In der globalen Wirtschaft und Gesellschaft gibt es kaum einen Bereich, wo die Künstliche Intelligenz (KI) und das Maschinelle Lernen (ML) noch nicht Einzug gehalten haben – sei es in der Mobilität beim autonomen Fahren, in der Herstellung von Gütern im Kontext von Industrie 4.0 oder auch bei der Gesichtserkennung auf Facebook. Unternehmen optimieren ihre Geschäftsprozesse durch KI und auch die moderne Arbeitswelt wird mehr und mehr durch intelligente Systeme geprägt, die uns helfen können und dabei vom Menschen lernen.
KI und ML sind wichtige Treiber der digitalen Transformation. Allein in Deutschland sind dank vernetzter und automatisierter Produktion bis 2025 Produktivitätssteigerungen von rund 78 Milliarden Euro in sechs relevanten Wirtschaftszweigen inklusive Maschinenbau, Automotive und Chemie erreichbar, so der Präsident der Fraunhofer-Gesellschaft, Prof. Reimund Neugebauer. Teil zwei der TUP-Reihe KI befasst sich daher mit dem Begriff Maschinenlernen.
Funktionsweise von Machine Learning
Machine Learning verwendet leistungsfähige Algorithmen, um aus riesigen Datenmengen zu lernen. Dabei analysiert ein Computerprogramm Beispiele und versucht mittels der selbstlernenden Algorithmen, in der Datenmasse bestimmte Muster und Methoden zu erkennen. Die ausgewählte Software wird mit immer neuen Datensätzen versorgt und erhält in der Folge Rückmeldungen vom Programmierer, die der Algorithmus nutzt um das entstehende Modell zu verfeinern. Dabei gilt: Je größer das Datenvolumen auf das die Algorithmen zugreifen können, desto mehr Wissen eignen sie sich an. Grundsätzlich unterscheidet das ML bei der Aufbereitung der Datensätze zwischen zwei Ansätzen – dem überwachten („supervised“) und unüberwachten („unsupervised“) Lernen. Letztendlich lautet das Ziel von Maschinellem Lernen, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Schlüsse zu ziehen und Prognosen für neue und unbekannte Sachverhalte zu erstellen.
Maschinelles Lernen ist lediglich ein Überbegriff, der das Aufgabenfeld bezeichnet, Maschinen bei Lösung einer Aufgabe zu verbessern, indem sie aus Daten lernen. Dahinter können sich auch „nur“ Algorithmen verbergen. Der Kern ist, dass sich das Programm oder die Maschine selbstständig an neue Gegebenheiten anpasst und sich auf Basis der verfügbaren Daten aktualisiert.
Maschinelles Lernen in der Intralogistik
Zahlreiche Unternehmen beschäftigen sich mit der Frage, wie man die Intralogistik künftig noch effizienter gestalten kann. Wirkungsvollere Abläufe erfordern verlässliche Stammdaten zu Produkten und Prozessen um das Potenzial von Machine Learing so weit wie möglich auszuschöpfen. Allein im Bereich Optimierung von Transport und Kommissionierung bietet sich durch die anfallenden Datenmengen in der Intralogistik ein enormes Potenzial für Machine Learning-Anwendungen wie beispielsweise die Muster- und Bilderkennung.
Durch den Einsatz von Maschinellem Lernen können Materialtransporte inklusive Auf- und Abladedauer viel zielgenauer prognostiziert werden. Anstatt Pauschalzeiten beispielsweise beim Transport von Paletten anzusetzen, ermöglicht Machine Learning präzise Unterscheidungen nach den zu transportierenden Produkten und bezüglich Terminierung auch nach Wochentagen unter Berücksichtigung der jeweiligen Personallage. So kann Maschinelles Lernen helfen, Prozesse deutlich effizienter zu organisieren und mögliche Engpässe zu vermeiden. Ähnlich verhält es sich bei plötzlichen Störungen in Betriebsabläufen, beispielsweise verspäteten Lieferungen. Ein selbstlernendes System erkennt schneller die Notwendigkeiten und kann mit geeigneten Gegenmaßnahmen automatisch die Prozesse deeskalieren.
Predicitive Maintenance bietet in der hochgradig optimierten Intralogistik einen Wettewberbsvorteil
Vorteile lassen sich auch durch die sogenannte ‚Predictive Maintenance‘ realisieren. Mittels analytischer ML-Anwendungen kann der Logistiker Wartung und Instandhaltungstermine für Intralogistiktechnik und Fuhrpark bestimmen und somit eine präzisere Ressourcenplanung erstellen. Dadurch können Stillstandzeiten von Maschinen verringert und Kosten für unvermittelte Ausfälle reduziert werden. Predictive Maintenance ist nicht nur im verarbeitenden Gewerbe von Bedeutung, sondern wird auch für die wesentlichen Verkehrsträger (Straße, Schiene, Luft) immer wichtiger.
Des Weiteren ermöglicht Machine Learning eine verbesserte Bilderkennung – ein Instrument dass vor allem in Zeiten des boomenden E-Commerce den Versandhändlern eine effektive und fehlerfreie Lagerhaltung ermöglicht. Scan- und Erfassungsprozesse liegen der Bilderkennung zugrunde und überwachen den Füllstand der Regale beziehungsweise kontrollieren die Qualität der gelagerten Produkte. Gleichzeitig helfen sie Material zu lokalisieren oder den Ort von Maschinen und Menschen zu erkennen, nicht nur um effizienter zu arbeiten, sondern auch um beispielsweise Unfälle innerhalb von Lagern zu vermeiden.
Fazit
Insgesamt erscheinen selbstlernende Algorithmen wie geschaffen, um die Effizienz der Intralogistik weiter zu steigern und ihre Prozesse sukzessiv zu automatisieren. Dadurch entsteht die Grundlage für eine durchweg digitale und nachvollziehbare Supply Chain – ein Schlüsselkriterium für Unternehmen, um die Lieferqualität zu erhöhen und effizienter zu wirtschaften, so die Bundesregierung in ihrem Zwischenstand „Ein Jahr KI-Strategie“ von November 2019.