Künstliche Intelligenz trifft proaktive Aussagen über Logistikprozesse

Wie lernende Systeme das Supply Chain Management verbessern und erleichtern. In diesem Zusammenhang ist Künstliche Intelligenz (KI) Zeit das „Buzzword“ schlechthin.

Gastbeitrag: Mirko Hartig.

Im Grunde genommen streben wir doch alle danach, stets die angemessenste Technologie zur Lösung unserer Probleme zu benutzen. Gerade die Logistikwelt mit ihren hohen Anforderungen an Effizienz und hohem Wettbewerbsdruck ist daher stets an neuen Möglichkeiten der Optimierung interessiert. In diesem Zusammenhang ist Künstliche Intelligenz (KI) seit geraumer Zeit das „Buzzword“ schlechthin. Sie ist ein Bereich der Informatik, welcher versucht, intellektuelle Aufgaben, die normalerweise von Menschen ausgeführt werden, zu automatisieren – die Routenberechnung in den Navigationsgeräten ist dafür ein gutes Beispiel (und niemand will das mehr missen).

Ein kurzer Überblick über KI, maschinelles Lernen und Deep Learning.
Zum Bereich der künstlichen Intelligenz gehören auch das maschinelle und tiefe Lernen. Wie diese Gebiete zueinanderstehen, soll die folgende Grafik verdeutlichen. In der klassischen Programmierung programmiert man explizit die Regeln, nach denen Daten verarbeitet werden sollen. Und dies ist in vielen Situationen auch ausreichend. Bei den Aufgaben in der Transportlogistik beeinflussen jedoch sehr viele Variablen den optimalen Prozessablauf, was eine effektive Lösung mit vorher festgelegten Regeln deutlich erschwert. An dieser Stelle kommt das maschinelle Lernen ins Spiel. Sind also die Prozesse zu kompliziert, um sie mit festen Regeln zu beschreiben, dann macht es Sinn, diese Technik einmal genauer zu betrachten. leogistics hat den Ehrgeiz, logistische Prozesse mithilfe von KI zu optimieren.

Maschinelles Lernen.
Das faszinierende am maschinellen Lernen ist, dass das System nicht explizit programmiert, sondern mit sehr vielen Beispielen (Daten) trainiert wird. Vereinfacht gesagt, werden die zu verarbeitenden Daten und die gewünschte(n) Antwort(en) bzw. Ergebnisse in das System gegeben. Dieses findet dabei nach und nach statistische Strukturen in den Daten und erstellt daraus entsprechende Regeln. Und genau diese Regeln können dann dazu genutzt werden, um über die vom System vorher nie gesehenen Daten Aussagen zu treffen.

Deep Learning.
Deep Learning ist ein spezifisches Teilgebiet des maschinellen Lernens. Es bildet eine neue Sichtweise auf Lerndarstellungen aus Daten, die den Schwerpunkt auf das Lernen aufeinanderfolgender Schichten von immer aussagekräftigeren Darstellungen legt. Heutige Deep-Learning-Modelle bestehen aus dutzenden oder gar hunderten von aufeinander folgenden Schichten von Darstellungen, welche mit den Daten automatisch trainiert werden. Diese gestapelten Schichtdarstellungen werden in der Regel über Modelle trainiert, die auch als “neuronale Netze” bezeichnet werden und beispielsweise in der Bilderkennung sehr verbreitet sind. Das vielleicht prominenteste Beispiel hierfür ist die Entsperrung des Mobiltelefons per Face-ID.

Die Bedeutung von KI in der Logistik.
Bei Logistikprozessen werden täglich riesige Mengen an Daten erzeugt. Warum sollten diese Daten nicht benutzt werden, um KI-Systeme in Betrieb zu nehmen? Dadurch ist es möglich, manuelle oder bereits automatisierte Prozesse z. B. zeitlich zu optimieren – das myleo / slot-Zeitfensterbuchungssystem erzielt so schon heute eine effiziente Steuerung und Planung von Beladungen und Entladungen an der Laderampe. Auch können neue Methoden und Verhaltensweisen definiert werden, welche im besten Falle aus reaktiven Prozessen proaktive macht. Für die Planungssicherheit würde dies konkrete Vorhersagen für die Zukunft anstelle von Vermutungen oder Schätzungen bedeuten.

Der Einsatz von KI-Systemen verspricht also neue Möglichkeiten und Potenziale, die Produktivität und Effizienz zu erhöhen und Kosten zu reduzieren. Dem gegenüber stehen jedoch auch Hemmnisse, welche es zu berücksichtigen gilt. Der Mangel an Spezialist:innen und Fachkräften bleibt ein altbekanntes Problem und auch die Sorge von Mitarbeiter:innen, dass KI-Systeme ihre berufliche Existenz bedrohen könne, sollte berücksichtigt werden. Sind diese Hürden jedoch überwunden, eröffnen sich Anwender:innen vielfältige Möglichkeiten, die Abläufe und Prozesse der gesamten Lieferkette zu optimieren.

Die bereits heute möglichen Anwendungen etablieren sich.
Bezahlbare leistungsfähige Hardware, schnelle Netzwerke und Speichermöglichkeiten in der Cloud verhelfen KI-Anwendungen schon jetzt zur weiten Verbreitung. Zweifelsohne, der umfangreiche Einsatz von künstlicher Intelligenz in der Logistik steckt noch in der Entwicklung und wird erst in den nächsten Jahren das volle Potenzial ausschöpfen können. Bis heute haben sich, und das nicht grundlos – jedoch schon einige Möglichkeiten der Anwendungen etabliert.

Fallbeispiel: Konsumabsichten durch KI vorausschauend planen.
So ist es beispielsweise möglich, Vorhersagen über Konsumabsichten von Endkunden zu machen. Werden Daten aus Verkaufsstatistiken und/oder sozialen Netzwerken mit in die Planung einbezogen, können etwa Über- oder gar Fehlbestände in der Lagerhaltung vermieden und letzten Endes Kosten eingespart werden.

Fallbeispiel: Lagerhaltung flexibel anpassen dank KI.
Auch die Lagerhaltung bei größeren Unternehmen ist mittlerweile automatisiert und KI-gestützt, indem zu den typischen Aufgaben auf Veränderungen reagiert wird und die folgenden Abläufe flexibel angepasst werden. So erkennt die Technik etwa Ware, welche häufig ein- und ausgelagert wird und platziert diese näher am Beginn eines Regals und spart dadurch Wege und wertvolle Zeit ein.

Des Weiteren können beispielsweise Korrelationen in Daten gefunden werden, welche die Qualität von Produkten oder Dienstleistungen betrifft. Die daraus neu abgeleiteten Metriken können dann zu einer weiteren Qualitäts- bzw. Serviceverbesserung führen. Vereinfacht gesagt: Wer hätte vor zwei Jahren gedacht, dass ausgerechnet die Arbeit im Homeoffice die Zahl der Krankmeldungen reduzieren würde. Eine KI, wäre sie mit den entsprechenden Daten trainiert worden, hätte dies voraussehen können.

Fallbeispiel: LKW-Zulauf und Wartungen KI-gestützt optimieren.
Weit verbreitet sind ebenfalls Systeme, die die voraussichtliche Ankunftszeit durch Beobachtung von Telemetrie-Daten eines Fahrzeugs an einem bestimmten Zielort vorhersagen. Diese Daten werden zur vorausschauenden Wartung genutzt. Reparaturen erledigt man doch besser, bevor ein Schaden entsteht. Das senkt die Wartungskosten, macht Wartungszeiten planbar und erhöht die Ausfallsicherheit.

Fallbeispiel: Auslastung der Lagertore durch Objekterkennung vorausschauend planen.
Die weiter oben erwähnte Deep-Learning-Technologie, also die visuelle KI, kann zur Objekterkennung eingesetzt werden. Dies ermöglicht beispielsweise einen vollautomatisierten Wareneingang, ohne dass es Bar- oder QR-Codes benötigt. Produkte, Abmessungen, Gewicht oder beschädigte Kartons sind mit dieser Technik identifizier-, mess- und zählbar geworden. Eine weitere Möglichkeit ist, Ladetore wie bei einem Kunden von leogistics von einer Kamera überwachen zu lassen.
Die Objekterkennung identifiziert, welches Tor frei bzw. besetzt ist und ermöglicht auch hier eine bessere Planbarkeit und Auslastung der Tore.

Ein Blick in die Zukunft – Science Fiction oder Realität?
In den nächsten Jahren wird die Logistik sicherlich von Datenbrillen unterstützt. Es werden zunehmend Waren von autonomen Fahrzeugen in den Lagern bewegt. Inventuren könnten autonome Drohnen übernehmen. Bis allerdings die Lieferroboter die Produkte zum Endkunden an die Haustür bringen, ist es noch ein weiter Weg. Aber die Anfänge sind gemacht! Denn es gilt: Jeder Schritt in Richtung „Maschinen verdienen für uns (die Gesellschaft) das Geld“ – und sei er noch so klein – ist ein Schritt in die richtige Richtung. Wer erst einmal verstanden, dass lernende Systeme mit den Eingangsdaten und den gewünschten Antworten erstellt werden und sich daraus die Regeln zur Datenverarbeitung ergeben, ist in der Lage, seine Logistikprozesse zu optimieren, wenn nicht sogar zu revolutionieren! Es lohnt sich also, sich mit KI näher zu befassen, neue Technologien einzusetzen und damit auch signifikant Geld zu sparen. (RED)

 

LOGISTIK express Journal 5/2021

Translate »