Die Logistik ist ebenso wie die Geometrie vollständig deterministisch und algorithmierbar, sagt Professor Michael ten Hompel, Geschäftsführender Institutsleiter des Fraunhofer-Instituts für Materialfluss und Logistik IML. Denn sämtliche Prozessschritte in der physischen Logistik, darunter das Picken, der Transport, das Ein- und Auslagern sowie Umschlagen seien bereits vollständig beschrieben. In der Kombination dieser Prozessschritte ergeben sich hochkomplexe Optimierungsprobleme. Damit eignet sich die Logistik auch besonders gut für die Nutzung von selbstlernenden Algorithmen, also künstlicher Intelligenz (KI).
Fachkräftemangel bremst
Eine Studie von Tata Consultancy und dem Branchenverband Bitkom von 2020 zeigt, dass zwar fast die Hälfte der Unternehmen (47 Prozent) KI als Schlüsseltechnologie für die Logistik sehen. Doch nur 27 Prozent setzen KI bereits ein oder planen die Nutzung konkret. Als Hürden wurden vor allem hohe Investitionskosten, Herausforderungen bei Datensicherheit und Datenschutz, aber auch Mangel an Expertise genannt. Bisher zögern viele Unternehmen, sich tiefgehender mit KI-Technologie und Machine Learning zu befassen, gerade Mittelständler tun sich schwer. Das liegt nicht zuletzt am drastischen Fachkräftemangel im Bereich Data Science. In den meisten Projekten wird deshalb externes Know-how von Berater:innen hinzugezogen. Der Vorsprung, den sich KI-Nutzer erarbeiten, ist für andere Marktteilnehmer nicht so leicht einzuholen, denn oft geht es um Lernprozesse und den Aufbau einer qualifizierten Datengrundlage.
Wo KI den Unterschied macht
Einsatzmöglichkeiten gibt es viele. In der Praxis steht Ware nicht selten einen Tag lang auf der Rampe herum, weil zu früh kommissioniert wurde. Durch Software in Verbindung mit IoT-Szenarien wie Tracking könnte heute deutlich besser disponiert werden. Wenn beispielsweise mittels Geofencing die Ankunft eines LKW in einer Stunde signalisiert wird, können die Waren zeitgerecht bereitgestellt und Beladeteams entsprechend gesteuert werden. Diese Daten können zum Training einer künstlichen Intelligenz genutzt werden, um beispielsweise Vorhersagen über die Pünktlichkeit an bestimmten Tagen oder Uhrzeiten, wie auch über die Zuverlässigkeit des jeweiligen Transporteurs zu treffen. Im Ergebnis werden dann beispielsweise vielleicht keine Transporte am Dienstag oder von einem speziellen Transportunternehmen mehr gebucht. Nicht immer ist das Thema Kommissionierung trivial. Mittels Machine Learning kann sehr exakt vorhergesagt werden, wie viel Zeit genau für die jeweilige Lieferung nötig sein wird und damit die Teamplanung verbessert werden. Generell sind genauere Forecasts ein wesentlicher Vorteil von KI-Technologie, auch im Segment Intralogistik. KI leistet aber noch mehr.
Den kürzesten Weg nehmen
Die Wegeoptimierung im Lager hat in aller Regel noch Luft nach oben. Mit Machine Learning lässt sich automatisiert errechnen, wie häufig eine Ware kommissioniert wird, die Dauer der Bereitstellung prüfen und daraus ableiten, welche Waren an einem besser zugänglichen Lagerplatz gelagert werden sollten. Grundlage dafür sind natürlich qualifizierte Daten, die sich sehr gut über eine Datenerfassung auf mobilen Endgeräten einsammeln lassen. Dabei wird möglichst bis auf die Ebene der einzelnen Prozessschritte nahezu in Echtzeit dokumentiert. Kamerabilder der Lagerräume und -flächen können ebenfalls als Basis für die Errechnung der Wege dienen. Ein Trend geht zudem hin zu autonomen Transportsystemen, bei denen KI einerseits dafür sorgt, dass die Umwelt durch Sensorik wahrgenommen wird, um keine Unfälle zu verursachen. Zum anderen berechnen KI-Algorithmen auch hier den jeweils effizientesten Weg.