Wie Künstliche Intelligenz die Logistikwelt revolutioniert

Stefan Seufert, CTO/Vorstand EIKONA AG
Älterer Mann mit grauen Haaren steht in einem Labor und spielt Schach gegen Künstliche Intelligenz

Ein Schlagwort, das für Viele nach Science-Fiction klingt, verfügt über das Potenzial die Logistik zu revolutionieren: Künstliche Intelligenz (KI). Mit dem Fachbegriff aus der Informationstechnologie ist eine Anwendung gemeint, die sich durch das Verarbeiten großer Datenmengen selbständig weiterentwickelt sowie Prognosen aufstellt und eigene intelligente Entscheidungen trifft.


Von KI-Technologien gehen Potenziale aus, die zu erheblichen Verbesserungen in der Logistik führen können. Denn selbstlernende Prozesse können unter anderem:

  • Daten in Echtzeit erfassen und verarbeiten
  • große Datenmengen analysieren
  • Muster erkennen und daraus Vorhersagen treffen
  • Lagerprozesse automatisieren
  • komplexe Netzwerke simulieren und deren Auslastung prognostizieren
  • Echtzeitentscheidungen treffen.

In der Logistik verfügen KI-Lösungen über die Schlüsselfähigkeiten zu einer gravierenden Veränderung von Wertschöpfungs- und Lieferketten. Sie benötigen hohe Rechenleistung große Mengen relevanter Prozessdaten und menschliche Coaches.


Voraussetzungen schaffen

Künstliche Intelligenz braucht intensives Training

KI-Anwendungen können in Sekundenbruchteilen aus Ähnlichkeiten Muster ableiten und daraus ein ideales Vorgehen ermitteln. Sie wissen etwa, mit wie großer Wahrscheinlichkeit eine Sendung pünktlich ans Ziel gelangt. Sie können ermitteln, auf welchen Strecken eine Spedition tägliche Direktverkehre benötigt – in Anbetracht des Sendungsaufkommens ihrer eigenen Kunden. Oder ob derselbe Dienstleister sich besser einer Speditionskooperation anschließt als mit eigenem Partnernetzwerk zu arbeiten. Um diese Bewertungen vornehmen zu können, muss die KI zunächst mit einer ganzen Reihe an Parametern und einer Vielzahl an historischen Daten versorgt werden. Außerdem benötigt sie gewissermaßen ein Training von Grund auf, um sich über einfache Fragestellungen mit vorgegebenen Antwortmöglichkeiten (ja/nein, groß/mittel/klein, intakt/defekt etc.) zu komplexen Zusammenhängen vorzuarbeiten. In diesem Lernprozess ist der Mensch für die KI gleichermaßen ihr Lehrer und Sparringspartner. Denn obwohl sie lernfähig ist, kann sich die Maschine weder ihre eigenen Ziele setzen noch sich selbst ein Feedback zur Richtigkeit ihrer eigenen Bewertungen geben. Für beides benötigt sie menschliche Entwicklungspartner mit viel Geduld und Zugriff auf umfassendes und relevantes Datenmaterial. Denn das Training einer KI ist ein langwieriger Prozess, der darüber hinaus großes Fachwissen erfordert. Der menschliche Coach macht Antwortvorgaben und stellt die passenden Beispiele zur Verfügung, während die KI Daten analysiert, Zusammenhänge erkennt und draus lernt. Der Mensch wird also nicht als Trainer im klassischen Sinne und direktes Gegenüber bei jedem Lernschritt benötigt. Auf einer guten Ausgangsbasis kann das sogenannte Machine Learning (ML) beginnen, also die eigenständige Weiterentwicklung der KI durch Musteranalyse und abgeleitete Schlussfolgerungen.


Ziele festlegen

Welche Erkenntnisse sind wichtig?

Für eine wertvolle Entwicklung braucht die Software die Antworten auf eine Reihe zielführender Fragen. So muss sie zum Beispiel zunächst erlernen, wann eine Sendung pünktlich ist, um durch weitere Erkenntnisschritte Vorschläge zur Verbesserung der Flottenpünktlichkeit machen zu können. Ein wichtiger Schlüssel dazu ist das Datenmaterial, mit dem die Software Zusammenhänge erlernt. Dafür gelten höchste Ansprüche: Es sollte sowohl fehlerfrei als auch relevant sein. Dementsprechend sollten irrelevante Daten von vornherein aus dem Trainingsmaterial entfernt werden. Ein plakatives Beispiel: Niemand kann einen sinnvollen Zusammenhang zwischen der Pünktlichkeit von Sendungen und der Schuhgröße von Disponenten oder deren Haarfarbe herstellen. Also müssen diese Informationen für eine Bewertung nicht erhoben werden. Anders herum betrachtet, gilt: Je mehr relevantes Datenmaterial eine KI erhält, desto überraschender werden ihre Ergebnisse für uns Menschen.


Big Data

Mehrwerte durch Datenauswertung erzielen

Somit liegt der größte Hebel zur Effizienzsteigerung mittels KI in der Auswertung ungenutzter Daten. Sie bieten die Potenziale zu Prozessverbesserungen, Margensteigerungen und Kostensenkungen. Darüber hinaus lässt sich damit die Versorgungssicherheit vergrößern. Voraussetzung dafür ist allerdings, Logistikprozesse als Zusammenhänge darstellen zu können, die sich über Fragen mit Ergebnisvorschlägen  abbilden lassen. Das wiederum begünstigt die Grundstruktur der Logistik per se: Sie besteht aus klar definierten einfachen Prozessen, die sich ohne Schwierigkeiten automatisch auswerten lassen. Erst wenn diese komplex miteinander vernetzt sind, werden sie für menschliche Planer undurchschaubar. Denn sie müssten Zusammenhänge innerhalb des Unternehmens (vertikal) und über Betriebsgrenzen hinweg (horizontal) erkennen und bestimmen können. Was die Grenze der geistigen Leistungsfähigkeit eines Menschen überschreitet, wird für eine KI zur optimalen Trainingsumgebung. Denn in sogenannten Künstlichen Neuronalen Netzen (KNN) stellen KI-Anwendungen die Verbindungen zwischen Mustern her, die sie erkannt haben. Indem sich die Netze immer weiter verzweigen, kann die KI Lösungen für immer komplexer werdende Fragestellungen entwickeln. Deren Entstehung ist dann oftmals für ihre menschlichen Trainer kaum noch oder gar nicht mehr nachvollziehbar. In der Summe werden daraus Prozessverbesserungsvorschläge – deren Umsetzung die Coaches je nach Reifegrad autorisieren oder automatisch freigeben: vom Machine Learning bis zum Deep Learning. So steht etwa die Liefergeschwindigkeit eines Produkts nicht mehr nur in Zusammenhang damit, ob es direkt nach Fertigstellung von einem Lkw abgeholt wird. Auch Tageszeit, Wetter, Verkehrsdichte, Fahrzeuggröße und weitere Faktoren bringen sie miteinander in Verbindung. So können sie zuverlässigere Ankunftszeitprognosen treffen, als es etwa die Lieferzeitangaben in Online-Shops derzeit vermögen. Auf den Alltag einer Spedition angewendet, könnte sie nach einer KI-basierten historischen Datenanalyse ihren Empfängern beispielsweise einen Zustellfahrplan zur Verfügung stellen. Darin fänden diese dann ihr wahrscheinlichstes Zustellzeitfenster, innerhalb dessen der Nahverkehr für sie bestimmte Sendungen ausliefert. Auf diese Prognose könnten die Betriebe wiederum ihre Anschlussprozesse einstellen.


Schneller ans Ziel

Dem Zufall ein Schnippchen schlagen

Das Ziel hinter komplexen Datenanalysen ist es, die Prozessplanung so weit zu verbessern, dass es kaum noch zu Abweichungen – und damit zu Ausführungsfehlern – kommen kann. Aus der Analyse großer Datenmengen werden also Prognosen, die einen störungsfreien Prozessablauf ermöglichen. Das gelingt etwa, wenn Verlader ihre Produktionsplanung, eingehende Kundenaufträge und den tatsächlichen Fertigungsverlauf zur automatischen Versandplanung und Transportbeauftragung einsetzen. Dann erhalten Auftraggeber ihre Lieferungen in der kürzest möglichen Zeitspanne. Werden solche Daten über einen längeren Zeitraum mit genügend aussagekräftigen Ereignissen ausgewertet, ermöglichen sie auch Speditionen eine deutlich präzisere Kapazitätsplanung: Ihnen steht dann die exakt benötigte Anzahl an Nahverkehrsfahrzeugen für sämtliche Abholungen und Zustellungen zur Verfügung. Die zuverlässigsten Ergebnisse entstehen, wenn alle Partner entlang der Wertschöpfungskette ihr Wissen miteinander teilen. Schließlich vergrößert jede zusätzliche relevante Information die Wahrscheinlichkeit einer perfekten Prognose und verbessert zudem die Wirtschaftlichkeit.

Perfekte Prognose

Jeden Wunsch von den Augen ablesen

Wenn also alle Beteiligten mitspielen, verändert die Logistik ihr Gesicht grundlegend. Denn mit derart genauen Vorhersagen wird es möglich, den Großteil von Logistikprozessen bereits durchzuführen, bevor ein Interessent überhaupt seine Kaufentscheidung getroffen hat. Das beginnt bei intelligenter Lagerhaltung, die Waren bereits in unmittelbarer Nähe zum Empfänger in der benötigten Menge bereithält. Es umfasst eine dynamische ressourcenorientierte Preisfindung und die bestmögliche Disposition samt Tourenplanung. Durch Störungsvorhersage, ideale Kapazitätsplanung mit bestmöglichem Frachtraumeinkauf und den perfekten Kundenservice vollautomatischer Chatbots gelangt die Ware über die direkteste Route exakt zum benötigten Zeitpunkt ans Ziel – in der bestmöglichen Transportqualität. Das alles gelingt durch die Echtzeitentscheidungen selbstlernender Maschinen – wenn wir Menschen ihnen die richtigen Fragen stellen.

Wann revolutionieren Sie Ihre Logistikwelt?


Stefan Seufert
Stefan Seufert
CTO / Vorstand

Wie kein Zweiter fuchst sich der Software-Entwickler als Meister des Konzepts in die Anforderungen von Logistikdienstleistern. Informationen sicher und effizient auszutauschen und damit auch den physischen Logistik-Prozess zu beschleunigen, ist seine Leidenschaft.


Einen Kommentar schreiben

Bitte rechnen Sie 7 plus 2.