Entwicklung einer Simulation zur Erzeugung synthetischer Eventdaten für die Anomalieerkennung
- In Zeiten immer schnellerer Marktzyklen und der steigenden Bedeutung von Nachverfolgbarkeit nimmt die Bedeutung von Supply-Chain-Event-Management-Systemen weiter zu. Die Effektivität dieser Systeme hängt dabei allerdings von der Korrektheit der gesammelten Daten ab. Fehlerhafte und unvollständige Daten können zu ungünstigen Reaktionen führen und somit Effizienzverluste und steigende Kosten verursachen. Ein Lösungsansatz zur Identifizierung und Beseitigung der fehlerhaften Daten ist die Anwendung von künstlicher Intelligenz in Form von Anomalieerkennung. Für die Entwicklung eines solchen Ansatzes ist es allerdings notwendig eine große Datenmenge verschiedener Szenarien bereitzustellen, sodass die künstliche Intelligenz aufbauend darauf einen Lernprozess durchlaufen kann. Aus diesem Grund fokussiert sich diese Masterarbeit auf die Entwicklung und Durchführung einer Simulation zur Erzeugung synthetischer Eventdaten einer generischen Supply Chain als Basis für die Entwicklung einer künstlichen Intelligenz in Form von Anomalieerkennung im Supply-Chain-Event-Management.
Für die Realisierung des Entwicklungsvorhabens werden im Simulationsprogramm AnyLogic mehrere modulare Supply-Chain-Elemente konstruiert, welche beliebig zusammengefügt werden können. Als Grundlage fungieren dabei die im Datenstandard EPCIS definierten Prozessschritte. Das Einstreuen fehlerhafter Daten soll durch ein konfigurierbares Störelement realisiert werden.
Erwartetes Ergebnis der Arbeit ist eine Simulation, die synthetische Eventdaten einer generischen Supply-Chain erzeugt und dokumentiert. Der generierte Datensatz enthält neben den korrekten Daten ebenfalls durch das Störelement erzeugte fehlerhafte Eventdaten.
