Low-Cost Asset Inventory Level Monitoring using a Neural Network

Abstract

There are always new use cases for artificial intelligence as it matures and gets even better. Artificial intelligence and specially machine learning have a special ability to find correlations in a complex web of relationships and that allows them to be used in many use cases. This thesis explores the possibilities of modelling and predicting inventory levels using neural networks in logistics applications. This way the application, that normally has only ability to show current inventory level, gets the ability the predict an ideal inventory level based on historical inventory levels. This way the ideal inventory levels can be used to create automated alarms to indicate unusually low inventory level. The thesis compares predictions made by different neural network models to predictions made by linear regression models. Neural network models and linear regression models are made using same input parameters. This allows direct performance comparisons between the models. Model training and testing are completed by using synthetic data that includes simulated inventory levels and times. Neural networks were able to follow the trends in the synthetic data and achieved an accuracy of 88.6 %. Linear regression on the other hand achieved an accuracy of 56%. There was not large performance difference between a neural network model with five parameters and a neural network model with two parameters. These results indicate that neural network models can be used to model inventory levels and the predicted ideal inventory level can be used to set automated inventory level alerts.

Tekoälyn kehittyessä sille löydetään yhä uusia käyttötarkoituksia. Tekoälyn ja erityisesti koneoppimisen kyky huomata korrelaatioita monimutkaisissa verkoissa mahdollistaa sen käytön monessa käyttötarkoituksessa. Diplomityö tutkii mahdollisuuksia inventaariotasojen ennustamiseen neuroverkkojen avulla logistiikka-applikaatiossa. Tällöin sovellukseen, joka normaalisti näyttäisi vain reaaliaikaisen inventaariotason, saadaan kyky ennustaa ideaali inventaariotason entisten inventaariotasojen perusteella. Tällä ideaalilla inventaariotasolla sovellus voi luoda itselleen automaattisti hälytystasot, jonka alitus voidaan hyödyntää automaattisissa hälytyksissä ilmoittamaan alhaisesta inventaariotasosta. Työssä vertaillaan erilaisten neuroverkkojen ennustuksia lineaarisen regression ennustuksiin. Neuroverkkoja ja lineaarisen regression malleja luodaan, siten että niillä on samanlaiset parametrit. Tämä mahdollistaa suoran vertailun eri mallien välille. Mallien koulutukseen ja testaamiseen käytetään synteettistä dataa, joka sisältää simuloidut inventaarioluvun sekä ajan. Neuroverkot pystyvät seuraamaan työssä käytetyn synteettisen datan trendejä ja saavuttaa parhaimmillaan 88.6 % tarkkuuden. Lineaarinen regressio puolestaan saavutti vain 56 % tarkkuuden. Tuloksissa ei ollut suurta eroa neljän parametrin neuroverkon ja kahden parametrin neuroverkon välillä. Näistä tuloksista voidaan todeta, että neuroverkkoja voidaan hyödyntää inventaariotasojen mallintamiseen ja ennustettua ideaalia tasoa voidaan käyttää automaattisten varoitusten asettamiseen. Tulevissa tutkimuksissa voisin keskittyä synteettisen datan korvaamiseen oikealla datalla sekä erilaisten neuroverkkojen rakenteiden testaamiseen.