DE
von Tim Varelmann
Diese Erfolgsgeschichte wird mit freundlicher Genehmigung von Dryft geteilt.
- 7-stellige Reduzierung des prognostizierten Lagerwertes (frühe Testergebnisse), bei gleichzeitiger Erhöhung der durchschnittlichen Materialverfügbarkeit
- Der Optimierungsansatz ist jetzt in eine API eingebunden, um Endnutzer direkt zu bedienen
- Seeker von InsideOpt wurde genutzt, um Unsicherheit im großen Maßstab zu handhaben
- Überzeugendes PoC in unter 3 Wochen geliefert, trotz Hindernissen
Dryft ist ein junges Startup mit Sitz in San Francisco. Dryft entwickelt KI-Agenten, die komplexe Zusammenhänge abbilden, implizites Wissen absorbieren und — gepaart mit mathematischer Optimierung — Entscheidungen mit menschlicher Intuition im Umfang von Maschinen-Skala treffen. Auf diese Weise automatisieren sie komplexe menschliche Entscheidungen in Fertigungsabläufen. Ende 2024 wandte sich Dryft an Bluebird Optimization, um an der Logik einer neuen Facette für ihre Plattform zusammenzuarbeiten: Optimierung von Dispatch-Parametern unter Unsicherheit. Zwei ihrer Kunden nutzen bereits den ersten KI-Agenten, und sie waren gespannt darauf, das nächste große Feature auszuloten.
Wir begannen mit engen Zeitplänen. Nur drei Wochen später sollten wir einen Proof of Concept (PoC) vor den beiden potenziellen Kunden präsentieren. Wir definierten drei Stufen von Zielen: minimal, realistisch und ambitioniert. Der Fortschritt lief reibungslos... bis ich mitten in der zweiten Woche von einer saisonalen Erkältung lahmgelegt wurde. Wir konnten in der dritten Woche weiter am PoC arbeiten. Wir erledigten die minimalen Anforderungen mit einem 16-Stunden-Samstag und hatten alle unverzichtbaren Dinge implementiert:
- Kapitalkosten
- Lagerkosten
- Bestellkosten (für mengenunabhängigen Aufwand)
- Strafen für Fehlbestände
- Simulation von Lagertrajektorien unter verschiedenen Planungsstrategien
Mit 1,5 Tagen verbleibender Zeit packten wir die Ergebnisse in klare Visualisierungen und eine überzeugende Präsentation. Die potenziellen Kunden waren beeindruckt, unser Projekt hatte einen erfolgreichen Start.
Wir wollten unseren minimalen PoC erweitern, um die "realistischen" Anforderungen zu erfüllen. Außerdem hatten wir im Laufe der ersten 3 Wochen eine Reihe wünschenswerter und sinnvoller zusätzlicher Anforderungen gesammelt. Also erweiterten wir den Umfang:
- Unterstützung von Mengenrabatten
- Handhabung von Artikeln mit sowohl kontinuierlichen (z.B. kg) als auch diskreten (z.B. Stück) Einheiten
- Realistische Modellierung von Unsicherheit
Wir hatten gute historische Daten, um Nachfragemuster zu beschreiben. Aber mit Standard-Open-Source-Solvern kamen wir nicht weiter. Die Methoden waren entweder zu simpel oder verlangten hellseherische Fähigkeiten, die in der Praxis nicht existieren. Für realistische Planung ist Unsicherheit nicht nur ein Ärgernis — sie ist der springende Punkt. Und unsere ersten Modellierungsversuche machten sehr deutlich, dass eine angemessene Berücksichtigung der Unsicherheit der Nachfrage und ihres Einflusses auf die Bestandstrajektorien mit Open-Source-Solvern nicht möglich sein würde.
Um dies anzugehen, testeten wir kommerzielle Solver-Optionen. Während ein klassischer MIP-basierter Solver theoretisch alles modellieren konnte, skalierten die Lösungszeiten nicht gut mit Unsicherheit. Seeker von InsideOpt, ein Newcomer in der Optimierungsszene, verfolgte einen ganz anderen Ansatz:
- Er sucht clever nach hochwertigen Lösungen, ohne zu beweisen, dass sie mathematisch optimal sind
- Seeker skaliert gut mit stochastischer Programmierung
- Der Solver kann nach einer vordefinierten Zeit beendet werden, was Laufzeiten deterministisch macht
- Und (mit geeigneten Modellen und Rechenzeit) liefert er Ergebnisse, die robust funktionieren, selbst wenn die Nachfrage von den Erwartungen abweicht
Das bedeutete, dass wir unser gesamtes Modell umformulieren mussten - nicht gerade eine Kleinigkeit. Aber mit praktischer Unterstützung von InsideOpt gelang uns die Migration schnell.
Heute wird das finale Optimierungsmodell in eine dedizierte API eingebunden, um Dryfts Kunden direkt zu unterstützen.
- Vorläufige Tests zeigen Potenzial zur Reduzierung des Lagerwertes um siebenstellige Beträge
- Gleichzeitig erwarten wir eine durchschnittliche Verbesserung der Materialverfügbarkeit von 5% oder mehr
- Diese optimierten Parameter liefern auch dann stabile Ergebnisse, wenn sich die Nachfrage unvorhersehbar verhält
Dryft CTO Leonie Freisinger fasst die Auswirkungen zusammen, die unsere Zusammenarbeit für sie hatte:
„Im Verlauf des Projekts konnte ich dir immer von den Herausforderungen erzählen, denen wir beim Kunden gegenüberstanden. Du hast sie verstanden und direkt mit potenziellen Strategien und überzeugenden Erklärungen geantwortet, was die Abwägungen zwischen unseren Optionen waren. Das hat unsere Entscheidungsfindung erheblich beschleunigt."
Wir hatten auch Unterstützung vom Dryft-Team, das dabei half, die beeindruckenden Ergebnisse für die Nutzer zugänglich zu machen.
Was dieses Projekt besonders machte, war nicht nur die Mathematik oder die Technologie — es war das Vertrauen, die Geschwindigkeit und die gemeinsame Verantwortung beim Lösen eines schwierigen realen Problems. Wir haben uns nicht mit dem Mindestmaß zufriedengegeben; wir haben Annahmen hinterfragt, uns schnell angepasst und ein Produkt geliefert, das sowohl hochmodern als auch praktisch ist.
Bei Fragen zu diesem Projekt oder wie Optimierung auf deine Herausforderung angewendet werden kann, melde dich gerne :)
Bleib auf dem Laufenden über Geschehnisse in der Optimierungswelt, indem du Bluebird Briefings abonnierst !
Beim Gurobi Summit in Wien wurde eine Solver-Tuning-Challenge zu einem Wettlauf um Performance – und um eine Sachertorte. Wie gezieltes Parametertuning, mir Kuchen und wertvolle Optimierungserkenntnisse brachte.
Hast du dich schon mal gefragt, wie der Weihnachtsmann alle Geschenke verpackt, wenn das Geschenkpapier knapp wird? Gemeinsam mit Chahira Mourad, entdecken wir wie Optimierung Weihnachten rettet. Mitmachen erwünscht mit unserem open-source Code!
