LOGISTIK express
LOGISTIK express 4/2020 | S36 China E-Commerce: Innovationen auf der letzten Meile „Tiefes Lernen“ als Teilgebiet der Künstlichen Intelligenz revolutioniert die Logistik. Durch künstliche neuronale Netzwerke (KNN) können riesige Mengen (Big Data) an unstrukturierten Daten verarbeitet und analysiert werden. REDAKTION: DIRK RUPPIK DIRK RUPPIK JOURNALIST LOGISTIK EXPRESS Bild: BMW Group Beim Thema „Künstliche Intelligenz (KI)“ werden bei vielen Menschen Assoziationen zu Science Fiction- Filmen geweckt. Wer denkt da nicht an Cyborgs, Blade Runner und Replikanten? Aber wie weit ist die KI wirklich und wo wird sie in der Logistik bereits angewendet? Was sind die Zukunftsaussichten? 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.“ Zur KI 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 maschinellen Lernens. Daher soll es hier genauer betrachtet werden. Wie funktioniert tiefes Lernen? Beim maschinellen Lernen werden Algorithmen anhand von Daten trainiert. Beim tiefen Lernen werden künstliche neuronale Netze zur selbstständigen Informationsverarbeitung bzw. zur fortgeschrittenen Mustererkennung genutzt. Künstliche neuronale Netze (NN) 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
Bild: BMW Group 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 aktivert, 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, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten. Anwendungsgebiete des Deep Learning in der Logistik Neben der Sprach-, Text- und Bilderkennung wird tiefes Lernen in der Logistik beispielsweise bei der Wegeoptimierung eingesetzt. Beim Online-Händler für Mode Zalando 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 bei Zalando eine Million zufälliger 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
