Künstliche Intelligenz

Wenn Maschinen Lernen lernen

Ein Einblick, wie künstliche Intelligenzen Planungsprozesse in der Logistik revolutionieren, Maschinen und Roboter steuern – und wo sie (noch) an ihre Grenzen stoßen.

Franziska Widmaier 01.06.2017

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 des Themas.

Aber wann gilt ein System eigentlich als intelligent? „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“.

Immer smarter: 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. KI 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.

Dank Sicherheitslasern kann der Kommissionier-Roboter TORU Cube parallel zu seinen menschlichen Kollegen im selben Lagergang arbeiten. Damit kann er Mitarbeiter bei wenig ergonomischen Aufgaben, wie z. B. dem Picken aus den oberen Fächern, unterstützen.
(Quelle: Magazino)
Dank Sicherheitslasern kann der Kommissionier-Roboter TORU Cube parallel zu seinen menschlichen Kollegen im selben Lagergang arbeiten. Damit kann er Mitarbeiter bei wenig ergonomischen Aufgaben, wie z. B. dem Picken aus den oberen Fächern, unterstützen.
(Quelle: Magazino)

Mit Kamera und GPS automatisiert durch die Stadt

Auch für die letzte Meile sind smarte Roboter eine interessante Option. In Deutschland befinden sich bereits mehrere in der Testphase, beispielsweise die Starship-Roboter in Hamburg. Ausgestattet mit Kameras, GPS und Gyroskopen für die Navigation rollen diese mit 6,4 km/h selbstständig durch die Innenstädte.
Doch ganz automatisch läuft es beim Starship-Modell noch nicht. Muss er sich etwa zwischen zu vielen Menschen zurechtfinden, kann er einen Operateur anrufen, der die Kontrolle übernimmt. 

Dennoch: „Diese Lösung ist technisch sehr weit fortgeschritten und für Logistikdienstleister interessant – denn auf der letzten Meile fallen vergleichsweise hohe Kosten an“, bewertet Kerner das Start-up. „Aber auch politisch gesehen ist das Konzept von Interesse, weil die Roboter eine Möglichkeit liefern, das innerstädtische Verkehrsaufkommen zu reduzieren.“

Was die Zukunft bringt

Noch scheuen sich viele Unternehmen, Künstliche Intelligenz in der Logistik einzusetzen. Grund dafür ist nicht nur die fehlende Expertise, sondern häufig auch eine Unternehmensführung, die der Thematik keine entsprechende Priorität einräumt. Dabei ist die Wichtigkeit kaum zu überschätzen.
„Künstliche Intelligenz ist der Wettbewerbsfaktor der Zukunft – auch und besonders für die Logistik“, ist Kerner überzeugt. „In der Vergangenheit konnte man sich durch mechanische Automatisierungslösungen oder Prozess-Know-how von der Konkurrenz absetzen.“ Zukünftig werde aber derjenige das Rennen machen, der seine Digitalstrategie am besten umsetzt, indem er auf Grundlage seiner Daten Mehrwerte für den Kunden anbieten kann.


Doch gerade deutsche Mittelständler denken laut Kerner noch sehr bodenständig. Der Wissenschaftler ist überzeugt: Wer sich heute bereits mit dem Thema beschäftigt, ist morgen einen Schritt voraus. Und disruptive Vorstöße etwa aus dem Silicon Valley haben bereits in der Vergangenheit oft genug gezeigt: Das Morgen kommt schneller, als man denkt.

Die Checkliste

Die folgende Checkliste soll helfen, eine intelligente Lösung erfolgreich zu implementieren.

  1. Stellen Sie eine umfassende Unterstützung des Managements und die Bereitstellung entsprechender Fachkräfte, finanzieller Mittel, Technologien und Daten sicher.
  2. Definieren Sie Ihr Geschäftsszenario mit den bestehenden Herausforderungen und potenziellen Lösungen.
  3. Bilden Sie ein Expertenteam, das Kompetenzen in Business-Prozessen, Machine-Learning-Modellen, Datenarchitektur und Big-Data-Technologien vereint. Das Team kann sowohl aus eigenen Mitarbeitern als auch aus externen Experten bestehen.
  4. Bauen Sie eine Dateninfrastruktur auf, die es Ihnen erlaubt, Daten zu verarbeiten und zu interpretieren. 
  5. Holen Sie sich Unterstützung von Universitäten oder Forschungsinstituten, die im Bereich der künstlichen Intelligenz forschen und lernen Sie von ihnen den Aufbau von Modellen.
  6. Etablieren Sie eine Big-Data-Plattform. Allianzen mit Technologiepartnern können hier sinnvoll sein.
  7. Überprüfen und verbessern Sie Ihr Modell permanent.
Franziska Widmaier
Über die Autorin
Franziska Widmaier
Franziska Widmaier ist Redakteurin und im Bereich Corporate Communications tätig. Als #twitterperle betreut sie außerdem die Social-Media-Kanäle bei AEB. Die Kommunikationswissenschaftlerin ist seit 2013 bei AEB und schreibt am liebsten über die neuesten Trends in Logistik und IT.

Ähnliche Artikel

Diese Webseite verwendet Cookies. Durch die Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu. Datenschutzinformationen