Open Access

Torben Gehring

• Die immer weiter zugenommene Globalisierung führt zu wachsenden Liefernetzwerken, was eine Steigerung der Komplexität ganzer Supply-Chains impliziert. Hier hat sich das Feld des Supply-Chain-Managements herausgebildet, welches versucht die Komplexität beherrschbar zu machen. Das Supply-Chain-Event-Management befasst sich als Teilgebiet des Supply-Chain-Managements mit der Erfassung der Daten und dem Reagieren auf außerplanmäßige Ereignisse entlang der Lieferkette. Als Standard zur Erfassung und Abbildung von Ereignissen wird in der Praxis häufig der EPCIS-Standard und dessen EPCIS-Events verwendet. Bisher wird in der Literatur bei den Events grundsätzlich von korrekten Eventdaten ausgegangen. Fehlerhafte Eventdaten werden weniger berücksichtigt. Jedoch kommt es in der Praxis immer wieder zu Fehlern in den Eventdaten. Mit Hilfe von Künstlicher Intelligenz in Form von Machine Learning können Anomalien in den Eventdaten identifiziert werden. Auf Basis von Trainingsdaten in Struktur der EPCIS-Events lernt die Künstliche Intelligenz, welche Events außerplanmäßig sind und welche den realen Geschehnissen entsprechen. So werden die generierten Events durch die Künstliche Intelligenz in Regelereignisse, Ausnahmeereignisse und fehlerhafte Ereignisse kategorisiert. In der Arbeit wird untersucht, welche Ansätze der Künstlichen Intelligenz am geeignetsten für die Anomalieerkennung in Supply-Chain-Events sind. In der engeren Betrachtung liegt der Einsatz von Neuronalen Netzen. Der gewählte Ansatz wird in Python Code implementiert und mit synthetisch erzeugten Eventdaten trainiert. Nach dem Training des Modells wird dieses mit einem Testdatenset auf seine Performance getestet und anhand der Erkenntnisse Anpassungen an dem Modell vorgenommen. Das Ziel dieser Arbeit liegt somit in der Entwicklung einer Künstlichen Intelligenz Anwendung zur Identifizierung von Ausnahmeereignissen und fehlerhaften Ereignissen im Supply-Chain-Event-Management.