Dexin Luo – AI bei Linde

Max im Gespräch mit Dexin Luo, Head of Artificial Intelligence Solutions and Technologies bei Linde

In dieser Episode von Max und die Supply Chain Helden versucht Max, das Thema künstliche Intelligenz in Zusammenhang mit Fragen der Lieferkette zu ent-mystifizieren. Aufgrund von Corona-Sicherheitsmaßnahmen befragt er Dexin Luo, eine anerkannte Expertin für Supply Chain Management und künstliche Intelligenz, remote, d.h. über eine online Plattform. 

Gemeinsam analysieren sie Möglichkeiten, um KI auf praktische Weise auf die Supply Chain anzuwenden. Ludwig Meister selbst unternimmt gerade erste Schritte, um maschinelles Lernen für ERP-Zwecke einzusetzen, aber Max ist gespannt auf mögliche nächste Schritte hin zur KI-Nutzung.

Wenn Ihr wissen möchtet, wie man KI auf einer Cocktailparty erklärt, hört Euch die heutige Podcast-Episode an. Transkript und Links findet Ihr unten. Und wie immer: Wir freuen uns, von Euch zu hören. Hinterlasst Eure Kommentare, Vorschläge und Kritik unter

Transskript/deutsche Übersetzung

MAX: Willkommen zu Max und die Supply Chain Helden, deinem Unternehmerpodcast zum Thema Einkauf und Logistik im digitalen Wandel. Gedanken, Erfahrungen und vor allem Erkenntnisse aus dem Bereich Supply Chain Management, ganz ohne Beratermission. Einfach, verständlich, eben aus Unternehmersicht. Ich bin Max Meister und wünsche euch viel Spaß.


MAX: So my/ today’s guest is Dexin Luo. She is working for Linde as head of Artificial Intelligence Solutions and Technologies. And for me, it is interesting to discuss with her about supply chain topics and especially AI in supply chain. And before we go too much in detail, maybe, Dixon, you can say what is your today’s main job at Linde and tell some sentences about Linde as well.  
DEXIN LUO:  Sure. Hi, Max. Right. I work for the company Linde PLC. It’s a world-largest industrial gas company. And I lead a global team of machine learning engineering data scientists to develop artificial intelligence solutions for the company. We also collaborate heavily with external partners, startups, universities to be able to understand, what are the emerging technologies and how do we apply that to our business to generate value?  
MAX: Okay. And when you say the biggest gas company in the world, do you have some figures? How many people are working there? Because I think everybody around Munich knows the company Linde but has probably no image of the company.  
DEXIN LUO:  I think, today, we have about 60,000 people working in Linde globally. So we are in 100 countries. And we have about a revenue of 28 billion. That’s the number in 2019. We can repeat that maybe.  
MAX: No, no. It’s fine. Thank you. When you say you are now working in AI, and if I understand right, and your career station before was/ the biggest topic was supply chain management, what can you/ what are your biggest or what is your biggest focus for AI applications at Linde in improving the supply chain today?  
DEXIN LUO:  Sure. Yes, so before I started developing AI solutions about more than three years ago, I was in the operational business with a focus on supply chain management and product management. And in the supply chain area in Linde, it’s pretty simple. We try to increase the supply chain efficiency as much as possible. And we try to increase the supply chain responsiveness and make the supply chain as resilient as possible, so risk mitigation. And one of the most important topic in overall Linde is environmental impact. How do we reduce CO2 emission and increase safety of the supply chain operations in general?  
MAX: Okay. So I guess that the resilience of the supply chain is quite a big topic at the moment. So we are recording in the midst of May 2020. How do you approach such an AI project within Linde? Because for my listeners, it’s always interesting to really discuss about the project and the steps of such a project. So for me, it would be interesting to maybe discuss. You have a couple of papers everybody can read. So we will put a description below. But what was maybe, supply chain-wise, the last project, and can you describe how you approached this project?  
DEXIN LUO:  That’s a good question. So first, on the supply chain resilience, so fortunately, the majority of Linde’s business has a relatively regional supply chain. So it’s/ it is affected, but to a much lesser degree than a company with a global supply chain with/ you know, you have/ if you have to procure equipment from China, for example. In the supply chain area, as I have mentioned, we focus this many different topics. Maybe to give you one example how we increase supply chain efficiency, we do have a large internal fleet, and we also outsource a lot of our delivery tasks. We drive more than 1 billion kilometers a year, which is a lot. So to systematically make this delivery more efficient, we have deliver/ we have developed a driver training, too. It sounds very simple. However, it’s powered by a very sophisticated AI algorithm. And how does it work? We use the big data collected on our onboard computer of our fleet to understand all these different parameters, like hash breaking, acceleration, delivery, frequency, and whether it’s inner city or mountain area to understand the correlation between drivers‘ driving behavior and fuel consumption. In other words, what can the driver influence on the fuel consumption, and what are the factors that he or she cannot control, right? And we’re able to very systematically provide a tool to be able to train the driver real time how he can drive better to reduce the fuel efficiency with a gamification element as well.  
MAX: But when you say you want to increase the drivers‘ efficiency, can you give an example what this means? This means just the consumption of gas or also time, or what does it mean?  
DEXIN LUO:  It’s mainly about gas. So let’s say, today, I’m sure in many logistics company, you do do driver training, and you have some kind of scoring. But it’s very hard to touch the overall driver community. Often, when the transport manager is trying to tell the driver, „Hey, you should have braked less or did less acceleration,“ it’s very conceptual, right? The driver might say, „That’s not fair because, on my trip, there were a lot of congestion, or I was driving in a mountain area. It’s very different from my colleague, who had a very different setting,“ right? But with this tool, we’re able to make a very fair evaluation to predict with high accuracy because we’re able to single out the elements which the driver cannot control. So you’re able to, let’s say, evaluate and compare the driver on the very fair basis. Now I think this is very important because, to me, the driver community is a very important community within the supply chain management. And when we talk about AI, there are many misunderstanding. And here, we aim to help them, right? We/ and for them, many of them might not want to understand a lot of complex statistics. And in reality, we actually want to simplify the process, right? So instead of going through many different numbers with them, which they don’t have time because they are usually in a very tight schedule, we show that our tool actually can provide a very fair and accurate prediction of how their driving style influence the fuel consumption, right? So it really is over the long time. Over a longer time period, you build this trust on the driver, on the tool. And so the driver believes in the evaluation. And additionally, this gamification aspect helps the driver to incentivize him to actually drive better.  
MAX: Okay. So if I understand right, you analyze with an algorithm all the data you have, and you try to find some improvements in driving, and then you have a special simulator where the driver is tested, or do you do this in real time in the gas trucks?  
DEXIN LUO:  We do that after each trip.  
MAX: Ah, okay. So you/ when a trip is completed, you analyze it, and then you give feedback to the driver. 
DEXIN LUO:  Yeah. But the driver can see it on his own device. So we don’t really have to manually do this education.  
MAX: Okay. Okay. So I think this is an interesting example. What I think is always difficult when you talk about artificial intelligence is that, for a nontechnician like I am, it’s a black box. So I think it’s totally normal that people having no clue about AI that they are/ they have a big respect for this topic, and they want to/ yeah, the trust has to be earned by the system, so not the other way around. So I can imagine this was one of the biggest topics you had in this project?  
DEXIN LUO:  Yes, I think I wanted to talk about this project is also that it shows that AI is not making things more complicated but rather simplify. So imagine/ I mention a lot about this project, but from a driver perspective, he is only receiving an app which after each trip shows him a score, which is with some kind of gamification, which is very simple to understand. It’s like if you play a computer game, and it just shows you how good you have played.  
MAX: Okay. So this example is maybe not the best one for Ludwig Meister because, in Munich, we only have one driver. So I think the gain of efficiency wouldn’t be high enough. But before we discuss another example, I wanted to come back to the topics where you think AI can add value in the supply chain. You said you have/ you want to increase efficiency. This was the drivers example. And then you have the reduction of risks or the improving the resilience. Do you have one topic where Linde is now making some projects on, or do you have a/ some thoughts on this topic?  
DEXIN LUO:  On the resilience side, of course. So traditionally, we have always focused on safety and resilience. And here, with AI’s help, you can do many things. For example, we have done a project in the areas of safety, transport safety. So we’re able to use a lot of data, not only including Linde’s internal data, but external traffic, you know, road construction, right, the road characteristics and also the general population’s driving history, like whether there was an accident, to predict whether/ when a driver is entering a certain area, what’s the probability of entering into an accident so that you can avoid that, right? So similarly, I know that, for many companies, probably you don’t have so many driver, but similarly, what we have been doing is that you could predict the most important risk factors in your whole supply chain with the help of a lot of external data. So in your example, for example, you could think about, hey, if I am procuring equipment from a certain country, right? And for me, it’s blind what’s happening and what can influence the risk of supply. And here, you can use a lot of external data to be able to predict your supplier risk, to be able to predict the risk of that country or even the particular city where the production is being made, and having a correlation to the overall supply chain risk of your company.  
MAX: Yeah, I think this is a good example. For us, at the moment, what we have done is we have/ but it’s manual work. We created some kind of risk factors for the different countries. We are not sourcing that much in China, but we have many suppliers also in Italy, for example. And then we created a/ it’s a factor. And we tried to calculate the supply chain risk. But it’s/ basically, it’s Excel sheet logic. So it’s not using real-time data. It’s manual work. So I think this could be an important topic for the future. So I think you’re definitely right, yeah. 
DEXIN LUO:  Yeah.  
MAX: When we talk about/ so maybe because/ how/ so when you are at a cocktail party and somebody asks you, „What are you doing?“ how do you explain AI? And if somebody is asking, „I want to use it for my company,“ or, „I have a special idea. How should I start?“ so how do you explain it? Because I imagine it’s/ you will be asked this sometime?  
DEXIN LUO:  I think, like if you’re in a cocktail party, the easiest way to explain what AI is, is face recognition, right, when you’re trying to open your iPhone or Alexa voice assistant, right? That’s what people relate most with this type of technologies. And we do use this type of computer vision technology also to be able to recognize our assets and to make a supply chain more transparent. And that would be examples I could give. I think, right, so perhaps, to go to one area in the supply chain area which everybody can relate to is demand forecast, right? So you know that supply chain has this bullwhip effect, and the demand forecast accuracy is very important. The more accurate you are and the better you can plan, right, in general. This is exactly why AI can help. In the past decades, people have been doing this all along. And why can’t AI do better? It’s mainly, as I mentioned, also maybe because of two most important factor. One is a lot more data available internally with IoT sensor, also externally that you can utilize, whether events/ for example, we live in Munich. The Oktoberfest is a big event which influence a lot on our demand of CO2. And such information you can put into a demand forecasting algorithm. So that’s the/ the algorithm can learn to understand a lot more dynamics that influence your customer demand. So I think this is maybe one example which I would give.  
MAX: Okay. So I think Oktoberfest is a good example. So the CO2 is used in restaurants and bars for the tapping, for tapping a beer or stuff like this?  
DEXIN LUO:  Yeah.  
MAX: Okay. When you say you’re using external data, what is more important for the demand planning, for example? Is it the history/ your sales history, or is it the external data? What do you think?  
DEXIN LUO:  It depends largely on the customer, right, and the product. So you will see some product has a much more seasonality or is much more influenced by external events like the Oktoberfest. And some products are very regularly driven. So therefore, which is exactly where AI can help because you’re able to segment the customer and tailor-make the forecast into each of them, right, and to learn from many different data that you can increase the accuracy very high.  
MAX: Okay. So you just mentioned customer segmentation. And I think this is one of the biggest topics for our company because we have very different kinds of customers, so for example, a paper machine company or a production company of pumps and motors. So the demand is very different, or it’s unique for each kind of company. If I want to use an AI algorithm in my company that helps me identifying, for example, similar segments of customers, how would you start such an AI project?  
DEXIN LUO:  So I think the first question I would always ask you as a business owner would be, why do you want to segment the customers? Is it that you want to make better supply chain planning? Is it that you want to develop different marketing strategy or product service offering to these different customers? I understand it’s more on the supply chain side, right?  
MAX: Yes, yes. For us, it’s/ we want to add value within the supply chain for our customers. So we have to have the right services and products at the time where our customer needs the product or the service, yeah.  
DEXIN LUO:  Yeah. So right. So in this respect, the reason why I ask why is you have to/ at the end of the day, I hope it’s clear for everyone we are mainly talking about software development, right, even though there’s all these fancy algorithms behind. So the reason why I ask why is because you have to understand if/ suppose I can/ forget about how. Suppose I can give you a perfect segmentation. How would you use it? What actions would you take? Who is the end user of such a software, right? This is the most important thing. And you have to know your company DNA and your process, right? So and then you can figure out/ you can/ I suppose if the/ depending on the company size, you can hire a data scientists or find a data science team externally, find some company to help you figure out how to segment. But we can go to the technical details. But you know, it’s actually not so complicated, right? So for example, you might have different SKU. And there, you want to decide, okay, what are the features that influence my supply, how to differentiate them? Could be the size of the SKU, could be, you know, different delivery frequency, could be different customer buy-in belief, etc., etc. And then you/ yeah, the rest/ so AI, people say that it’s largely about feature engineering. That is actually domain expertise is needed from your business. And the rest is not so complicated. So there are many different clustering algorithms, like K means, K prototype, etc., etc. And then afterwards, once you build the segmentation, you have to try to interpret what that means. And this is an iterative innovation process. So in summary, I would say, how do you do AI? You first of all try to understand why you do that. And you can use a process like design thinking to be able to figure out, what is my end solution and end user who can act on my software? And then you do an iterative innovation process to improve it.  
MAX: Okay. Okay. So I understand, and I think this is maybe the biggest learning of the last 20 minutes. If you want to use AI in your company, it’s not about discussing about it or thinking about it what we could do, but it’s very important to really ask why you want to do it and ask the question what kind of service you want to develop or what kind of value you want to add. And after you have done this, and this is really I think the biggest question, then you should start searching for the right people, or you maybe have it in house because a data scientist always sounds very big, but if you really start looking at your own data, I’m quite sure that you already can see a lot of things. But you have to invest the resources and the time to really look at the data. And just after this step, you would try to really use AI algorithms, or I have no clue how they work, but then you would try to use it. And then the interpretation of the data in the end really adds the value and is the last step. Is it right?  
DEXIN LUO:  Yes, for sure. I think, in general, in this time, technology is developing extremely fast. It’s always good to have some internal know-how to understand where to look for what and what would be a good partner. The rest is exactly as you said.  
MAX: Okay. So maybe one last question. If you have somebody who is/ going back to the cocktail party, do you have a/ some kind of Website or some content where you really can refer to where somebody’s able to learn more or get some more details, or how do you/ how are you inspired?  
DEXIN LUO:  That’s a good question. So I do a lot of different things. You know, for anybody, the simplest thing is you can set up a Google alert to know, what are the latest AI news? And there are many different communities, Websites. Like for example, Towards Data Science is a good one. It’s a good blog where a lot of the top data scientists are posting. And there are a lot of open source free course you can take. And in many cities, there are meetups. So in Munich, for example, there’s a community. There are meetups you can go to to exchange with peers and to understand more about the technology. So yes, there are many things you can do.  
MAX: Okay. So I would be happy if we can put the description of the blog below. And whenever this corona crisis is gone, maybe we can meet during a meetup here in Munich. So I would be happy to learn more.  
DEXIN LUO:  That sounds great. Hopefully also during the Oktoberfest time.  
MAX: Yeah, then maybe next year. So we will see. But yeah, Dixon, so thank you very much for your insights. And whenever one of the listeners has some more questions, so I would give the contact, or everybody can send me an email to And I will maybe pass on the questions. So we will make a second show. So I’m very grateful. Thank you for your time and all the insights.  
DEXIN LUO:  Thank you very much, Max, for inviting me.  


### Übersetzung ### Translation ###

MAX: Willkommen zu Max und die Supply Chain Helden, deinem Unternehmerpodcast zum Thema Einkauf und Logistik im digitalen Wandel. Gedanken, Erfahrungen und vor allem Erkenntnisse aus dem Bereich Supply Chain Management, ganz ohne Beratermission. Einfach, verständlich, eben aus Unternehmersicht. Ich bin Max Meister und wünsche euch viel Spaß.

MAX: Also mein/ heutiger Gast ist Dexin Luo. Sie arbeitet für Linde als Leiterin von Artificial Intelligence Solutions and Technologies. Und für mich ist es interessant, mit ihr über Supply-Chain-Themen und vor allem KI in der Supply Chain zu diskutieren. Und bevor wir zu viel ins Detail gehen, vielleicht, Dixon, können Sie sagen, was Ihre heutige Hauptaufgabe bei Linde ist und auch einige Sätze über Linde erzählen.

DEXIN LUO: Sicher. Hallo, Max. Ok. Ich arbeite für die Firma Linde PLC. Es ist ein weltweit größtes Industriegaseunternehmen. Und ich leite ein globales Team von Machine Learning Engineering Data Scientists, um Lösungen für künstliche Intelligenz für das Unternehmen zu entwickeln. Wir arbeiten auch intensiv mit externen Partnern, Startups, Universitäten zusammen, um verstehen zu können, was sind die neuen Technologien und wie wenden wir das auf unser Geschäft an, um Mehrwert zu generieren?

MAX: Okay. Und wenn Du sagst, das größte Gasunternehmen der Welt, habt ihr dann einige Zahlen? Wie viele Menschen arbeiten dort? Denn ich glaube, jeder in München kennt die Firma Linde, hat aber wohl kein Bild des Unternehmens.

DEXIN LUO: Ich denke, heute arbeiten weltweit etwa 60.000 Menschen in Linde. Wir sind also in 100 Ländern. Und wir haben etwa 28 Milliarden Umsatz. Das ist die Zahl im Jahr 2019. Wir können das vielleicht wiederholen.

MAX: Nein, nein. Es ist in Ordnung. Vielen Dank. Wenn Du sagst, dass Du jetzt in KI arbeitest, und wenn ich richtig verstehe, und Deine Karrierestation vorher/ das größte Thema war Supply Chain Management, was kannst Du/ was sind Deine größten oder was ist Dein größter Fokus für KI-Anwendungen bei Linde bei der Verbesserung der Lieferkette heute?

DEXIN LUO: Sicher. Ja, bevor ich vor mehr als drei Jahren mit der Entwicklung von KI-Lösungen begann, war ich im operativen Geschäft mit dem Fokus auf Supply Chain Management und Produktmanagement. Und im Supply-Chain-Bereich in Linde ist es ziemlich einfach. Wir versuchen, die Effizienz der Lieferkette so weit wie möglich zu steigern. Und wir versuchen, die Reaktionsfähigkeit der Lieferkette zu erhöhen und die Lieferkette so widerstandsfähig wie möglich zu machen, Risikominderung. Und eines der wichtigsten Themen in gesamt Linde ist die Umweltbelastung. Wie reduzieren wir den CO2-Ausstoß und erhöhen die Sicherheit der Lieferkettenoperationen im Allgemeinen?

MAX: Okay. Ich denke also, dass die Widerstandsfähigkeit der Lieferkette derzeit ein ziemlich großes Thema ist. Wir machen also mitten im Mai 2020 Aufnahmen. Wie geht Ihr mit einem solchen KI-Projekt in Linde um? Denn für meine Zuhörer ist es immer interessant, wirklich über das Projekt und die Schritte eines solchen Projekts zu diskutieren. Für mich wäre es also interessant, vielleicht darüber zu diskutieren. Ihr habt ein paar Papiere, die jeder lesen kann. Also werden wir eine Beschreibung unten setzen. Aber was war vielleicht, Supply Chain-wise, das letzte Projekt, und kannst Du beschreiben, wie Du an dieses Projekt herangegangen bist?

DEXIN LUO: Das ist eine gute Frage. Zunächst also zur Resilienz der Lieferkette, so dass glücklicherweise der Großteil des Linde-Geschäfts über eine relativ regionale Lieferkette verfügt. So ist es / es ist betroffen, aber in viel geringerem Maße als ein Unternehmen mit einer globalen Lieferkette mit / weißt Du, Du hast / wenn Du Ausrüstung aus China beschaffen musst, zum Beispiel. Im Bereich der Lieferkette konzentrieren wir uns, wie ich bereits erwähnt habe, auf diese vielen verschiedenen Themen. Vielleicht, um Dir ein Beispiel zu geben, wie wir die Effizienz der Lieferkette steigern, haben wir eine große interne Flotte, und wir lagern auch einen Großteil unserer Lieferaufgaben aus. Wir fahren mehr als 1 Milliarde Kilometer im Jahr, das ist eine Menge. Um diese Lieferung systematisch effizienter zu gestalten, haben wir auch eine Fahrerschulung entwickelt. Es klingt sehr einfach. Es wird jedoch von einem sehr ausgeklügelten KI-Algorithmus angetrieben. Und wie funktioniert es? Wir nutzen die Big Data, die auf unserem Bordcomputer unserer Flotte gesammelt werden, um all diese verschiedenen Parameter zu verstehen, wie -Breaking, Beschleunigung, Lieferung, Frequenz und ob es Innenstadt oder Berggebiet ist, um die Korrelation zwischen Fahrerfahrverhalten und Kraftstoffverbrauch zu verstehen. Mit anderen Worten, was kann der Fahrer den Kraftstoffverbrauch beeinflussen, und was sind die Faktoren, die er nicht kontrollieren kann, oder? Und wir sind in der Lage, sehr systematisch ein Werkzeug zur Verfügung zu stellen, um den Fahrer in Echtzeit zu trainieren, wie er besser fahren kann, um die Kraftstoffeffizienz auch mit einem Gamification-Element zu reduzieren.

MAX: Aber wenn Du sagst, dass Ihr die Effizienz der Fahrer steigern wollt, kannst Du dann ein Beispiel geben, was das bedeutet? Das bedeutet nur den Verbrauch von Treibstoff oder auch Zeit, oder was bedeutet es?

DEXIN LUO: Es geht vor allem um Treibstoff. Sagen wir, heute bin ich mir sicher, dass sie in vielen Logistikunternehmen Fahrerschulungen machen und eine Art Scoring haben. Aber es ist sehr schwer, die gesamte Fahrer-Community zu erreichen. Wenn der Verkehrsmanager dem Fahrer oft sagen will: „Hey, du hättest weniger bremsen oder weniger beschleunigen sollen“, ist das sehr theoretisch, oder? Der Fahrer könnte sagen: „Das ist nicht fair, weil es auf meiner Reise viel Stau gab, oder ich in einem Berggebiet fuhr. Es ist ganz anders als mein Kollege, der eine ganz andere Umgebung hatte“, oder? Aber mit diesem Tool sind wir in der Lage, eine sehr faire Bewertung zu machen, um mit hoher Genauigkeit vorherzusagen, weil wir in der Lage sind, die Elemente herauszuarbeiten, die der Fahrer nicht steuern kann. So könntest Du, sagen wir, den Fahrer auf der sehr fairen Basis bewerten und vergleichen. Jetzt halte ich das für sehr wichtig, denn für mich ist die Fahrergemeinschaft eine sehr wichtige Gemeinschaft innerhalb des Supply Chain Managements. Und wenn wir über KI sprechen, gibt es viele Missverständnisse. Und hier wollen wir ihnen helfen, oder? Wir/ und für sie, viele von ihnen wollen vielleicht nicht zu viele komplexe Statistiken  verstehen. Und in Wirklichkeit wollen wir den Prozess vereinfachen, oder? Anstatt also viele verschiedene Zahlen mit ihnen durchzugehen, die sie nicht haben, weil sie in der Regel in einem sehr engen Zeitplan sind, zeigen wir, dass unser Tool tatsächlich eine sehr faire und genaue Vorhersage liefern kann, wie ihr Fahrstil den Kraftstoffverbrauch beeinflusst, oder? Es ist also wirklich über die lange Zeit. Über einen längeren Zeitraum baust Du diese Vertrauensstellung des Fahrers gegenüber dem Tool auf. Und so glaubt der Fahrer an die Auswertung. Und zusätzlich hilft dieser Gamification-Aspekt dem Fahrer, ihm Anreize zu geben, tatsächlich besser zu fahren.

MAX: Okay. Also, wenn ich richtig verstehe, analysieren Ihr mit einem Algorithmus alle Daten, die Ihr habt, und Ihr versucht, einige Verbesserungen im Fahren zu finden, und dann habt Ihr einen speziellen Simulator, wo der Fahrer getestet wird, oder tut Ihr dies in Echtzeit in den Gas-LKWs?

DEXIN LUO: Das machen wir nach jeder Reise.

MAX: Ah, okay. Also Du/ wenn eine Reise abgeschlossen ist, analysiert Ihr es, und dann gebt Ihr Feedback an den Fahrer.

DEXIN LUO: Ja. Aber der Fahrer kann es auf seinem eigenen Gerät sehen. Wir müssen diese Ausbildung also nicht wirklich manuell machen.

MAX: Okay. Okay. Ich denke, das ist ein interessantes Beispiel. Was ich denke, es ist immer schwierig, wenn man über künstliche Intelligenz spricht, dass es für einen Nicht-Techniker wie ich eine Blackbox ist. Also denke ich, es ist völlig normal, dass Menschen, die keine Ahnung von KI haben, dass sie/ sie haben einen großen Respekt vor diesem Thema, und sie wollen / ja, das Vertrauen muss durch das System verdient werden, also nicht umgekehrt. Ich kann mir also vorstellen, dass dies eines der größten Themen war, die Ihr in diesem Projekt hattet?

DEXIN LUO: Ja, ich glaube, der Grund über dieses Projekt zu sprechen, ist auch, dass es zeigt, dass KI die Dinge nicht komplizierter macht, indem sie es eher vereinfacht. Also stell Dir vor/ Ich erwähne viel über dieses Projekt, aber aus Fahrersicht erhält er nur eine App, die ihm nach jeder Reise eine Partitur zeigt, die mit einer Art Gamification ist, was sehr einfach zu verstehen ist. Es ist wie wenn sie ein Computerspiel spielen, und es zeigt ihnen nur, wie gut sie gespielt haben.

MAX: Okay. Dieses Beispiel ist also vielleicht nicht das beste für Ludwig Meister, denn in München haben wir nur einen Fahrer. Ich denke also, dass der Gewinn an Effizienz nicht hoch genug wäre. Aber bevor wir ein anderes Beispiel besprechen, wollte ich auf die Themen zurückkommen, bei denen Ihr glaubt, dass KI einen Mehrwert in der Lieferkette schaffen kann. Du sagtest, Du hast / Ihr wollt die Effizienz erhöhen. Dies war das Beispiel der Fahrer. Und dann habt Ihr die Reduzierung von Risiken oder die Verbesserung der Widerstandsfähigkeit. Habt Ihr ein Thema, bei dem Linde jetzt einige Projekte aufnimmt, oder hast Du ein/einige Gedanken zu diesem Thema?

DEXIN LUO: Auf der Resilienzseite natürlich. So haben wir uns traditionell immer auf Sicherheit und Belastbarkeit konzentriert. Und hier kann man mit Hilfe von KI viele Dinge tun. Wir haben beispielsweise ein Projekt in den Bereichen Sicherheit und Verkehrssicherheit durchgeführt. So sind wir in der Lage, viele Daten zu verwenden, nicht nur die internen Daten von Linde, sondern auch den externen Verkehr, weißt Du, den Straßenbau, richtig, die Straßenmerkmale und auch das Fahrverhalten der Bevölkerung, wie z. B. ob es einen Unfall gab, um vorherzusagen, ob/wenn ein Fahrer in einen bestimmten Bereich einfährt, wie hoch ist die Wahrscheinlichkeit, in einen Unfall einzufahren, damit sie das vermeiden können, oder? In ähnlicher Weise weiß ich, dass ihr für viele Unternehmen wahrscheinlich nicht so viele Fahrer habt, aber in ähnlicher Weise haben wir es getan, dass Ihr die wichtigsten Risikofaktoren in Eurer gesamten Lieferkette mit Hilfe einer Menge externer Daten vorhersagen konntet. In Eurem Beispiel könntet Ihr zum Beispiel darüber nachdenken, hey, wenn ich Ausrüstung aus einem bestimmten Land beschäume, oder? Und für mich ist es blind, was passiert und was das Versorgungsrisiko beeinflussen kann. Und hier können Sie viele externe Daten verwenden, um Ihr Lieferantenrisiko vorherzusagen, um das Risiko dieses Landes oder sogar der jeweiligen Stadt, in der die Produktion hergestellt wird, vorhersagen zu können und eine Korrelation mit dem gesamten Lieferkettenrisiko Ihres Unternehmens zu haben.

MAX: Ja, ich denke, das ist ein gutes Beispiel. Für uns, im Moment, was wir getan haben, ist, dass wir / aber es ist manuelle Arbeit. Wir haben eine Art von Risikofaktoren für die verschiedenen Länder geschaffen. Wir beziehen nicht so viel in China, aber wir haben viele Lieferanten auch in Italien, zum Beispiel. Und dann haben wir ein/ es ist ein Faktor. Und wir haben versucht, das Supply-Chain-Risiko zu berechnen. Aber es ist/ im Grunde, es ist Excel-Blatt-Logik. Es werden also keine Echtzeitdaten verwendet. Es ist Handarbeit. Ich denke also, dass dies ein wichtiges Thema für die Zukunft sein könnte. Also denke ich, Du hast definitiv Recht, ja.


MAX: Wenn wir über / so vielleicht, weil / wie / so wenn Dich auf einer Cocktail-Party  jemand fragt , „Was machst Du? Wie erklärst Du KI? Und, wenn jemand fragt: „Ich möchte es für mein Unternehmen verwenden“, oder, „Ich habe eine besondere Idee. Wie soll ich anfangen?“ so Wie erklärst Du das? Weil ich mir vorstelle, dass es/ Du wirst das irgendwann gefragt werden?

DEXIN LUO: Ich denke, wie wenn man auf einer Cocktail-Party ist, ist der einfachste Weg zu erklären, was KI ist, ist Gesichtserkennung, richtig, wenn Du versuchst, Dein iPhone oder Alexa Sprachassistent zu öffnen, nicht wahr? Das ist, was die Menschen am meisten mit der Art von Technologien zu tun haben. Und wir nutzen diese Art von Computer Vision-Technologie auch, um unsere Ressourcen zu erkennen und eine Lieferkette transparenter zu machen. Und das wären Beispiele, die ich nennen könnte. Ich denke, richtig, also vielleicht, zu einem Bereich in der Lieferkette zu gehen, auf den sich jeder beziehen kann, ist die Nachfrageprognose, oder? So wir wissen also, dass die Lieferkette diesen Bullwhip-Effekt hat, und die Genauigkeit der Nachfrageprognose ist sehr wichtig. Je genauer sie sind und desto besser kann man planen, richtig, im Allgemeinen. Genau aus diesem Grund kann KI helfen. In den letzten Jahrzehnten haben die Menschen dies die ganze Zeit getan. Und warum kann KI nicht besser werden? Es ist vor allem, wie ich erwähnte, vielleicht auch wegen zwei wichtigsten Faktoren. Eine davon sind viel mehr Daten, die intern mit IoT-Sensor zur Verfügung stehen, auch extern, die man nutzen kann, ob Ereignisse/ zum Beispiel das wir in München leben. Das Oktoberfest ist ein Großereignis, das unsere CO2-Nachfrage stark beeinflusst. Und solche Informationen kann man in einen Bedarfsprognose-Algorithmus setzen. Das ist also der/der Algorithmus kann lernen, viel mehr Dynamik zu verstehen, die Eure Kundennachfrage beeinflusst. Ich denke also, dass dies vielleicht ein Beispiel ist, das ich nennen würde.

MAX: Okay. Ich denke, das Oktoberfest ist also ein gutes Beispiel. Das CO2 wird also in Restaurants und Bars zum Anzapfen, zum Anzapfen eines Bieres oder so?


MAX: Okay. Was ist für die Bedarfsplanung wichtiger, wenn Du sagst, dass Ihr externe Daten verwendet? Ist es der Verlauf/ Eure Verkaufshistorie, oder sind es die externen Daten? Was denkst du?

DEXIN LUO: Es hängt weitgehend vom Kunden, richtig und dem Produkt ab. So wird man sehen, dass ein Produkt eine viel saisonalere artitheitierte oder viel mehr von externen Ereignissen wie dem Oktoberfest beeinflusst ist. Und einige Produkte werden sehr regelmäßig gefahren. Also, was genau dort ist, wo KI helfen kann, weil man in der Lage ist, den Kunden zu segmentieren und die Prognose in jedem Segment individuell zu machen, richtig, und aus vielen verschiedenen Daten zu lernen, so dass man die Genauigkeit sehr hoch erhöhen kann.

MAX: Okay. Du hast also gerade die Kundensegmentierung erwähnt. Und ich denke, das ist eines der größten Themen für unser Unternehmen, weil wir sehr unterschiedliche Kundentypen haben, zum Beispiel eine Papiermaschinenfirma oder eine Produktionsfirma von Pumpen und Motoren. Die Nachfrage ist also sehr unterschiedlich, oder sie ist einzigartig für jede Art von Unternehmen. Wenn ich einen KI-Algorithmus in meinem Unternehmen verwenden möchte, der mir hilft, beispielsweise ähnliche Kundensegmente zu identifizieren, wie würdest Du ein solches KI-Projekt starten?

DEXIN LUO: Ich denke also, die erste Frage, die ich Dir als Geschäftsinhaber immer stellen würde, wäre, warum wollt Ihr die Kunden segmentieren? Wollt Ihr eine bessere Supply-Chain-Planung machen? Möchtet Ihr diesen unterschiedlichen Kunden unterschiedliche Marketingstrategien oder Produktdienstleistungen anbieten? Ich verstehe, dass es mehr auf der Lieferkette Seite ist, nicht wahr?

MAX: Ja, ja. Für uns ist es/ wir wollen Mehrwert innerhalb der Lieferkette für unsere Kunden. Wir müssen also die richtigen Dienstleistungen und Produkte zu dem Zeitpunkt haben, an dem unser Kunde das Produkt oder die Dienstleistung benötigt, ja.

DEXIN LUO: Ja. Also richtig. In dieser Hinsicht, der Grund, warum ich frage, warum müssen/ am Ende des Tages, Ich hoffe, es ist klar für alle, die wir vor allem über Software-Entwicklung sprechen, richtig, obwohl es all diese ausgefallenen Algorithmen hinter. Der Grund, dass ich frage, „warum“ ist, weil man verstehen muss, ob / annehmen, ich kann / vergessen, wie. Angenommen, ich kann Dir eine perfekte Segmentierung geben. Wie würdest Du sie verwenden? Welche Maßnahmen würdest Du ergreifen? Wer ist der Endnutzer einer solchen Software, oder? Das ist das Wichtigste. Und Du musst Deine Unternehmens-DNA und Deine Prozess kennen, nicht wahr? Also und dann kannst Du herausfinden / Du kannst / ich nehme an, wenn die / je nach Unternehmensgröße, kannst Du einen Data Scientists einstellen oder ein Data Science-Team extern finden, finde einige Unternehmen, um Dir zu helfen, herauszufinden, wie man segmentiert. Aber wir können zu den technischen Details gehen. Aber weißt Du, es ist eigentlich nicht so kompliziert, nicht wahr? Du kannst also z. B. eine andere SKU haben. Und da willst Du entscheiden, okay, was sind die Eigenschaften, die mein Angebot beeinflussen, wie sie zu unterscheiden? Könnte die Größe der SKU sein, könnte, weißt Du, unterschiedliche Lieferhäufigkeit, könnte unterschiedlich Kunden Buy-in-Glauben sein, etc., etc., etc. Und dann  / ja, der Rest / so AI, Die Leute sagen, dass es vor allem um Feature-Engineering geht. Das ist eigentlich Domain-Expertise das wird von Eurem Unternehmen benötigt. Und der Rest ist nicht so kompliziert. Es gibt also viele verschiedene Clustering-Algorithmen, wie K-Mittel, K-Prototyp, etc., etc. Und dann, wenn Ihr die Segmentierung aufbaut, müsst Ihr versuchen zu interpretieren, was das bedeutet. Und das ist ein iterativer Innovationsprozess. Zusammenfassend würde ich also sagen: Wie macht man KI? Man versucht zunächst zu verstehen, warum man das tut. Und man kann einen Prozess wie Design Thinking verwenden, um herauszufinden, was ist meine und was der Endbenutzer, der auf meine Software reagieren kann? Und dann macht man einen iterativen Innovationsprozess, um ihn zu verbessern.

MAX: Okay. Okay. Ich verstehe also, und ich denke, das ist vielleicht das größte Lernen der letzten 20 Minuten. Wenn Du KI in Deinem Unternehmen verwenden möchtest, geht es nicht darum, darüber zu diskutieren oder darüber nachzudenken, was wir tun könnten, aber es ist sehr wichtig, wirklich zu fragen, warum wir es tun möchten, und die Frage zu stellen, welche Art von Service man entwickeln möchte oder welchen Wert man hinzufügen möchte. Und nachdem man dies getan hat, und das ist wirklich ich denke, die größte Frage, dann sollte man beginnen, die richtigen Leute zu suchen, oder man hat sie vielleicht im Haus, weil ein Datenwissenschaftler immer sehr groß klingt, aber wenn man wirklich anfängt, seine eigenen Daten zu betrachten, bin ich ziemlich sicher, dass man bereits eine Menge Dinge sehen kann. Aber man muss die Ressourcen und die Zeit investieren, um sich die Daten wirklich anzusehen. Und gleich nach diesem Schritt würde man versuchen, wirklich KI-Algorithmen zu verwenden, oder, ich habe keine Ahnung, wie sie funktionieren, aber dann würde man versuchen, es zu verwenden. Und dann fügt die Interpretation der Daten am Ende wirklich den Wert hinzu und ist der letzte Schritt. Ist es richtig?

DEXIN LUO: Ja, sicher. Ich denke, dass sich die Technologie in dieser Zeit im Allgemeinen extrem schnell entwickelt. Es ist immer gut, ein internes Know-how zu haben, um zu verstehen, wo man was suchen und was ein guter Partner wäre. Der Rest ist genau so, wie Du gesagt hast.

MAX: Okay. Vielleicht also noch eine letzte Frage. Wenn Du jemanden hast, der zur Cocktailparty zurückkehrt, hast Du eine/eine Art Website oder einen Inhalt, auf den Du wirklich verweisen könntest, wo jemand mehr erfahren oder mehr Details erhalten kann, oder wie wirst Du/wie Du inspiriert?

DEXIN LUO: Das ist eine gute Frage. Also ich mache viele verschiedene Dinge. Du weißt, für jeden, die einfachste Sache ist, dass Du eine Google-Warnung einrichten kannst, um zu wissen, was sind die neuesten KI-News? Und es gibt viele verschiedene Gemeinschaften,Websites. Wie zum Beispiel ist Towards Data Science ein Gutes. Es ist ein guter Blog, in dem viele der Top-Datenwissenschaftler posten. Und es gibt eine Menge Open-Source-Free-Kurse, den man nehmen kann. Und in vielen Städten gibt es Begegnungen. In München zum Beispiel gibt es eine Gemeinschaft. Es gibt Treffen, zu denen Du gehen kannst, um mit Kollegen zu tauschen und mehr über die Technologie zu verstehen. Also ja, es gibt viele Dinge, die man tun kann.

MAX: Okay. Also würde ich mich freuen, wenn wir die Beschreibung des Blogs unten nennen können. Und wann immer diese Corona-Krise vorbei ist, können wir uns vielleicht bei einem Treffen hier in München treffen. Ich würde mich freuen, mehr zu erfahren.

DEXIN LUO: Das klingt toll. Hoffentlich auch während der Oktoberfestzeit.

MAX: Ja, dann vielleicht nächstes Jahr. Wir werden also sehen. Aber ja, Dexin, also vielen Dank für Deine Einsichten. Und wenn einer der Zuhörer noch ein paar Fragen hat, so würde ich den Kontakt weitergeben, oder jeder kann mir eine E-Mail an senden. Und ich werde die Fragen dann weitergeben. Also werden wir eine zweite Show machen. Ich bin  sehr dankbar. Vielen Dank für Deine Zeit und alle Erkenntnisse.

DEXIN LUO: Vielen Dank, Max, dass Du mich eingeladen hast.



Linde Group

Ludwig Meister

Towards Data Science




Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.