Deutscher Logistik-Kongress 2020: KI – Heute keine Katzen-Bilderkennung

Eine Fachsequenz auf dem Deutschen Logistik-Kongress widmet sich der pragmatischen Seite der Künstlichen Intelligenz.

Wie lässt sich Künstliche Intelligenz zum Forecast oder der Routenoptimierung nutzen? (Foto: Sergey / AdobeStock)
Wie lässt sich Künstliche Intelligenz zum Forecast oder der Routenoptimierung nutzen? (Foto: Sergey / AdobeStock)
Therese Meitinger

Gleich solle es nicht um das Erkennen von Katzen gehen – das versprach Moderator Dr. Christian Grotemeier, Geschäftsführer der BVL.digital GmbH, dem digital zugeschalteten Publikum zu Beginn des Panels zur Künstlichen Intelligenz. Statt des theoretischen Bilderkennungsevergreens standen unter dem Motto „Künstliche Intelligenz – Ziel oder Wirklichkeit?“ die konkreten Potenziale der Technologie für die Logistik auf dem Programm: Wie lassen sich Algorithmen für eine dynamische Routenplanung nutzen? Auf welche Weise profitieren Forecasts von lernenden Systemen? Und wie überträgt man KI-Learnings aus der Luftfahrt auf die Hamburger Hochbahn?

Dr. Clemens Beckmann, CEO der Bonner Greenplan GmbH, berichtete von der Entwicklung und Optimierung der gleichnamigen Plattform. Diese soll die zunehmende Komplexität der Routenplanung adressieren, die sich aus Einschränkungen wie Zeitfenstervorgaben und steigenden Paketvolumina ergibt. Dabei nimmt das DHL Start-up Abschied von fixen Routen – und ein Stückweit auch vom rein räumlichen Denken. „Wir planen in Raum und Zeit, arbeiten bei der Routenplanung mit einer Abstandszeitmatrix“, erläuterte BeckmLaann. So rechnet der KI-basierte Algorithmus etwa tageszeitabhängige Verkehrsfließgeschwindigkeiten pro Straßensegment in die Routenführung mit ein und generiert optimierte Startzeiten. Interessant ist das etwa für KEP-Dienste, Frachtführer oder Außendienstmitarbeiter.

Dass Greenplan dabei nicht mehr mit festgelegten Sektoren, sondern dynamischen Routen arbeitet, war dabei für so manchen Lkw-Führer gewöhnungsbedürftig. „Viele Fahrer betrachten Sektoren als ,ihr Gebiet‘ und reagieren irritiert, wenn sie plötzlich dauernd Routen fahren müssen, auf denen sie sich nicht auskennen“, schilderte Clemens Beckmann ein Learning aus der Arbeit für eine europäische Postgesellschaft. Als Reaktion entwickelte Greenplan einen „sanften Übergang“ der Schritt für Schritt von fixen Distrikten über überlappenden Distrikte hin zu dynamischen Routen. Künstliche Intelligenz setzt Greenplan in seinen Applikationen dosiert ein, um Verkehrsfließgeschwindigkeiten aus aggregierten Daten zu ermitteln, tatsächliche Übergabepunkte aus den Geocodes früherer Übergaben und optimierte Parkpositionen zu bestimmen.

Laufen lernen mit Künstlicher Intelligenz

Kai Schmidt, Head of Process Development & ERP bei der Mühltaler Riese & Müller GmH, ging es in seinem Vortrag hingegen zunächst ums „Laufen lernen“ mit Künstlicher Intelligenz. Der Hersteller von Premium-E-Bikes stand vor dem Problem, dass sich der Absatz bei einer Vielzahl jeweils individuell konfigurierbarer Modell nur schwer vorhersagen lässt. Hinzukam eine jährliche Vor-Order-Quote von 40 Prozent für Händler, die jedoch noch nachträgliche Anpassungen erlaubt. „Das macht es für die Beschaffung anspruchsvoll, da das Sourcing bis zu 18 Monate vorab geschieht“, erläuterte Schmidt. Wachsende Absatzzahlen und mehrere Umsätze verkomplizierten den Forecast des Familienunternehmens zusätzlich.

Um Ansätze für präzisere Forecasts zu finden, wandte Riese & Müller sich an das Start-up Level3. In einem agilen Projekt wählte man Daten aus, validierte diese und verglich die KI-Modellrechnungen mit historischen Forecast-Daten. „Der Algorithmus konnte saisonale Schwankungen bald gut berechnen, doch an den Nachfrage-Peaks, die einzelne Veranstaltungen nach sich ziehen, ist er noch gescheitert“, beschreibt Kai Schmidt ein Zwischenergebnis. Zu welchen Schlüssen der Algorithmus weiterhin kommt, ist offen, denn das um Weihnachten 2019 herum gestartete Projekt liegt seit Mitte März 2020 auf Eis – die möglichen Auswirkungen der Coronakrise haben die Komplexität der Berechnung gesprengt.

Während Kai Schmidt und Clemens Beckmann mit dem Forecast in der Fahrradproduktion und der Optimierung von Routen mit klar definierten Anwenderbereichen arbeiten, stellt sich das bei Lars Schwabe etwas anders dar. Als Director für Data Analytics, Artificial Intelligence und Blockchain bei Lufthansa Industry Solutions erstreckt sich sein Zuständigkeitsgebiet von Travel & Transport, über Logistik, Automotive oder Food hin zu Badestränden in Schleswig Holstein, für die Lufthansa Industry Solutions eine smarte Corona-Ampel entwickelte. Der Anbieter verfolgt schließlich den Ansatz, sehr segmentübergreifend zu beraten, konzipieren, designen und implementieren. „Wir wollen die Erfahrungen der Lufthansa-Gruppe in den Markt bringen, aber gleichzeitig auf von unseren dortigen Learnings profitieren“, sagte Schwabe.

Im Rahmen seines Vortrags gab er Einblicke in sehr unterschiedliche Cases wie die Predictive Maintenance bei der Hamburger Hochbahn, die Zustandserkennung von Gabelstaplern oder den Forecast des Cashflows der Lufthansa. Sein Fazit: „Es sind oft die unsexy Themen wie zum Beispiel die Data Governance, die sich nachher als Enabler für bahnbrechende Entwicklungen erweisen.“ Die deutsche Industrie habe enormes Potenzial in Sachen KI, nutze sie derzeit aber noch nicht.

Printer Friendly, PDF & Email