Künstliche Intelligenz in der Logistik

Wie wir bei BLG LOGISTICS innovative Anwendungsfälle für Künstliche Intelligenz finden

Was kann Künstliche Intelligenz leisten, wie soll sie dem Menschen nutzen? Ob Gesichtserkennung auf dem Smartphone, die Algorithmen von Siri oder Alexa, mittlerweile ist Künstliche Intelligenz vor allem in Form von Machine Learning in unserem Alltag angekommen. Für die Logistik ist Künstliche Intelligenz eine Revolution. Supply Chains, die ohnehin Teil des Internet of Things sind, können wir so optimieren. Aber so hoch in die Vogelperspektive müssen wir gar nicht gehen. Denn schon im operativen Bereich gibt Potenziale, durch Künstliche Intelligenz massiv Aufwände zu sparen. Wie, das schreiben wir hier.

Eine allgemein verbindliche Definition für den Begriff der Künstlichen Intelligenz scheitert häufig schon an der Definition des Begriffes „Intelligenz“. Der Duden sagt, Intelligenz sei die „Fähigkeit [...], abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten.“  Eine KI muss demnach in bestehenden Daten Zusammenhänge begreifen, diese Zusammenhänge auf neue Daten übertragen und dementsprechend – autonom – Handlungsentscheidungen treffen und ausführen.

Deswegen beschäftigt sich das Forschungsfeld „Künstliche Intelligenz“ mit folgender Frage: Wie ermöglichen wir es Maschinen, Aufgaben zu lösen, die dieselbe Intelligenz voraussetzen, wie wenn ein Mensch sie machen würde?

Insbesondere das Teilgebiet der lernenden Systeme kann erheblich zur Effizienzsteigerung beitragen – auch in der Logistik. Dieses Teilgebiet unterscheidet sich noch einmal in das „maschinelle“ und „tief gehende“ Lernen. Das tiefer gehende Lernen wird dabei in Zukunft möglicherweise von besonderer Bedeutung sein.

Unter maschinellem Lernen oder Machine Learning verstehen wir die allgemeine Lernfähigkeit einer Maschine oder Software. Das System kann anhand von Beispieldaten trainiert werden. Die vom System erkannten Muster und Gesetzmäßigkeiten innerhalb dieser Trainingsdaten können nach der Trainingsphase generalisiert und auf neue, unbekannte Daten angewendet werden – allerdings nur, wenn die neuen Daten eine ähnliche Struktur aufweisen.

Tief gehendes Lernen oder Deep Learning ist eine Lern-Variante des maschinellen Lernens. Mit Deep Learning bildet das System künstliche neuronale Netze (KNN), die Muster erkennen und anwenden können. Über eine Vielzahl von hierarchischen Konzept-Schichten versucht das Deep Learning, die Prozesse im menschlichen Gehirn nachzuahmen. Die Schichten des Deep Learning abstrahieren immer weiter und finden so ein passendes Interpretationskonzept für die vorliegenden Daten.

 Ein Schaubild zeigt die verschiedenen Ausprägungen von Künstlicher Intelligenz.
Unsere Übersicht zeigt: KI kommt in unterschiedlichen Ausprägungen.

Künstliche Intelligenz ist ein Game Changer für Unternehmen – denn wir produzieren bislang vor allem tote Datenberge

In den letzten Jahren ist die Datenmenge exponentiell gestiegen. Und auch in Zukunft rechnen wir mit einer Vervielfachung der produzierten Datenmenge. Im Bereich der Logistik wachsen die Datenmengen durch die horizontale und vertikale Vernetzung von Wertschöpfungsketten über alle Unternehmensbereiche hinweg. Diese Daten mit einer künstlichen Intelligenz zu verwalten, birgt massive Potenziale. Eine Maschine mit einer Künstlichen Intelligenz ist mit der Verarbeitung von Zahlen schlichtweg schneller, benötigt keine Pausen und macht keine Flüchtigkeitsfehler.

"Wir ertrinken in Informationen, aber hungern nach Wissen“, sagt John Naisbitt. Er hat recht: Wir wissen kaum, was für Daten wir überhaupt haben, wie wir an die Daten herankommen und wie wir sie dann nützlich einsetzen können. Ein Überblick über das große Ganze fehlt. Die Lösung: KI.

Künstliche Intelligenz ist in der Logistik ein wesentlicher Schlüssel zur Wettbewerbsfähigkeit

Die Logistikbranche setzt Künstliche Intelligenz aktuell am häufigsten in Form von robotergesteuerter Prozessautomatisierung ein, auch bekannt unter dem Begriff Robotic Process Automation (RPA). Dazu zählen zum Beispiel Softwareroboter. RPAs unterstützen uns dabei, Daten in ein IT- System zu überführen. 

Immer häufiger in der Logistik sind auch autonom fahrende Fahrzeuge, beispielsweise in der Intralogistik. Sie basieren auf dem Einsatz selbstlernender Algorithmen, die ihre Umgebung erkennen, in Echtzeit reagieren und effiziente Routen planen – in Kombination mit dem Internet der Dinge ist das eine Logistik, die vor einigen Jahren noch unvorstellbar war.

Machine Learning als flexible Basis für KI-Projekte, damit (digitale) Innovation kein Zuschauersport bleibt

Qualität, Struktur und Beschaffung der Daten ist ein wesentlicher Faktor für den Erfolg von KI-Projekten. Deswegen analysieren wir bereits vor Projektbeginn einige Datenquellen, um anschließend einen klaren Fokus auf die Aufgabenstellung zu haben. Seit Juni 2019 nutzen wir dafür eine Software für maschinelles, automatisiertes Lernen. Diese Software ermöglicht es  allen Nutzern bei BLG LOGISTICS, vielfältige Anwendungsfälle in einem kurzen Zeitraum zu bearbeiten, ohne vertiefte Kenntnisse im Bereich Data Science.

„Mit unserer einsteigerfreundlichen Software für Machine Learning kann nahezu jeder Mitarbeitende Anwendungsfälle im Bereich Predictive Analytics bearbeiten. Das folgt unserer Mentalität: Innovation ist kein Zuschauersport.“

Anwendungsfälle Künstlicher Intelligenz für BLG LOGISTICS

Im Grunde können alle datengetriebenen Prozesse durch Künstliche Intelligenz effizienter und damit günstiger für das Unternehmen werden. Immer mit dem Ziel, eine datengetriebene Entscheidungsfindung ermöglichen. In der BLG haben wir bereits einige Anwendungsfälle mit Bezug zu Künstlicher Intelligenz realisiert.

In der CKD-Montage im Logistics Center Bremen haben wir beispielsweise 2019 ein 100-Tage-Projekt durchgeführt, in dem wir erfolgreich eine automatisierte optische Erkennung von Norm- und Kleinteilen erreicht haben. Ein Gerät kann die Teile optisch erfassen und das Gewicht überprüfen. Dann entscheidet ein selbstlernender Algorithmus eigenständig, ob das Teil mit den Informationen übereinstimmt, die sich aus der vorab gescannten Materialnummer ergeben. Aber es gibt noch mehr Projekte, in denen wir Künstliche Intelligenz im operativen Betrieb testen und weiterentwickeln.

Beispiele


Automatisierte optische Schrifterkennung bei Gravuren: Durch Automation die Nerven unserer Mitarbeitenden schonen – und Fehler minimieren


Die Herausforderung

Die BLG Industrielogistik wickelt für einen unserer Kunden die Vereinnahmung, Verpackung und den Transport von Turbinenschaufeln ab. Dabei identifizieren die Kollegen:innen die sensiblen Waren über eine Serialnummer. Diese Nummer ist in die Schaufeln eingraviert. Dabei entsteht aber ein hoher manueller Aufwand. Denn die Serialnummer ist in variierenden Positionen, Schrift- und Gravurarten sowie verschiedener Größe und Lesbarkeit auf der Schaufel. Das kostet nicht nur bei der Prüfung der Schaufeln, sondern auch bei den nachgelagerten Prozessen wertvolle Zeit.

Unsere Lösung

Eine Kameratechnologie soll die Gravuren aufnehmen und erkennen. In Verbindung mit OCR (optical character recognition oder Texterkennung) verringern wir so den manuellen Aufwand und minimieren die Fehleranfälligkeit des Prozesses. Durch unsere erfahrenen Mitarbeitenden können wir das System nachtrainieren. So lernt es stetig und wird immer besser. In den nachgelagerten Prozessschritten ermöglicht ein Barcode die Identifikation der Turbinenschaufeln nach erstmaliger Prüfung.


Intelligentes Dokumentenmanagement mit einer Künstlichen Intelligenz: Prozesse durch KI optimieren und beschleunigen


Die Herausforderung

Im Bereich der Buchhaltung prüfen und verarbeiten wir bei BLG LOGISTICS täglich eine Vielzahl von Dokumenten, vor allem Rechnungen. An einigen Stellen setzen wir bereits Robotic Process Automation (RPA) ein. So erledigen wir systemseitig manuelle Aufgaben durch technologische Unterstützung. Es gibt aber auch vorgelagerte Aufgaben, wie beispielsweise das Auslesen bestimmter Inhalte aus den Dokumenten und das Befüllen von Systemvorlagen.

Unsere Lösung

Das Ziel ist es, die manuell wiederkehrende Aufgabe des Auslesens und Pflege von Inhalten aus Dokumenten zu vereinfachen. Die bereits genutzte Robotic Process Automation ergänzen wir um ein intelligentes Dokumentenmanagement-System. Das übernimmt dann die vorgelagerten Schritte für die Verarbeitung. Das KI-System extrahiert vordefinierte Inhalte aus spezifischen Dokumenten, sodass die RPA diese Inhalte im Anschluss im ERP-System anlegen kann. 


Ein KI-basierter Chatbot für das Recruiting


Die Herausforderung

In einem immer komplexeren Arbeitsmarkt ist Recruiting ohnehin eine wichtige und vielschichtige Aufgabe. Insbesondere für neue Standorte von BLG LOGISTICS ist die Verwaltung einer Vielzahl von interessierten und motivierten Bewerber:innen mit unterschiedlichsten Qualifikationen eine Herausforderung. Wir müssen eine große Menge Unterlagen sichten und Bewerbungsgespräche führen. Auch die Erstellung von Stellenausschreibungen mit einem hohen Aufwand verbunden. 

Unsere Lösung

Ein Chatbot ergänzt die bereits bestehenden, klassischen Recruiting–Instrumente. Dadurch vereinfachen wir den Bewerbungsprozess und reduzieren die Einstiegsbarrieren für potenzielle und interessierte Bewerber. Der Chatbot leitet den Bewerber:in auf unterschiedlichen Pfaden durch den Bewerbungsprozess. Dabei tragen Chatbot und Bewerber:innen die relevanten Informationen in einem kurzen Bewerberprofil zusammen. Dieses Profil steht der Personalabteilung im Anschluss zur Verfügung, sodass der Bewerbungsprozess weitergehen kann.

Sie möchten mehr über die digitalen Innovationen der BLG wissen? Lesen Sie hier, wie wir das Internet der Dinge in der Supply Chain nutzen oder wie autonomes Fahren die Lagerlogistik verändert.

Erfahren Sie mehr über die Innovationen und digitale Transformation in der BLG:

Diese Seite teilen