Die Rahmenbedingungen für logistische Aktivitäten haben sich in den vergangenen Jahren deutlich verändert. Die immer anspruchsvollere Kundschaft verlangt heute eine zeitoptimierte Belieferung – Stichwort «Same-day delivery». Die Logistik wurde zum entscheidenden Wettbewerbsfaktor. Die ständige Warenverfügbarkeit ist zur zentralen Herausforderung in praktisch allen Branchen geworden. Die Geschäftsmodelle und Strategien von Logistikunternehmen mussten und müssen sich den veränderten Rahmenbedingungen anpassen.
Konkret bedeutet dies eine weitgehende Automatisierung aller logistischen Prozesse und ihrer Steuerung. Hier kann künstliche Intelligenz mithelfen, diese Prozesse noch effizienter zu gestalten. Entlang der Supply-Chain schlummern Informationen, welche, intelligent miteinander verknüpft, dazu beitragen, die Prozesse entlang der Wertschöpfungskette noch intelligenter und leistungsfähiger zu gestalten.
Eine wichtige Rolle dabei spielen die mit diesen Transaktionen verbundenen Daten. Mit einer intelligenten Analyse aller Daten entlang der gesamten Supply-Chain kann sie effizienter gestaltet werden. Um diesen Vorgang weiter optimieren zu können, kam es zur Entwicklung des maschinellen Lernens. Es basiert auf adaptiven Algorithmen, die aus Daten lernen können, ohne auf eine regelbasierte Programmierung angewiesen zu sein. Dabei versuchen die Algorithmen Muster in vorhandenen Datenbeständen zu erkennen und die Daten zu klassifizieren. Mit dieser Analyse können bisher ungesehene Zusammenhänge entlang der Supply-Chain erkannt werden, damit daraus realistische Szenarios für die nahe Zukunft entwickelt werden können und der Warenfluss insgesamt agiler und weniger anfällig für Störungen gemacht werden kann. Die künstliche Intelligenz kann dazu beitragen, dass sich die Prozesse selbstständig und dynamisch an die sich wandelnden Anforderungen des Marktes anpassen können.
Machine-Learning-Systeme statt Papierkram
Noch immer spielen handschriftliche Dokumente eine Rolle innerhalb der Supply-Chain. Hier können selbstlernende Machine-Learning-Systeme eingesetzt werden, um ständig wiederkehrende Ereignisse im Lager oder in der Kommissionierung zuverlässig zu erfassen. Dadurch ist eine rechtzeitige automatische Nachbestellung von Artikeln in passenden Stückzahlen möglich. Aufgrund solcher Prognosen können die Hersteller ihre Produktion hochfahren, die Transportunternehmen können die im Einsatz stehende Flotte optimieren, und der Handel kann im Vorfeld die benötigten Bestände ordern und lagern. Mit antizipatorischer Logistik lassen sich Risiken entlang der Supply-Chain frühzeitig erkennen. Mit den selbstlernenden Systemen können anderseits Dokumente effizienter gelesen und verarbeitet werden. Zudem kann die rechtzeitige automatische Nachbestellung von Artikeln durch selbstlernende Algorithmen optimiert werden.
Solche Lösungen erfordern allerdings einen grossen technischen Aufwand sowohl an Rechnerleistung wie an Programmierung, was entsprechende Investitionen in Technik und Personal erfordert. Im Weiteren ist wichtig, dass in einer integrierten Supply-Chain das Lagersystem in der Lage ist, auf die Ausgaben der KI zu reagieren; ist dies nicht der Fall, erhält man eine Stand-alone-Lösung. Nach Ansicht der Firma SSI Schäfer, einem weltweit führenden Anbieter von intelligenten Logistiklösungen, ist eine schrittweise Integration von KI-Technologien in ein umfassendes und skalierbares Logistiksoftwaresystem die richtige Strategie.
Mittels künstlicher Intelligenz und intelligenter Algorithmik können beispielsweise Prognosen über das Bestellverhalten der Kundinnen und Kunden erstellt werden. Ein anderes Beispiel für den Einsatz künstlicher Intelligenz ist die Wegeoptimierung mit Deep Learning, denn beim Kommissionieren stellt sich stets das Problem der Berechnung der optimalen Wege für die Kommissionierer und Kommissioniererinnen.
KI steuert Roboter
Heute sind Lager in Betrieb, deren Operationen von einer künstlichen Intelligenz gesteuert werden. Meist handelt es sich dabei um «Fahrerlose Transportsysteme» (FTS). In solchen Lagern sind die einzelnen Produkte nicht mehr nach Kategorien gruppiert, sondern chaotisch in Regalen und Gängen verstaut. Für menschliche Kommissioniererinnen ergeben sich somit bei der Zusammenstellung einer Sendung beziehungsweise einer Bestellung oft unnötige Wege und Suchzeiten. Nicht so für den KI-gesteuerten autonomen Roboter. Kommt eine Bestellung herein, holt der erste verfügbare Roboter den Artikel, der seiner Position am nächsten gelagert ist, und transportiert ihn zu den menschlichen Packern im Lager.
Grundvoraussetzung ist, dass alle einzelnen Maschinen im Warenfluss voneinander lernen und gleichzeitig mit ihrem Feedback den gemeinsamen Gesamterfolg der einzelnen intelligenten Steuerungen gewährleisten.
Gesundheitswesen Verbesserung der Patientenresultate, Senkung der Kosten, schnellere und bessere Erstellung von Diagnosen
Bildungswesen Mehr Effizienz durch Automatisieren von Benotungen, KI-Tutoren
Finanzwesen Sammeln personenbezogener Daten und finanzielle Beratung
Juristischer Bereich Effizientere Prozesse dank automatisiertem Durchforsten von Dokumenten
Logistik «Intelligente» Roboter für Prozesse in der Lagerung und Produktion