LOGISTIK express
LOGISTIK express 4/2020 | S38 Unternehmen nutzt NN (sog. Convolutional Deep Neural Networks) auch zur Extraktion von Merkmalen aus Produktbildern, die für das Bereitstellen von individuellen Empfehlungen an Kunden verwendet werden. Die BMW Group 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, z. B. 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 künstliche, neuronale Netzwerke auf den Grafikkartenbasierten Servern zu trainieren. Dadurch sollen Logistikprozesse und -innovationen weiter optimiert werden. Die Roboter wurden auf der vom amerikanischen Grafikprozessor-Hersteller NVIDIA entwickelten ISAAC-Robotics- Softwareplattform entwickelt. Der amerikanische Logistiker GlobalTranz 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. Wie KI die Logistik verändern wird 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 höherer 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 wir so weit sind, dass wir ganze Lieferketten vorausberechnen und -steuern können, dann kann man die Digitalisierung der Geschäftsprozesse nahezu als abgeschlossen betrachten“, erklärt Thomas Reppahn, Leiter Zentrale Logistics Product and Process Management der Schenker Deutschland AG. 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. (DR)
eCommerce Logistik - Day
