- Ein Blick in die Glaskugel: Wie voll wird der Mülleimer heute?
- Association Rules: Wer Gurken kauft, kauft auch ...?
- Werkzeuge der KI: Multi Layer Perceptron, Random Forest und AdaBoost
- Die Unterschiede von Classification und Clustering
- Weiß die KI heute schon, was ich morgen kaufe?
- Diskussion
KI im Fokus: Model Selection für KI am Beispiel Einzelhandel
Viele KI Modelle sind möglich (Feed Forward, Recurrent Neural Networks, Random Forest) aber wann nimmt man was? Das zeigt Prof. Dr. Jan Dünnweber am Beispiel Lebensmittelhandel nach einer Kooperation mit einem bekannten Discounter.
Für den Einzelhandel ist es von strategischem Interesse, Bestellungen und Preise vorausschauend auf zukünftiges Kaufverhalten abzustimmen. Gerade im Lebensmittelhandel, wo die ständige Verfügbarkeit von Frischware erforderlich ist, müssen Prognosen verlässlich sein, denn "food waste" betrifft nicht nur die Handelsketten:
Aktuell wird mehr als ein Drittel der weltweit hergestellten Lebensmittel entsorgt, was mehr als 1 Milliarde Tonnen Müll im Jahr und damit ein gesamtvolkswirtschaftliches Problem zur Folge hat.
Prädikative Künstliche Intelligenz (KI), also Modelle, die Muster in historischen Verkaufszahlen berücksichtigen und zur Vorhersage zukünftigen Verhaltens herangezogen werden können, versprechen hier eine Abhilfe.
Tatsächlich sind diese Muster aber gerade im Lebensmitteleinzelhandel sehr komplex. Aufgrund der hohen Anzahl verschiedener Artikel können relevante Zusammenhänge unberücksichtigt bleiben oder irrelevante Beobachtungen als Regelgrundlagen herangezogen werden:
Ist ein höherer Preis für Batterien beispielsweise verantwortlich, dass weniger Kaffee verkauft wird? Das klingt kaum plausibel. Trotzdem kann nicht ausgeschlossen werden, dass einzelne Kundinnen und Kunden, denen die Batterien zu teuer sind, ihren ganzen Einkauf - und damit auch den Kauf von Kaffee - deshalb in einem anderen Geschäft tätigen.
Während ein Kaufkriterium für eine Personengruppe ausschlaggebend ist, kann dasselbe Kriterium - also z.B. der Preis für Batterien - für andere völlig bedeutungslos sein. Extrapolation oder andere im kaufmännischen Bereich gängige statistische Verfahren, wie die exponentielle Glättung, die aktuelleren Daten mehr Gewicht gibt als früheren, sind bei solchen Vorhersagen nur bedingt zuverlässig, v.a. da diese in der Regel nur die Verkaufszahlen einzelner Produkte berücksichtigen.
Bei den alternativen Verfahren bleibt aber die Schwierigkeit, für die jeweilige Aufgabe das am besten geeignete zu finden:
Lasso Regression, Ensemble Learning, Single Value Decomposition usw. Die Vielzahl der Werkzeuge, die die moderne KI anbietet, erschwert es, die Stärken und Schwächen der einzelnen Lernmethoden zu bewerten. Im Vortrag zeigen wir anhand eines realen Datensatzes (Jahresverkaufszahlen einer Supermarktkette in Bayern), wie Experimente mit Teilmengen der Gesamtdaten die Wahl eines geeigneten KI Models erleichtern. Abgesehen davon, dass es interessant ist, zu sehen, warum eine höhere Parkplatzbelegung auch einen geringeren Umsatz zur Folge haben kann, bringt uns der Vortrag damit die "Model Selection" anschaulich näher:
Ein aktuelles Forschungsgebiet der KI, das auch abseits vom Einzelhandel von zentraler Bedeutung für die Verlässlichkeit computergestützter Vorhersagetechniken ist.
Ihr Referent:
Prof. Dr. Jan Dünnweber
Prof. Dr. Jan Dünnweber unterrichtet an der Ostbayerischen Technischen Hochschule (OTH) in Regensburg Informatik und betreut bei der IDV AG Studierende, die in Projekten mitwirken. Im Rahmen der Serie KI im Fokus leitete er diverse Experten Abende bei der IDV AG - die Aufzeichnungen finden Sie direkt beim jeweiligen Event.