Wie Künstliche Intelligenz (KI) die Logistik verändert – Teil 1: Ein Überblick

Bis vor einigen Jahren haben sich viele Unternehmen auf Forschungs- und Analyseteams verlassen, um erhobene Daten zu verarbeiten und gewinnbringend zu nutzen. Heute bietet die Künstliche Intelligenz (KI) ein enormes Potenzial, diese Prozesse zu optimieren und automatisieren und durch die Anwendungen datenbasierter Entscheidungsprozesse deutliche Wertsteigerungen erzielen. Da immer mehr Unternehmen auf digitale Technologien setzen, um wettbewerbsfähig zu bleiben, erwartet Camelot einen starken Anstieg der KI-Nutzung.

Dies gilt insbesondere für die Logistik, den Schwerpunkt dieser Blogreihe. Da KI eine breite Palette von Themen und Disziplinen umfasst, werden wir uns hier auf ausgewählte Methoden und den Data-Science-Prozessablauf beschränken.

In unseren Camelot-Blogbeiträgen erfahren Sie außerdem, wie Sie KI-Anwendungsfälle identifizieren, den Data-Science-Prozess anwenden und Geschäftsprozesse durch Implementierung KI-basierter Lösungen optimieren können.


KI in der Logistik
Logistikmanager sehen sich ständig mit Unsicherheiten in Bezug auf Planung, Lade-/Entladezeiten, Frachtkosten, Spediteure usw. konfrontiert. Wäre es nicht eine große Erleichterung, wenn Sie notwendige Anpassungen entsprechend der sich verändernden Rahmenbedingungen sofort umsetzen könnten? KI bietet praktikable Lösungen zur Vorhersage von Nachfragemustern, zur Ermittlung der besten Ladezeiten und Auswahl kosteneffizienter Frachtwege und Transportunternehmen.

Eine datenbasierte Entscheidungsfindung unterstützt Unternehmen dabei, schneller und besser als der Wettbewerb zu sein. So konnte beispielsweise Kunden in Camelot-Projekten zu einem deutlich reibungsloseren Prozessablauf in der Logistikabwicklung und Frachtabrechnung verholfen werden. KI wurde u.a. für bessere Lademeterschätzungen, die intelligente Angebotsabgabe und die Frachtkonsolidierung eingesetzt (Details folgen in den kommenden Beiträgen).

Dennoch muss festgehalten werden, dass KI nicht für alle Situationen geeignet ist – nicht für alle Anwendungsfälle und nicht für alle Branchen. Es gilt sowohl technische als auch geschäftliche Fragen sowie die Datenverfügbarkeit zu berücksichtigen. Der Ansatz von Camelot besteht darin, jedes Geschäftsproblem individuell zu bewerten, die Durchführbarkeit für den Data-Science-Prozess zu prüfen und einen geeigneten Ansatz für die individuellen Geschäftsanforderungen zu finden.

 

 

Abbildung 1: Der Camelot Data-Science-Prozess gewährleistet einen systematischen und überprüfbaren Wertnachweis (Proof of Value = PoV)

Worum geht es bei KI?
Bei künstlicher Intelligenz (KI) handelt es sich weder um eine Technik noch um ein Programm, das installiert werden kann. Camelot versteht KI als ein Weg, die Wertschöpfungskette innerhalb einer Organisation zu transformieren. Dieser besteht immer aus drei Schritten: deskriptive Analyse, prädiktive Analyse und präskriptive Analyse (siehe Abbildung 1).

Der erste Aspekt einer KI-bezogenen Aufgabe gehört immer zu der deskriptiven Analysekategorie. Hier beantworten wir die Frage „Was ist passiert und warum?“ Als nächstes können wir uns der prädiktiven Analyse zuwenden, die statistische Modelle und Vorhersagetechniken einsetzt, um die Zukunft zu verstehen und die Frage „Was wird passieren?“ zu beantworten. Nach Beantwortung dieser Frage unterscheiden wir zwei KI-Richtungen – die kognitive KI und die prozessbezogene KI. Als Beispiel für kognitive KI kann ein von IBM Watson angebotenes Chatbot-Design dienen. Es ermöglicht die Erstellung von KI-gestützten, dialogorientierten Benutzeroberflächen und wird bereits von Unternehmen aus verschiedenen Branchen (Banken, Telekommunikation usw.) eingesetzt. Im Gegensatz dazu wird die prozessbezogene KI eingesetzt, um Geschäftsentscheidungen zu automatisieren. Ein Beispiel ist eine mittels Warnsignal ausgelöste, automatisierte Wiederauffüllung. Kurzum, KI ist eine unterstützende Technologie, die entweder durch Automatisierung von Prozessaufgaben und/oder durch eine bessere Benutzererfahrung (kognitive Schnittstellen) einen Mehrwert liefert. Meistens ist es eine Kombination aus vielen verschiedenen Techniken. In jedem Fall müssen wir jedoch auf viele Datenschichten zugreifen, um KI-Techniken anzuwenden und schließlich die Geschäftsabläufe zu transformieren.


Wie startet man ein KI-Projekt in der Logistik?
Der erste Schritt besteht immer darin, die Geschäftsziele zu formulieren. Dies wird mit einer ersten Machbarkeitsschätzung von erfahrenen Datenwissenschaftlern kombiniert. Anschließend hilft ein festgelegter Data-Science-Prozess, mittels Datenarbeit Mehrwert zu generieren.


Einer der bekanntesten Abläufe ist der CRISP-Prozess (Cross-Industry Standard Process für Data Mining), der ursprünglich für Data-Mining-Projekte entwickelt wurde. Der auf das Value-Chain-Management zugeschnittene Data-Science-Prozess von Camelot ist ebenfalls von diesem Grundprinzip abgeleitet. Unsere Erfahrung hat gezeigt, dass der CRISP-Flow für den Anfang eines KI-Projekts sehr gut geeignet ist.

 

Bevor eine KI-Technik implementiert wird, müssen die Rohdaten bereinigt werden. Dieser Prozess der Bereinigung und Normalisierung der Daten ist zeit- und kostenintensiver als es die meisten Unternehmen erwarten.

 

Um die gewünschten Ergebnisse zu erreichen, muss ein klares Ziel festgelegt werden. Andernfalls verlieren Sie aufgrund fehlender Prioritäten angesichts der Datenmenge sowie des Zeit- und Ressourcenmangels den Überblick. In den nächsten Blogeinträgen erfahren Sie mehr über mögliche Ziele und wie Sie diese durch den Einsatz von KI-Techniken erreichen können.

 

Eine effektive KI-Implementierung ist immer ein Prozess, in dem Anwendungsfälle individuell betrachtet werden, Methoden der Datenanalyse (z. B. maschinelles Lernen) angewandt werden und das Unternehmen letztlich in Richtung Digitalisierung transformiert wird.

Quelle: wikipedia.org


Schauen Sie in den kommenden Wochen immer mal wieder vorbei, um mehr über spannende KI-Szenarien in der Logistik zu erfahren, beispielsweise über die Anwendung von maschinellem Lernen oder genetischen Algorithmen.

written by
Julija Mihalkina
Julija Mihalkina ist als Senior Consultant in der Abteilung Künstliche Intelligenz bei Camelot tätig. Sie ist eine außergewöhnlich hochqualifizierte Wissenschaftlerin und Analytikerin. Sie verfügt über mehr als neun Jahre internationaler Berufserfahrung, in denen sie eine Vielzahl von Projekten im Bereich Kostenentwicklung und Kostenvorausplanung in verschiedenen Industriezweigen wie Bergbau, Eisen- und NE-Metalle, Commodities, Logistik, Einzelhandel erfolgreich abgewickelt hat. Unsere Kunden profitieren von ihrer Leidenschaft für Künstliche Intelligenz und deren Anwendung im geschäftlichen Alltag.

Dieser Post ist außerdem verfügbar in: Englisch