Maschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen

Transkript

1 Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen

2 Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit beibringen Voraussetzungen: klar definierte Aufgabe/ klar definiertes Problem Daten Akzeptanz einer gewissen Unsicherheit

3 Was ist maschinelles Lernen NICHT? 3 Herkömmliche Computerprogramme Menschen geben Aktionen genau vor Robotic Process Automation Menschen geben Regeln vor Artificial Intelligence Menschen geben Modelle/ Algorithmen vor, Programme lernen selbst

4 Welche Arten maschinellen Lernens gibt es? 4 Verstärkendes Lernen Unüberwachtes Lernen Überwachtes Lernen Reinforcement Learning Input Aufgabenbeschreibung Mögliche Aktionen Bewertung des Outputs Beispiel: AlphaGoZero Einsatzbereich: allgemeine Problemstellungen Unsupervised Learning Input Traininsgdaten ( Rohdaten ) Arten Clustering Dimensionality Reduction Einsatzbereiche: Visualisierungen Dimensionsreduktion für späteres Training Supervised Learning Input Paare von Ein- und Ausgabedaten Trainingsmodell Ziel: Vorhersagen über noch unbekannte Eingangsdaten Beispiel: Bilderkennung

5 Die Plattformen hinter den Algorithmen 5

6 Die Technik hinter maschinellem Lernen 6 ENERGY4U verschafft Ihnen als Partner von SAP und Google die Vorteile beider Welten!

7 Modelle und Algorithmen - Grundsätzliche Einteilung von ML Problemen 7 Klassifizierung Regression Treffen einer kategorischen Entscheidung z.b. Spam oder Kein Spam Vorhersagen eines numerischen Wertes z.b. Preisvorhersagen

8 Neuronale Netzwerke 9 Nachempfinden biologischer Denkprozesse des menschlichen Gehirns

9 Use Cases im Einkauf 10 Entscheidungsunterstützung Kundenservice optimale Betreuung/ Interaktion Use Cases Beschaffung Freitexthandling Wissensmanagement Prozessoptimierungen Sourcing Datenauswertung

10 Usecase: Machine Learning Bereich: Indirekter Einkauf 2-5 transaktionale Kosten Vorgehensweise: 1) Analyse von Freitext & Anhang 2) Google-Suche nach Produkten Herausforderung: sehr viele Freitextbestellungen/ Jahr (davon nur 1-2% Items aus ecatalogs) Ziele: Reduktion um 50-80% 3) Automatische Lieferantenauswahl und Bestellung 4) Option: Einbau von Klärfallkriterien (Preis/Item, Eingrenzung von Lieferanten, etc.) Auswirkung: 10 transaktionale Sourcingkosten/ Freitextbestellung Kosten: Einsparung: bis zu Zu beachten: Security/Compliance- Anforderungen 11

11 Usecase: Machine Learning 12 Bereich: (In)direkter Einkauf Herausforderung: manueller Aufwand kann nicht mit hoher Qualität aufrecht erhalten werden Auswirkung: fehlerhaftes routing / hohe Kosten Kosten: ML Model weist Produkt/Warengruppe zu Vorgehensweise: 1) Datenextraktion / Aufbereitung Ziele: Reduktion um 80%-90% 2) Training eines ML Model zur Zuordnung der Parameter Einsparung: bis zu Zu beachten: neue Warengruppen 3) Test und Optimierung des Model 4) Integration des Model in das Tagesgeschäft

12 Einsatz von Drohnen für die Wartung von Windkraftanlagen und Netzen 13 Ziel: Effizientere Wartung von Windkraftanlagen und Netzen Vorgehensweise: 1. Automatische Erstellung von Bildern durch Drohnen 2. Analyse der Bilder durch Google Vision/ SAP Image Classification 3. Benachrichtigung von Experten bei Auffälligkeiten Vorteile: Schnelleres Eingreifen bei (drohenden) Schäden Keine Abschaltung der Anlagen im Rahmen der Analyse Kostenreduktion durch vorausschauende und schnellere Wartung Arbeitssicherheit

13 Entscheidungsunterstützung am Beispiel der Zählerstandsvalidierung 14 automatische Verbuchung Ablesung der Zählerstände Quellen: Kundenablesung MSCONS Internet-Portal Telefonische Übermittlung Plausibilitätsprüfung SAP IS-U SAP Validierungsprüfungen Stand alt > Stand neu Nullverbrauch durch Leerstand Kundeneigene Prüfungen: Relative Abweichung von Erfahrungswerten Vorliegen eines Zählerwechsels Aussteuerung Feedback Loop Stornierung/ erneute Prüfung Kundenreklamation Manuell ML Modell (80%)

14 S/4 HANA Transformation 15 Prognose Enormer Beratungs- und Entwicklungsbedarf im Bereich S/4 HANA in den folgenden 3-4 Jahren Lösung Einsatz von maschinellem Lernen für eine optimierte Umstellung auf S/4 HANA Bündelung einer Vielzahl von Use Cases zu einem Gesamtkonzept Herausforderung Beraterbedarf kann bei gleichbleibendem Qualitätsund Preisniveau nicht gedeckt werden

15 Warum Sie jetzt starten sollten: Warren McCulloch / Walter Pitts entwickeln das erste Neural Network Entwicklung des ersten Multilayer Neural Network Apple stellt Siri vor Entwicklung maschinelles Lernen Die Begriffe künstliche Intelligenz/ maschinelles Lernen werden definiert IBM s Deep Blue besiegt den Schach- Weltmeister Erstveröffentlichung Google TensorFlow 1956 /

16 Projektvorgehensweise JumpStart 17 Montag Dienstag Mittwoch Donnerstag Freitag Kickoff Einführung in GCP / SCP o Grundlagen o Datenbank o Analytics & ML o Data handling frameworks Priorisierung und Auswahl von Use Case(s) Start des Design Sprint Design Sprint Analyse der Prozesscharakteristika Identifizierung der Daten o Analyse der Datenqualität o Feature Extraktion Implementierung des Prototypen o Aufbau der Entwicklungsumgebung o Zuordnung der Aufgaben Definition benötigter Ressourcen o Speicher o Jobs o etc. Evaluation möglicher ML Modelle Implementierung des Prototypen Optimierung (opt.) Retraining (opt.) Trainiertes Modell Business Case inklusive o Implementierun gs-kosten o laufende Kosten o Trefferquote o Daten o Einsparungen o Vorteile o Evaluierung Entscheidung (nächste Schritte) Strategie Lessons Learned Happy Customer

17 Was Sie vom Vortrag mitnehmen sollten 18 Starten Sie jetzt! Starten Sie überlegt! Starten Sie mit uns!

18 Ihr Ansprechpartner 19 Jan Schinnerling Business Unit Manager Tel.: Mail: