbasierte Engine, die mehr als 50.000 vordefinierte Datenfelder erfasst und sie auf intelligente Weise für die Analyse und den Abruf organisiert und speichert. Das Ergebnis ist ein Datensatz von hervorragender Qualität, der in ein potenzielles ML-Modell eingespeist werden kann, wodurch die GIGO-Falle umgangen wird.

Der Aufbau echter produktiver KI-Funktionen beginnt mit der Konzentration auf Anwendungen, die am meisten von einer unterstützten Entscheidungsfindung profitieren würden. Beispiele für zwei solche Bereiche sind die Bestandsplanung und die Absatzprognose. In beiden Bereichen verwendet das Data-Science-Team von Invera strukturierte Daten aus der INVEX-Datenbank und maschinelles Lernen, um Modelle für Zeitreihen und Regressionsanalysen zu entwickeln.

So entwickelt und testet Invera beispielsweise Modelle, die ML nutzen, um Vorhersagen und Prognosen für die Bestandsverwaltung in der INVEX-Anwendung Material Resource Planning (MRP) zu ermöglichen. Auf der Vertriebsseite werden ML-Modelle zur Analyse der INVEX-Verkaufshistoriendaten eingesetzt, um Umsatzprognosen und prädiktive Analysen zu ermöglichen.

Die Produktivitätsgewinne durch KI werden sich erst in einigen Jahren bemerkbar machen, vor allem wenn man die ressourcenintensive Natur und die Wirtschaftlichkeit des Einsatzes von KI-Modellen berücksichtigt. Heute sollte man allen Behauptungen über echte KI-Funktionen mit einer gesunden Portion Skepsis begegnen, doch die Fortschritte der Technologie sind bemerkenswert, und schon in wenigen Jahren könnten die Auswirkungen transformierend sein. Um dieses Potenzial wirklich nutzen zu können, sind sauber organisierte Datensätze für die KI-Modelle von entscheidender Bedeutung. Auf diese Weise können Metalldienstleistungszentren die KI-Technologie nutzen, um fundiertere Entscheidungen auf der Grundlage von bisher nicht berücksichtigten Datenpunkten zu treffen und sich für die Zukunft zu positionieren, ohne den (Daten-)Müll zur Abholung bereitstellen zu müssen.