Künstliche Intelligenz und Maschinelles Lernen

Unternehmen stehen regelmäßig vor der Herausforderung, ihre zukünftig benötigten Kapazitäten (Maschinen, Fuhrpark, Stellplätze und Ressourcen) im Voraus festlegen zu müssen. Diese sind oftmals großen Schwankungen, Unregelmäßigkeiten und unvorhersehbaren Einflüssen unterworfen. Eine genaue Abschätzung der zu erwartenden Mengen erlaubt eine bessere Einschätzung der benötigten Kapazitäten und stellt eine große Unterstützung für die Planung dar.

Mittels Methoden der Künstlichen Intelligenz (KI) lassen sich maßgeschneiderte Modelle entwickeln, die Unternehmen in der Planung ihrer Kapazitäten unterstützen. Hierbei werden branchenspezifische interne und externe Datenquellen identifiziert, die Auswirkungen auf eine zukünftige Mengenprognose haben. Diese heterogenen Daten werden mittels statistischer Methoden auf ihre Bedeutung hinsichtlich ihres Einflusses auf die Mengen überprüft und in einem KI-Modell verankert. In der industriellen Anwendung konnte gezeigt werden, dass die zusammengetragenen Wirkungszusammenhänge und Prognosen zu einer verbesserten Planungssituation führen.Unternehmen stehen regelmäßig vor der Herausforderung, ihre zukünftig benötigten Kapazitäten (Maschinen, Fuhrpark, Stellplätze und Ressourcen) im Voraus festlegen zu müssen. Diese sind oftmals großen Schwankungen, Unregelmäßigkeiten und unvorhersehbaren Einflüssen unterworfen. Eine genaue Abschätzung der zu erwartenden Mengen erlaubt eine bessere Einschätzung der benötigten Kapazitäten und stellt eine große Unterstützung für die Planung dar.

Unabhängig von der Wahl der Transportwege, ob über Land, Schiene oder Wasser, ermöglicht die ETA-Prognose für Akteure des B2B-Bereichs eine verbesserte Einschätzung der Ankunftszeit ihrer Sendungen. Der Einsatz von Künstlicher Intelligenz ermöglicht es dem Kunden wie auch dem Lieferanten, den optimalen Bestell- und Lieferzeitpunkt einer Sendung zu bestimmen. Bei Störungen auf dem Transportweg wird der Lieferant zudem in die Lage versetzt, alternative Verkehrsträger oder Routen zu prüfen. Die webbasierte Anwendung überzeugt durch ihre einfache Anwendbarkeit, Schnelligkeit und Anpassungsfähigkeit. Durch die modulare Erweiterbarkeit kann sie an individuelle Bedürfnisse angepasst werden.

Projekt: Oktopus – KI-gestützte Optimierung von Binnenwassertransporten

In einer Vielzahl von Branchen besteht die Möglichkeit der Umsetzung einer vollständig digitalisierten und automatisierten Tourendisposition mit Algorithmen des maschinellen Lernens und Operations Researchs. Dafür werden automatisch ermittelte aktuelle Füllstände an ein KI-getriebenes System übertragen. Dort werden zukünftige Bedarfe prognostiziert (Predictive Analytics) und in eine dynamische Tourenplanung integriert, um in Realzeit auf Veränderungen reagieren zu können. Somit unterstützt die Automatisierte Disposition aktiv Disponenten bei ihrer täglichen Arbeit und den damit verbundenen wachsenden Herausforderungen bzgl. der Berücksichtigung der Arbeitszeiten, Auftragspriorisierung, Ladungsvolumen oder Fahrzeugkapazitäten. Eine flexiblere Ausführung von Notfallbelieferungen oder Reaktion auf veränderte Verkehrslagen wird möglich. Vor allem Gütertransporte, die direkt kundenabhängig und spontan ausgelöst werden, profitieren von einer automatisierten Disposition.

In der täglichen Auslieferung stellt ein möglicher Einsatz von E-Fahrzeugen die bestehenden Tourenpläne auf den Kopf. Veränderte Reichweiten, Laderaumkapazitäten und Parkplatzsituationen erfordern neue speziell entwickelte E-Tourenplanungsverfahren. Insbesondere die Reichweitenfrage ist bei einem Umstieg auf E-Fahrzeuge entscheidend. Werden die Reichweiten unterschätzt, führt dies zu kurzen und ineffizienten Touren. Eine Überschätzung der Reichweite hingegen kann zu unnötigen und teuren Ausfällen führen. Die Reichweite hängt von verschiedenen Faktoren wie Topographie, Wetter, Infrastruktur, Fahrverhalten und dem transportierten Gewicht ab. Bei letzterem Punkt spielt zusätzlich die Reihenfolge und Verteilung der Fahrtstrecke eine Rolle. Basierend auf Testreihen, die an realen Fahrzeugen über Sensoren gewonnen wurden, konnte ein präzises Vorhersagemodell aufgebaut werden, mit dessen Hilfe Touren hinsichtlich ihrer Reichweite optimiert werden können. Hierfür wurde auf modernste Verfahren aus dem Bereich des Maschinellen Lernens zurückgegriffen. Hierdurch wird eine auf die Bedürfnisse von E-Fahrzeugen zugeschnittene Tourenplanung ermöglicht.

Mit Hilfe der neuentwickelten KI-Algorithmen zur Bilderkennung lassen sich Modelle trainieren, die genau für die vom Unternehmen genutzten Verkehrsträger und Ladehilfsmittel anhand von Foto- oder Filmaufnahmen die Qualität kontrollieren und entsprechende Schäden identifizieren. Die Grundlage für die Algorithmen bilden Foto- oder Filmaufnahmen von den sich im Umlauf befindlichen Verkehrsträgern und Ladehilfsmitteln, die sich anschließend auf die Anforderungen des Unternehmens übertragen lassen. Durch den Einsatz der trainierten Modelle führt die automatisierte Schadenserkennung zu einer signifikanten Zeitersparnis bei stark verringertem Personaleinsatz und verhindert monetäre Verluste durch frühzeitige Erkennung von Schäden während der Annahme.