KI in der Logistik: Einsatzfelder, Potenziale, Herausforderungen

Zwei Paar Strümpfe, ein Spielzeugauto und ein Tausend-Teile-Puzzle kommen auf dem Transportband angefahren. Der Mitarbeiter im Logistikzentrum greift sich einen Karton und versucht, alle Artikel der Lieferung darin unterzubringen. Vergeblich. Das Plastikauto ist einfach zu sperrig. Also noch einmal von vorne. Neuer Karton, neues Glück.

Was früher Alltag an den Versandstationen war, ist bei Amazon dank künstlicher Intelligenz inzwischen Vergangenheit. Heute entscheiden die Versandmitarbeiter nicht mehr selbst über die passende Kartongrösse. Eine intelligente Software sammelt kontinuierlich Feedback der Kunden, Erfahrungen der Mitarbeiter und Produktinformationen. In den Daten erkennt sie Muster und wählt auf dieser Grundlage die richtige Verpackungsgrösse – und Amazon spart nicht nur Zeit, sondern auch Verpackungsmaterial und Versandkosten.

Comeback der künstlichen Intelligenz

Aber von vorne: Bereits in den 1950er Jahren begannen Forscher Künstliche Intelligenz zu untersuchen. Die Möglichkeiten schienen endlos, doch die technische Entwicklung war noch nicht reif genug. Es gab zu wenig Rechenleistung, zu wenige Daten und zu wenige Investoren. So rückte das Thema in eine Nische, in der sich nur echte Geeks oder fanatische Statistik-Wissenschaftler aufhielten.

Doch die Entwicklung von Cloud-Lösungen mit nahezu unbegrenzter und kostengünstiger Rechenleistung und riesige Datenmengen durch die breitflächige Nutzung des Internets sorgten für neue Rahmenbedingungen. Auch die Investitionen in Künstliche Intelligenz sind mittlerweile beachtlich: Allein Google, Facebook, Microsoft und IBM steckten im Jahr 2015 mehr als 10 Mrd. US-Dollar in die Forschung und Entwicklung zum Thema Künstliche Intelligenz.

Aber wann gilt ein System eigentlich als intelligent? Und wann ist es Künstliche Intelligenz? „Maschinen [sind] dann intelligent, wenn sie etwas lernen, ohne dass dies genau so in ihrem Code vorprogrammiert ist“, sagt Dr. Damian Borth vom DFKI in Kaiserslautern. Man gibt einer Maschine also Werkzeuge an die Hand, mit denen sie die Umgebung selbst strukturieren kann. Künstliche Intelligenz funktioniert nach dem Prinzip „trainieren statt programmieren“.

Künstliche Intelligenz: Vorausschauende Analysen

In der Logistik steht der Einsatz künstlicher Intelligenz noch am Anfang, obwohl die Möglichkeiten ebenso vielfältig wie gross sind. Dr. Sören Kerner, Abteilungsleiter Automation und eingebettete Systeme am Fraunhofer Institut in Dortmund begründet: „Die Komplexität der Probleme in der Logistik wächst exponentiell, sodass klassische Methoden nicht mehr ausreichen, um die steigenden Anforderungen zu befriedigen.“ Vor allem zwei Bereiche scheinen prädestiniert für Künstliche Intelligenz: Umfassende Planungsaufgaben und komplexe Steuerungsprozesse.

Das vielleicht prominenteste Beispiel beim Thema Planung sind Absatz- bzw. Nachfrageprognosen. Derartige Vorhersagen sind schwierig und führen oft zu enttäuschenden und falschen Ergebnissen. Künstliche Intelligenz kann hier Abhilfe schaffen, indem sie die Nachfragevariabilität zuverlässig modelliert. 

Dazu erfasst sie alle relevanten Nachfrageattribute, etwa Aktivitäten auf der Firmenwebsite, und filtert gleichzeitig „Störungen“ wie zufällige und unvorhersehbare Nachfragefluktuationen heraus. Das System lernt aus den Daten und passt sein Modell an wechselndes Konsumentenverhalten an. „Die Forschung im Bereich der predictive Analytics steckt allerdings noch in den Kinderschuhen“, sagt Kerner. „Doch wir arbeiten intensiv daran und glauben, dass Prognosen durch Algorithmen zukünftig deutlich genauer und effizienter erstellt werden können.“

Deswegen sollten Unternehmen bereits heute evaluieren, ob die eigene Supply Chain durch intelligente Nachfrageprognosen optimiert werden kann. Für folgende Szenarien kann der Einsatz von Künstliche Intelligenz sinnvoll sein:

• Wenn ein Unternehmen viele Produktpromotionen durchführt, ist es schwierig, den möglichen Nachfrageanstieg verlässlich zu prognostizieren. Künstliche Intelligenz kann dabei helfen, verschiedene Prognoseszenarien für eine Vielzahl an Produkten zu erstellen. 
• Wenn ein Unternehmen regelmässig neue Produkte einführt und deshalb häufig eine Anfangsnachfrage prognostizieren muss.
• Wenn es eine starke Nachfrage nach Langsamdrehern gibt, die unregelmässig und in kleinen Mengen bestellt werden.
• Wenn Unternehmen von lokalen Betrieben zu (inter-)nationalen Unternehmen wachsen und die alten Vorhersagesysteme an ihre Grenzen stossen

Künstliche Intelligenz auf dem Fahrersitz

Wie Künstliche Intelligenz bei komplexen Steuerungsaufgaben zum Einsatz kommt, zeigt sich beispielsweise beim autonomen Fahren. Hier sammeln Kameras, Radar und Ultraschallsensoren Daten, aus denen ein Algorithmus ein echtzeitfähiges 360-Grad-Umfeldmodell erstellt. Anhand dessen kann das System das Umfeld wahrnehmen (z. B. Fussgänger auf der rechten Seite bewegt sich nach links), die eigene Position bestimmen und Bewegungsabläufe planen (z. B. Fahrspurwechsel).
Spediteure erhoffen sich durch autonomes Fahren eine Lösung für die akute Personalnot unter Berufskraftfahrern. 

Die Studie „The era of digitized trucking“ der Strategieberatung Strategy& geht davon aus, dass bereits in zehn Jahren keine Lkw-Fahrer mehr für Langstrecken benötigt werden. Fünf Jahre später sollen laut Studie auch im Stadtverkehr vollständig autonom fahrende Lkw zum Einsatz kommen. Wenn der Computer das Steuer übernimmt, könnten die jährlichen Betriebskosten für einen Truck laut der Untersuchung um bis zu 28 % sinken – von 115.600 auf 82.800 Euro bis zum Jahr 2030. Im margenschwachen Transportmarkt wäre dies für viele Unternehmen ein entscheidender Vorteil.

Roboter verändern (nicht nur) die Lagerlogistik

Komplexe Steuerungsaufgaben übernimmt Künstliche Intelligenz auch beim Einsatz von Industrierobotern. Diese werden schon seit Jahren in der Produktion eingesetzt, waren aber lange nicht intelligent genug für die vielfältigen Aufgaben in der Logistik. Doch die Roboter der aktuellen Generation können sehen, sich bewegen, auf ihr Umfeld reagieren und Seite an Seite mit Menschen Präzisionsaufgaben übernehmen.

Zu dieser Generation gehört beispielsweise auch Toru Cube, ein Lager-Roboter des Start-ups Magazino. Per WLAN erhält er seine Aufträge und orientiert sich im Lager selbstständig mittels Lasersensoren. Sobald Toru Cube vor dem angesteuerten Regal steht, benutzt er ein System aus Kamera und Laser und gleicht die ermittelten Abmessungen mit den Informationen aus der Datenbank ab. So „weiss“ er, ob er etwa das richtige Buch gefunden hat und kann es mit seinem Greifarm erfassen. Mit einem Meter pro Sekunde bewegt sich Toru aus Sicherheitsgründen etwas langsamer durch das Warenlager als der Mensch. Sein Wert zeigt sich allerdings darin, dass er drei Schichten am Stück arbeiten kann und ihm beim Picken selbst dann keine Fehler passieren.