KI in der Logistik
Mit Machine Learning präzise Vorhersagen treffen
Immer häufiger wird Machine Learning als Analyse- und Steuerungsinstrument auch in der Logistik eingesetzt. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Damit lassen sich unter anderem Bestände, Bestellungen und Lagerprozesse optimieren.
Viele Unternehmen haben das Potenzial von Machine Learning in selbstlernenden Systemen erkennt. Dabei erkennen Algorithmen Muster und Gesetzmäßigkeiten in großen Datenmengen. Mit neuronalen Netzen lassen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen. In Zeiten von Big Data und Cloud-Plattformen bilden die mittlerweile enormen Rechenkapazitäten eine gute Grundlage, um intelligente Anwendungen wie Machine-Learning-Systeme, zu entwickeln. Dabei lernt eine Software, indem sie selbstständig neues Wissen generiert – ohne explizite Programmierung. Zum Einsatz kommen Algorithmen, die komplexe Zusammenhänge zwischen den vorhandenen Daten verstehen, Muster erkennen und daraus nach einer Lernphase allgemeingültige Modelle ableiten. Ob der Algorithmus zuverlässige Ergebnisse liefert, hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Ein exaktes Modell entsteht
Auch die Sievers-Group setzt bei Kundenprojekten zunehmend auf Machine Learning, um Informationen zu interpretieren, präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren. „Wir nutzen die Cloud-Lösung Microsoft Azure Machine Learning Studio“, erklärt Hendrik Ohlms, Teamleiter Vertrieb Business Solutions ERP bei der Firma. „Zunächst greifen wir damit auf die vorhandenen Datenmengen zu, bereiten diese auf, analysieren sie und stellen den Kunden schließlich die Ergebnisse zur Verfügung.“ Das Machine-Learning-System identifiziert dabei auf der Basis von neuronalen Netzen wiederkehrende Muster, Gesetzmäßigkeiten oder Anomalien. Dabei nutzt die Sievers-Group das sogenannte überwachte Lernen. Das System zieht beispielsweise 60 Prozent der verfügbaren Daten heran, um Zusammenhänge zu erkennen und daraus zu lernen. Anhand der restlichen 40 Prozent der Daten prüft die Software, mit welcher Wahrscheinlichkeit die aus der Lernphase ermittelten Ergebnisse zutreffen. Der Trainingsprozess dauert im Idealfall so lange, bis alle Beispiele richtig berechnet werden. So nutzt der Algorithmus die Daten, um sein erstelltes Modell ständig anzupassen und zu verfeinern. Je mehr Daten zur Verfügung stehen, desto genauer wird das Modell. Stimmt es größtenteils mit der Realität überein, können zunehmend präzise Aussagen oder Handlungsempfehlungen getroffen werden. Im Ergebnis ermöglicht Machine Learning Anwendern, durch die Analyse großer Datenmengen realistische Prognosen zu treffen und geeignete Maßnahmen abzuleiten.
Vielfältige Anwendungen
Durch die Verbindung der Cloud-Computing-Plattform Microsoft Azure Machine Learning Studio mit Lagerverwaltungs- oder ERP-Systemen erschließt der IT-Dienstleister Anwendungsmöglichkeiten des Machine Learning. Mit der künstlichen Intelligenz lassen sich beispielsweise Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren. Da durch Machine Learning Absatzkurven prognostiziert werden können, weiß der Anwender ziemlich genau, zu welchem Zeitpunkt welche Artikel bestellt werden sollten und, ob beispielsweise eine Abhängigkeit vom Wetter oder von saisonalen Gegebenheiten sowie weiteren Einflussfaktoren besteht. Auch kann Machine Learning zur Bestelloptimierung genutzt werden. Aus der Analyse von Verkaufsaufträgen berechnet und prognostiziert die Software, wann welcher Kunde welche Artikel bestellen wird. Somit können Abläufe im Verkaufs- und Bestellwesen automatisiert werden. Muss ein Unternehmen jeden Tag eine gewisse Anzahl von Bestellungen mit einer bestimmten Artikelkombination zusammenstellen, kann es sich außerdem lohnen, diese Artikel vorzukommissionieren.
