LOGISTIK express 5/2021 | S54 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 MIRKO HARTIG ASSOCIATE TECHNICAL CONSULTANT IOT & AUTO- MATISIERUNG LEOGISTICS GMBH 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 Abbildung 1: Bereiche der künstlichen Intelligenz
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 Abbildung 2: Unterschied zwischen maschinellem Lernen und klassischer Programmierung
LOGISTIK express Ausgabe: 5/2021 HA
Laden...
Laden...