KI-Technologie ist mittlerweile den Kinderschuhen entwachsen und kommt zunehmend in der industriellen Praxis an. Dies gilt nicht nur für die Produktion und die Instandhaltung, sondern auch für die Logistik. Welche konkreten Anwendungsfälle es für Künstliche Intelligenz in der Supply Chain bereits gibt und welche Vorteile sich daraus ergeben, beleuchtet dieser Artikel.
Herausforderungen in der Logistik werden immer größer
Lieferketten werden in vielen Branchen immer internationaler und komplexer. Gleichzeitig steigen die Kundenanforderungen in puncto Liefergeschwindigkeit, Flexibilität und Lieferkosten. Um diesen Herausforderungen zu begegnen, ist der Einsatz neuer Technologien erforderlich. Hierzu zählt auch die Nutzung von KI. Die Lieferkette ist für Künstliche Intelligenz sogar prädestiniert. Denn in jeder Stufe der Supply Chain entstehen heute große Mengen an Daten, die den idealen „Treibstoff“ für Machine-Learning-Anwendungen darstellen. Auf Basis dieser Informationen ist KI in der Lage, sehr genaue Prognosen zu zwei grundlegenden Fragen der Logistik zu liefern:
- Wie wird sich die vorherige Stufe der Lieferkette verhalten?
- Wie wird sich die nachgelagerte Stufe der Lieferkette verhalten?
Wer präzise Informationen zu diesen Fragen besitzt, kann unter anderem folgende Ziele erreichen:
- Optimierung der Intralogistik
- Erkennung häufiger Artikelkombinationen
- Optimierung der Transportlogistik
Betrachten wir diese drei Betätigungsfelder etwas genauer.
Optimierung der Intralogistik
Ein wichtiger Einsatzbereich für Künstliche Intelligenz in der Supply Chain ist die Intralogistik. Hier kämpfen Unternehmen aktuell mit einem Fachkräftemangel, steigender Variantenvielfalt in den Sortimenten und immer kleineren Losgrößen. Ebenso fordern die Kunden kürzere Lieferzeiten, was Betriebe dazu zwingt, die Warenverfügbarkeit zu erhöhen. Trotz allem sollen idealerweise die Kapitalbindung gesenkt und die Ökobilanz verbessert werden. Um diese Ziele in Einklang zu bringen, bietet AIM den Einsatz von industrieller KI in Gestalt der Predictive Supply Chain an. Doch was heißt das konkret?
Künstliche Intelligenz ist in der Lage, auf Basis von internen und externen Daten Einflussgrößen wie Auftragseingänge, Kommissionierungslasten, Wareneingänge und Transportzeiten genau vorherzusagen. Ergänzend können Prognosen zu bevorstehenden Störungen in den technischen Komponenten des Lagers einfließen. Auf dieser Grundlage lassen sich Dispositions- und Steuerungsprozesse von Mitarbeitern, Beständen, Artikel-Clustern (siehe nächster Abschnitt) und Lagersystemen deutlich optimieren. Mittelfristig ist sogar eine KI-gestützte Automatisierung der Disposition von Mitarbeitern, Betriebsmitteln und Fahrzeugen möglich. Denn Algorithmen können aus Entscheidungen menschlicher Disponenten lernen und diese schließlich imitieren.
Insgesamt entstehen durch den KI-Einsatz in der Intralogistik zahlreiche Mehrwerte. So lassen sich Überlasten, Unterlasten, Engpässe und Wartezeiten vermeiden. Bestände und Durchsätze werden optimiert, gleichzeitig steigt die Liefertreue. Auch systematische Veränderungen werden frühzeitig aufgedeckt, sodass Unternehmen rechtzeitig reagieren können.
Tipps vom Profi im AIM 360° Smart Warehouse Webinar
Erkennung häufiger Artikelkombinationen
Ein weiteres Ziel der Intralogistik besteht darin, die Durchlaufzeiten vom Auftragseingang bis zum Versand zu verkürzen. Hierzu setzen Unternehmen bisweilen auf reduzierte Laufwege durch eine zweistufige Kommissionierung. Weitere Optionen sind die Bündelung von Aufträgen und eine größere Nähe zusammengehöriger Artikel. Angesichts kontinuierlicher Veränderungen in Sortimenten und kleinteiliger Kundenaufträge sind diese Maßnahmen jedoch nicht einfach umzusetzen. Exakt an dieser Stelle kommt Künstliche Intelligenz ins Spiel.
KI kann einerseits kontinuierliche Prognosen zu Bedarfen liefern, andererseits häufige Artikelkombinationen dynamisch identifizieren. Werden diese beiden Informationen kombiniert, lassen sich Artikel bereits bei der Einlagerung optimaler im Lager positionieren. Bei großen Sortimenten und kleinteiligen Aufträgen bietet sich darüber hinaus die KI-gestützte Bildung dynamischer Cluster an, bei denen Teilmengen von Artikeln so im Lager verteilt werden, dass Kommissionierungsprozesse noch schlanker werden.
Aus den Clustern können darüber hinaus spannende Einblicke generiert werden – etwa zu Kundengruppen mit ähnlichem Bestellverhalten. Hierdurch ist es wiederum möglich, Laufwege in Person-zu-Ware-Bereichen, die Vorkommissionierung und das Batching besser zu steuern und sogar den Durchsatz in automatischen Lagersystemen zu steigern.
Optimierung der Transportlogistik
Natürlich eignet sich Künstliche Intelligenz in der Supply Chain auch dazu, die Transportlogistik zu verbessern. In diesem Bereich besteht die Herausforderung vor allem darin, Transporte trotz komplexer Einflussfaktoren und dynamischer Veränderungen des Umfelds optimal zu planen, vorzubereiten und durchzuführen. Ziel ist es hierbei nicht nur, eine zuverlässige und termingerechte Auslieferung sicherzustellen. Es gilt auch, Mitarbeiter, Betriebsmittel und Fahrzeuge effizient einzusetzen, Kosten zu senken und ökologische Aspekte zu berücksichtigen.
In den Prozessen und Daten von Unternehmen stecken zahlreiche Muster, die in diesem Kontext hilfreich sind. Sie geben beispielsweise Aufschluss über Transportbedarfe sowie Bedarfe an Transportmitteln und Fahrzeugen. Werden diese Muster mit externen Einflussgrößen (z. B. Ferien, Wetter, Feiertage) kombiniert, können Transportkapazitäten besonders gut vorausgeplant werden. Weiterhin kann KI dispositive Aufgaben wie die Tourenplanung unterstützen oder sogar weitestgehend automatisieren.
Künstliche Intelligenz in der Supply Chain: So gelingt der Einstieg
Kostensenkung, schnellere Lieferung, besserer Service, mehr Nachhaltigkeit: In Summe spricht vieles dafür, Künstliche Intelligenz in der Supply Chain zu nutzen. Einige Unternehmen setzen dies im Übrigen bereits um. Eine BVL-Umfrage unter Logistikern aus dem Jahr 2018 ergab, dass bereits neuen Prozent aller Unternehmen Anwendungen oder Dienstleistungen mit künstlicher Intelligenz verwenden. 61 Prozent planen dies. Das größte Potenzial sahen die Befragten in unternehmensinternen KI-Algorithmen zur Planung der Supply Chain (52 Prozent).
Wer ebenfalls in das Thema einsteigen möchte, sollte sich zunächst mit potenziellen Anwendungsfällen und deren Mehrwert im eigenen Unternehmen befassen. Der nächste empfehlenswerte Schritt ist dann ein Data-Quick-Check, welcher die Verfügbarkeit, Qualität und Potenziale der vorhandenen Daten evaluiert. Fällt diese Exploration positiv aus, steht der Umsetzung eines Pilotprojekts kaum noch etwas im Wege. Mithilfe standardisierter Lösungen lässt sich sehr schnell ein Minimum Viable Product umsetzen, um den Mehrwert für das Unternehmen greifbar zu machen und weitere Schritte einzuleiten.
Haben Sie Interesse und Ideen zu diesem Thema? Dann freuen wir uns über einen persönlichen Austausch!
Sie haben Fragen?
Als Experten für Industrielle KI Projekte stehen wir Ihnen gerne für eine persönliche Beratung und weitere Fragen zur Verfügung.
Industrial AI Expert
Nils Funke
Gestartet ist Nils bei uns als Product Owner im Bereich Industrieller KI & Machine Learning und gilt deshalb als DER Experte, wenn es um die Anwendung und Übertragung in die Praxis geht.
Head of Sales Industrial AI
André Ullrich
Andrè verfügt über eine langjährige Erfahrung im direkten und indirekten Vertrieb komplexer Softwarelösungen. Innerhalb unseres Teams verantwortet er den Vertrieb im Bereich Industrielle KI, wobei sein Fokus auf den Sektoren Intralogistik, Produktion und Instandhaltung liegt.
Weitere Beiträge
Oktober 16, 2024
Mit KI Datenlücken schließen und somit die Datenqualität verbessern
In der heutigen Geschäftswelt sind datengetriebene Entscheidungen kein Luxus…
Juli 15, 2024
Machine Learning as a Service: KI-Betrieb und Machine Learning in der Cloud
Ein steigender Bedarf an KI-Lösungen und entsprechender Speicherkapazität…
März 6, 2024
Erfolgreicher Start für Prozessoptimierungen mit KI in der Logistik und in der Produktion: Der (Mehr)Wert eines Workshops
In diesem Artikel beleuchten wir die Relevanz der Startphase von KI-Projekten…
Februar 12, 2024
Die Grundsteine für erfolgreiche KI-Implementierung: Warum Machine Data Landscaping (MDL) und Data Quality Checks (DQC) unerlässlich sind
Maximieren Sie den Erfolg Ihrer KI-Implementierung! Eine umfassende Voranalyse…
Dezember 8, 2023
Fachkräftemangel in Unternehmen: Wie kann Industrielle KI hier unterstützen?
Industrielle KI hilft, Fachkräfte effizienter einzusetzen oder Prozesse so…
November 21, 2023
Lastspitzenmanagement mit AIM.predict: Wie Machine Learning Lastspitzen in der Energieversorgung reduziert
Erfahren Sie, wie die Software AIM.predict und Machine Learning-Verfahren zu…
September 20, 2023
KI-gestützter Schichtplan: Optimale Lastverteilung zwischen Schichten
Ein erfolgreiches Fazit: Weniger Arbeitsbelastung dank Schichtplanung mittels…
August 30, 2023
Grenzwertüberwachung mittels Trendprognose am Beispiel von Stickoxiden
Anwendungsbeispiel für den Einsatz industrieller KI (Smart Machines) im Bereich…