Wie Künstliche Intelligenz die Logistik revolutioniert

Beim Thema Künstliche Intelligenz (KI) streiten sich die Geister. Über die gesellschaftlichen und sozialen Auswirkungen der technologischen Revolution wird heftig debattiert. Dabei ist KI mit vielen Teildisziplinen bereits in viele industrielle, technische und gesellschaftliche Bereiche eingezogen. Zu den Teilgebieten der Künstlichen Intelligenz gehören mittlerweile viele Teilbereiche, deren Anzahl beständig wächst: Bots, Predictive Maintenance, Data Mining, Process Mining, Neuronale Netze, Machine Learning, Deep Learning, u.v.m. Deep Learning mit Hilfe neuronaler Netze ist der derzeit vielversprechendste Ansatz in der Künstlichen Intelligenz und wiederum ein Ansatz innerhalb des Machine Learning. 

Nach dem Gabler Wirtschaftslexikon versteht man unter KI „die Erforschung von intelligentem Problemlösungsverhalten sowie die Erstellung intelligenter Computersysteme. Sie beschäftigt sich mit Methoden, die es einem Computer ermöglichen, Aufgaben zu lösen, die vom Menschen zur Lösung Intelligenz erfordern.“ 

Beim Machine Learning werden dynamische Algorithmen anhand von großen Datenmengen (Big Data) trainiert. Dabei sorgen unterschiedlichste mathematische Algorithmen für eine automatische digitale Verarbeitung dieser Daten und somit für den Lernprozess. Der Fokus liegt auf der Optimierung der Ergebnisse bzw. Verbesserung der Vorhersagen aufgrund von Lernprozessen im Rahmen von Data Science (Extraktion von Wissen aus Daten). Die Algorithmen erkennen beispielsweise Regel- und Gesetzmäßigkeiten in den Daten und leiten Konklusionen und Aktionen daraus ab. Vereinfacht gesagt handelt es sich um eine (mathematische) Vorgehensweise, um ein Problem zu lösen. Anhand dieses Lösungsplans werden in Einzelschritten Eingabedaten in Ausgabedaten umgewandelt. Im Falle von Supply Chain-Daten in der Logistik suchen Computerprogramme, die auf Machine Learning basieren und entsprechende Algorithmen nutzen nach den einflussreichsten Faktoren in Bezug auf die effizienteste Lösung für die vorliegende Versorgungskette. Entscheidend dabei ist, dass sich die Algorithmen ständig durch Hinzulernen verbessern. 

Beim Tiefen Lernen (mehrschichtiges Lernen) werden künstliche neuronale Netze zur selbstständigen Informationsverarbeitung bzw. zur fortgeschrittenen Mustererkennung genutzt. Künstliche Neuronale Netze (KNN) sind Algorithmen, die nach dem biologischen Vorbild des menschlichen Gehirns modelliert sind. Durch große Datenmengen (Big Data) und stark gewachsene Rechenkraft hat Deep Learning an Relevanz gewonnen. Auch hier füttert man das neuronale System mit Trainingsdaten. Diese laufen dann allerdings durch ein Netzwerk an künstlichen Neuronen, das in Schichten angeordnet ist. Die Daten werden von einer Neuronenschicht zur anderen über sog. gewichtete Kanäle übertragen. Es existiert eine Input-Schicht, dazwischen sog. Hidden Layers und eine Output-Schicht. Man kann sagen, je höher die Anzahl der Hidden Layer ist, desto tiefer ist das Lernen. Durch Aktivierungsfunktionen werden bestimmte Neuronen aktiviert, die dann ihre Werte an die jeweils nachfolgende Schicht weitergeben. Durch die Neuronen der Hidden Layers wird den Werten eine jeweilige einzigartige Zahl (Bias) hinzugefügt. Durch Anpassung der Wichtung und die Bias lernt das neuronale Netzwerk. 
 
Tiefes Lernen ist extrem rechenintensiv und das Training kann über Monate andauern, um gute Vorhersagen und Entscheidungen treffen zu können. Deep Learning löst Probleme z. B. im Bereich der Sprach-, Text- und Bilderkennung, was ohne diese speziellen Algorithmen nicht möglich wäre. Gerade bei riesigen Datenmengen funktioniert Deep Learning weit besser als das maschinelle Lernen mit klassischen Algorithmen. Der Hauptunterschied zwischen Deep Learning und klassischem Machine Learning liegt in der Fähigkeit, unstrukturierte Daten durch KNN verarbeiten zu können. 

Die Einführung von Maschinellem Lernen in ihre Versorgungsketten wird für Unternehmen zunehmend wettbewerbsentscheidend. Es kann zudem genutzt werden, Probleme in der Supply Chain zu entdecken, bevor Betriebsabläufe gestört werden. Wenn die richtigen Algorithmen genutzt werden, sind die Einsatzmöglichkeiten nahezu unbegrenzt. Es ist beispielsweise möglich durch Erkennen von Synergien innerhalb mehrerer Versandnetzwerke die Frachtkosten zu senken, die Performanz von Zulieferern zu verbessern sowie allgemein das wirtschaftliche Risiko zu mindern. Beim Supply Chain Management kann ein Mangel an Synchronisation oder der Ausfall einer Instanz die gesamte Versorgungskette unterbrechen und zu einem gewaltigen finanziellen Schaden führen. Durch die Verbindung verschiedener algorithmischer Ansätze wie dem überwachten Lernen, unüberwachten Lernen und dem verstärkten Lernen können die Faktoren gefunden werden, die die Versorgungskette am meisten beeinflussen. Somit ist es möglich, entsprechende Vorkehrungen zur Sicherung oder redundanten Auslegung zu treffen. Weitere Anwendungen des Machine Learning finden sich in der Bestandssenkung und der Minderung von Betriebskosten, der Voraussage der Nachfrage nach Produkten sowie der Verlängerung der Lebensspanne von Maschinen, Fahrzeugen und Anlagen durch vorausschauende Wartung, etc. Durch die Kombination von Machinellem Lernen mit Advanced Analytics, IdD-Sensoren und Echtzeit-Überwachung kann die komplette Versorgungskette visuell in Echtzeit dargestellt werden. 

Tiefes Lernen mit Neuronalen Netzen (NN) wird in der Logistik neben der Sprach-, Text- und Bilderkennung beispielsweise bei der Wegeoptimierung eingesetzt. Bei einem bekannten Online-Händler für Mode werden die Laufwege der Mitarbeiter in den Logistikzentren verkürzt und die Pickrouten so optimiert, dass ein möglichst sinnvoller Weg durch die Regalreihen entsteht. Bei der Kombination aus Pickliste und Wegstrecke handelt es sich im Prinzip um eine komplexere Variante des Traveling-Salesman-Problems. Nach wie vor stellt die Rechenzeit der Algorithmen die größte Herausforderung für viele Anwendungen dar. Um diese Zeit auf wenige Millisekunden zu reduzieren, wurden beim E-Commerce-Händler eine Million zufälliger digitaler Picklisten generiert und mit Hilfe des Algorithmus mit der dafür errechneten Kommissionierzeit gelabelt. Die Daten wurden dann in ein NN eingespeist. Anhand dieser Informationen wird es trainiert und die Wegezeitenberechnung erreicht schließlich nur eine Fehlerrate von etwas über 32 Sekunden pro Stunde. Ein enormer Beschleunigungsfaktor kann durch Grafikprozessoren (GPUs) erreicht werden. Das Unternehmen nutzt sog. Convolutional Deep Neural Networks auch zur Extraktion von Merkmalen aus Produktbildern, die für das Bereitstellen von individuellen Empfehlungen an Kunden verwendet werden. 
 
Ein bedeutender deutscher Autohersteller arbeitet derzeit an der Entwicklung von fünf KI-fähigen Robotern zur Verbesserung der Logistikabläufe. Dies sind einerseits ein smart Transportroboter (STR) zum autonomen Materialtransport, als auch Logistikroboter zum Auswählen, Greifen und Handling von Bauteilen und Ladungsträgern. Die Roboter verwenden KNN beispielsweise zur Wahrnehmung, Segmentierung, Bestimmung der räumlichen Lage und Schätzung der menschlichen Position. Zusätzlich zu realen Daten werden die Logistikroboter mithilfe gerenderter Bilder trainiert, um Bauteile und Ladungsträger unter verschiedenen Sicht- und Lichtbedingungen zu erkennen. Die realen und synthetischen Daten werden anschließend verwendet, um KNN auf den Grafikkarten-basierten Servern zu trainieren. Dadurch sollen Logistikprozesse und -innovationen weiter optimiert werden.  
 
Ein amerikanischer Logistiker nutzt Deep Learning um Unternehmen beim Tracking von Finanzprognosen, Produktionstempo- und -fluss sowie Auftragsabwicklung zu helfen. Zudem können dadurch bessere Entscheidungen durch die Geschäftsführung getroffen werden. Laut der amerikanischen Computerzeitschrift Wired Magazine erwarten Experten die zunehmende Nutzung von Tiefem Lernen in der voraussagenden Instandhaltung von Maschinen, Ertragsoptimierung, Beschaffungsanalyse und Vorratsoptimierung. Die amerikanische Beraterfirma McKinsey sieht einen Wertezuwachs von Unternehmen durch die Einführung von Deep Learning-Technologien je nach Branche von ein bis neun Prozent der Unternehmenserträge. 

Besonders auch im Bereich der Lagerverwaltung und -technik wird die Automatisierung mit KI immer weiter Einzug halten. Durch sie wird die Lagerverwaltung agiler und reagiert schneller auf geänderte logistische Anforderungen. Eine wichtige Rolle beim smart Warehouse spielt dabei das Industrial-Internet-of-Things (IIoT) durch das alle Komponenten miteinander vernetzt werden. KI wird die Kommissionierung durch die Vorberechnung der benötigten Ladungsträger und Packmittel verbessern und die Zeiten verkürzen, Cobots und Fahrerlose Transportsysteme (FTS) steuern, die Bestandsverwaltung optimieren, die Kommunikation von Komponenten durch die Vernetzung stark verbessern, die Produktivität erhöhen u.v.m.. Der effektivere Einsatz von Personal durch KI-gesteuerte Einsatzplanung führt zu geringeren Personalkosten bzw. eine höhere Sicherheit durch Reservenbildungen (z. B für den Krankheitsfall).  
 
Das Logistics Trend Radar (2018/ 19) von DHL zeigt zwei übergreifende Trends auf, die durch den Einsatz von KI erst entstehen. Die Antizipatorische Logistik beschäftigt sich mit der Voraussage der Nachfrageentwicklung. Man muss wissen, dass die simulationsbasierte Planung eines der ganz großen Ziele der Digitalisierung ist, das gilt nicht nur für die Logistik, sondern für alle Branchen. Wenn ganze Lieferketten vorausberechnet und gesteuert werden können, dann kann man die Digitalisierung der Geschäftsprozesse nahezu als abgeschlossen betrachten. Der zweite Trend sind selbstlernende Systeme durch selbstlernende KI-basierte Algorithmen wie eben KNN. Einige Anwendungen in der Logistik wurden oben schon aufgezeigt. Die selbstlernenden KI-basierte Algorithmen eignen sich zum Erkennen wiederkehrender Ereignisse im Lager oder bei der Kommissionierung, die dann z. B. in bestimmte Kommissionierregeln umgesetzt werden können. Durch selbstlernende Systeme kann u. a. auch die rechtzeitige Nachbestellung von Artikeln in der benötigten Stückzahl automatisiert werden. 

Literatur:

Logistics Trend Radar, Version 2018/ 19, Delivering Insights Today, Creating Value Tomorrow, DHL Trend Research