KI in der Logistik – Wie kann KI das Lademeterproblem lösen?

Künstliche Intelligenz (KI) kann einen wichtigen Beitrag zum Geschäftswert eines Unternehmens leisten. Die Transportlogistik bietet verschiedene Anwendungsszenarien, die sich wesentlich auf die Transport- und Logistikkosten auswirken. Darüber hinaus kann KI die Logistik-Effizienz in Bezug auf Laufzeiten oder Flexibilität steigern. Dieser Artikel beschreibt ein spezifisches KI-Anwendungsszenario für die Lademeterplanung.


Wenn ein Versender mehr Lademeter bestellt, als er tatsächlich benötigt, muss er trotzdem für den ungenutzten Raum bezahlen, weil der Spediteur den Platz für den Versender freigehalten hat – eine reine Geldverschwendung. Bestellt ein Frachtführer jedoch weniger Lademeter als benötigt, müssen einige Güter stehen bleiben oder er muss einen Aufschlag bezahlen.Eine genaue Kenntnis der benötigten Lademeter kann daher Kosten einsparen und unnötigen Ärger vermeiden. In der Theorie und in einigen Branchen lässt sich der richtige Lademeterwert problemlos ermitteln:
„Lademeter = (Länge x Breite / 2,4 / Stapelfaktor) * Anzahl der Pakete“

In unseren CAMELOT Logistikprojekten haben wir es jedoch oft mit Fällen zu tun, in denen dies aus verschiedenen Gründen nicht so einfach ist.

  • Die Stammdaten sind nicht ausreichend gepflegt.
  • Es werden sehr unterschiedliche Produkte zusammen verladen.
  • Big Packs dehnen sich bei der Befüllung unterschiedlich aus und überschreiten so die Palettengröße.
  • Die Packeffizienz variiert zwischen den Mitarbeitern.
  • Das Verladen gemischter Paletten ist schwer einschätzbar
  • etc…

Wie kann KI dieses Problem lösen?

Bei der Lademeterermittlung geht es im Wesentlichen um Mustererkennung, Auswertung und Anwendung. KI-Tools können extrem komplexe Korrelationen unterschiedlicher Parameter verarbeiten und somit das wahrscheinlichste Ergebnis ermitteln. Es ist wichtig zu wissen, dass das KI-System neben dem berechneten Wert für die Lademeter auch die Wahrscheinlichkeit dieses Wertes ermittelt. Das System kann außerdem, zu einer vorgegebenen Wahrscheinlichkeit (z.B. 95%), einen oberen und unteren Bereichswert der benötigten Lademeter ermitteln.

Wie wird dieses Ergebnis erreicht?

Zunächst ist eine Datenexploration erforderlich, um erste Muster zu erkennen. Sobald erste Informationen über die Datenstruktur vorliegen, können geeignete Algorithmen für die Datenverarbeitung festlegt werden. Zudem muss entschieden werden, ob die Daten nach verschiedenen Problemtypen gefiltert und unterschiedliche Algorithmen angewendet werden. Wir können diese Aufgabe auch einer maschinellen Lernplattform überlassen.
Der nächste Schritt ist eine Schleife aus Einstellung/Anpassung, Training, Tests und Validierung, bis das bestmögliche Ergebnis erzielt wird.

 

Screenshot 1: Jeder Durchlauf endet mit der Qualitätsbeurteilung (Darstellung zeigt nur eine Datenteilmenge)

Hinweis: Es ist zu beachten, dass eine hohe Anzahl an Trainingsdurchläufen das Ergebnis verbessert. Allerdings nimmt dabei die Fähigkeit ab, das gelernte Modell auf neue und unbekannte Daten anzuwenden. Es ist also wichtig, ein geeignetes Gleichgewicht zu finden.


Verknüpfung von SAP Leonardo und SAP Transportation Management

In CAMELOT-Studien wurde SAP Leonardo für maschinelles Lernen verwendet. Auf dessen Anwendungsprogrammierschnittstelle (API) konnten wir über die REST-Schnittstelle zugreifen. Der Aufruf der Schnittstelle wird durch SAP Transportation Management (TM) ausgelöst. Der Datensatz des Frachtauftrags, der während der Datenexplorationsanalyse als relevant ermittelt wurde, wird an SAP Leonardo übermittelt. Dort werden die Daten durch Algorithmen verarbeitet und die berechneten Lademeterdaten zurück an das TM-System übermittelt.

Wie im Screenshot ersichtlich, muss der Prozess zu Demonstrationszwecken und aus analytischen Gründen manuell ausgelöst werden. Im Alltagsbetrieb erfolgt dies automatisch während der Speicherung, sofern der Frachtauftrag nicht bereits ausgeführt wird.

Die ermittelten Lademeterdaten werden dann zur Kapazitätsbuchung bei einem Logistik-Dienstleister verwendet. Es ist empfehlenswert, ein Reporting-Tool zur Überwachung der Leistung und Kosteneinsparungen einzurichten. Ändert sich das Geschäftsumfeld, ist es gegebenenfalls erforderlich, die Lademeterprognose neu zu kalibrieren.


Camelot und KI in der Logistik

Camelot hat KI bereits früh in der Logistik-Beratung eingesetzt. Die Lademeter-Berechnung ist eines der Anwendungsszenarien, die von den CAMELOT Logistik- und Digitalisierungsexperten. Wenn Sie mehr über KI-Anwendungsszenarien oder andere bahnbrechende Technologien in der Logistik erfahren möchten, wenden Sie sich einfach an uns.

written by
Christoph Bumen
Christoph Bumen verfügt über mehr als 15 Jahre Beratungserfahrung im Bereich Transport und Produktionslogistik. Zu seinen Schwerpunkten zählt die Umsetzung aktueller KI-Anwendungsszenarien in der Logistik.

Dieser Post ist außerdem verfügbar in: Englisch