Artificial Intelligence neemt beslissingen in onzekere situaties

Beleidsmakers nemen vaak beslissingen op basis van zeer gelimiteerde informatie. Deze beslissingen kunnen een grote impact hebben op de samenleving. Ook in het kleinere bedrijfsleven speelt onzekerheid bij het maken van beslissingen een rol en kunnen de gevolgen daarvan van groot belang zijn voor zowel ondernemer als klant. Albert Schrotenboer heeft als postdoctoraal onderzoeker bij de vakgroep Operations van de Faculteit Economie en Bedrijfskunde aan de RUG* onderzoek gedaan binnen het vakgebied Operations Research (OR). Hij gebruikte wiskundige beslismodellen en Artificial Intelligence (AI) om beslissingen waarbij onzekerheid een grote rol speelt te optimaliseren.

^{Tekst: Bart Talens/Industry Relations RUG}

‘OR is het optimaliseren van beslissingen. Dat klinkt heel algemeen en dat is het eigenlijk ook. Je kunt je voorstellen dat het voor alles wat los zit, wat draait, wat geld kost, wat efficiënter kan, lastig kan zijn om een goede beslissing te nemen. Binnen OR proberen we dit proces te optimaliseren,’ legt Schrotenboer uit. Het algemene doel hierbij is in principe om de optimale beslissing te nemen. ‘AI is op dit moment een zeer populair onderwerp, maar binnen OR worden soortgelijke methoden al jarenlang ingezet, maar dan op een manier die minder snel het nieuws haalt misschien.’

Verbanden leggen

In zijn onderzoekt gebruik Schrotenboer wiskundige modellen, simulaties en reinforcement learning om methoden te ontwikkelen om de best mogelijke beslissing te nemen onder onzekerheid. ‘Je laat in dit soort gevallen het optimale van de beslissing een beetje links liggen, maar je probeert alsnog tot een zo goed mogelijke beslissing te komen. AI komt hierbij om de hoek kijken, omdat het mogelijkheden biedt om aan de slag gaat met grote datasets en verbanden te leggen die, zonder AI of optimalisatie, niet te vinden zijn,’ legt Schrotenboer uit.

Onzekerheid bij pakketjes

Schrotenboer is zelf betrokken bij onderzoek met Dropper, een fietskoeriersbedrijf met als visie om binnen de stad Groningen binnen een dag pakketjes van A naar B te kunnen vervoeren. ‘Dit is een voorbeeld uit het bedrijfsleven waarbij veel onzekerheid komt kijken. Je weet bijvoorbeeld niet wanneer pakketjes aangemeld worden en wat de routes zullen zijn. Daarnaast spelen externe factoren als weer en verkeer een rol in de bezorging.’ Hij heeft een model gebouwd dat het bedrijfsproces van Dropper nabootst. Met behulp van beslisregels, die aangeven waar en wanneer fietskoeriers ingezet worden, kan hij evalueren hoe efficiënt het bedrijfsprocess van Dropper is.

Koeriersroutes stroomlijnen

Op basis van deze simulaties kan Dropper dan beslissingen nemen over wanneer een koerier op pad gestuurd wordt. ‘Wanneer je een pakket aangemeld krijgt in Beijum, kan het bijvoorbeeld handig zijn om een koerier niet meteen op pad te sturen. Er kan een half uur later nog een aanmelding komen op de Korreweg, wat dan op de route ligt bijvoorbeeld, of er kan een andere bezorger onderweg zijn wiens route beter in de lijn van dit pakket ligt.’ Door middel van reinforcement learning, het leren van de uitkomsten van beslisregels in de simulaties, wordt bij Dropper de inzet van hun koeriers gestroomlijnd.

Boerenverstand

Schrotenboer geeft aan dat het bij de inzet van dit soort methoden belangrijk is om betrokken te zijn bij het bedrijf. Het kan voor bedrijven een grote stap zijn om hun werkmethodes in de handen van een wiskundig model te leggen. Daarnaast neemt een simulatie de menselijke onderlinge factoren op de werkvloer natuurlijk niet goed mee. Het blijft dus altijd een proces waarbij een uitgerekend model hand in hand gaat met ‘boerenverstand’ zoals Schrotenboer het zelf noemt. ‘Dit is natuurlijk werk wat je in theorie op afstand zou kunnen doen wanneer je de juiste data en vraagstukken hebt. Maar bepaalde factoren kunnen misschien niet deel zijn van de essentie van een probleem, maar in de praktijk wel degelijk invloed hebben op het proces.’ Onderlinge relaties op de werkvloer kunnen hier bijvoorbeeld een goed voorbeeld van zijn.

Opzetten van waterstofketen

Schrotenboer is inmiddels ook betrokken bij HEAVENN, de Hydrogen Valley waarbij Noord-Nederland in de komende jaren als proeftuin dient voor het opzetten van een volledig functionerende groene waterstofketen. ‘Bij dit soort projecten speelt onzekerheid natuurlijk op onnoemelijk veel niveaus een rol. Politieke, technologische en economische factoren kunnen bijvoorbeeld een rol spelen.’ Schrotenboer geeft de aanpassing van de huidige elektriciteitsinfrastructuur en het real-time matchen van energiegebruik in de regio als voorbeelden waarbij OR een grote rol zou kunnen gaan spelen. ‘Dit zijn projecten waarbij je in tegenstelling tot het voorbeeld van Dropper minder dicht op de praktijk kunt gaan zitten. Hierbij speelt de beschikbare data en het uitwerken van het model dan nog een veel grotere rol.’ OR werkt in twee stappen. De methodiek, het ontwikkelen van de modellen, en daarna de toepassing in de praktijk.

Binnen OR wordt AI dus gebruikt om met goede oplossingen te komen voor beslisproblemen waar onzekerheid een grote rol speelt. AI maakt hierbij niet de uiteindelijk keuze, maar gaat hand in hand met de mens om tot een uiteindelijk besluit te komen.

* Albert Schrotenboer is sinds januari 2021 Assistant Professor of Transportation and Logistics bij de School of Engineering, Eindhoven University of Technology.