Vom Hype in die Praxis: Reagieren war gestern – Machine Learning im Behältermanagement
Behälter übernehmen als Bindeglied zwischen Produktionsschritten eine wichtige Funktion. Aufgrund der anhaltenden Automatisierung und damit klar definierten Verpackungsvorschriften ist der Einsatz von mehrfach verwendbaren Ladungsträgern zwingend erforderlich. Die Etablierung der Lean-Philosophie bestärkt unter anderem durch die Vermeidung von Umverpackungsprozessen diesen Umstand. Mehrweg-Behälter als kleinste logistische Einheit wurden im Zuge dessen zu einem unabdingbaren Bestandteil des produktionslogistischen Prozesses. Deren Verfügbarkeit ist somit ein elementarer Faktor für den Unternehmenserfolg. Aufgrund der anhaltenden Globalisierung und der damit verbundenen Vielzahl an Tauschbeziehungen ist das eine nicht ganz einfache Aufgabe.
Es gibt eine Menge Behältermanagementsysteme (BMS), die sich auf den Einsatz von analytischen Modellen stützen und durch die gezielte und gesteuerte Extraktion von Informationen und Wissen aus vorhandenen Daten dem Behältermanager eine neue Entscheidungsbasis und -unterstützung anbieten können. Die vorhandenen Daten werden dabei sowohl im BMS zur Steuerung der Behälterkreisläufe (Bestandsführung, Push/Pull-Versorgung der SC-Teilnehmer) als auch zur langfristigen Planung und Loop-Optimierung (Verschiebung der Bestellquelle, Dimensionierung des Behälterkreislaufes) genutzt.
Doch sind diese Maßnahmen ausreichend für die Anforderungen von Morgen?
Im Alltag des Behältermanagers ist es zunehmend der Fall, dass langfristige Planung auf kurzfristige Realität trifft. Die Planung ist nur solange aktuell, wie die Rahmenbedingungen konstant sind. Genau dies ist in der morgigen – und auch bereits schon heutigen – Welt immer weniger der Fall. Vielmehr sind die Bedingungen unbeständig und damit wenig vorhersehbar. Der statische Rahmen für die bisherige Planung mit geringem Risiko weicht zunehmend auf.
Machine Learning Konzepte lassen sich als bedeutsames Werkzeug verstehen, um die analytischen Modelle zur Datenanalyse zu ergänzen. Künstliche Intelligenz kann dabei unterstützen, aus bisherigen „mutigen“ Planungen und vielleicht eher groben Annahmen valides Behältermanagement in der kurzfristigen Realität zu betreiben. Hiermit ist es auch möglich, schnell auf Veränderungen zu reagieren, da diese bereits früh bspw. durch eine Anomaliedetektion erkannt werden. Diese Technologien sind zukunftsweisend und sowohl Treiber, als auch Ziel, innerhalb des aktuellen Paradigmenwechsels in der Logistik bis hin zu datengetriebenen Geschäftsmodellen von Morgen – und sie sind dringend notwendig.
Mehr als nur eine kurze Bekanntschaft: LOGSOL und KI lernen sich besser kennen
LOGSOL hat zusammen mit der Technischen Universität Dresden innerhalb eines Verbundprojektes die Entwicklung von Verfahren zur Anwendung von Machine Learning Algorithmen unter Einbezug von analytischen und simulativen Modellen für das Behältermanagement realisiert. Ziel der gemeinsamen Anstrengungen ist es, die Möglichkeiten der Digitalisierung zu nutzen, um die damit einhergehenden Herausforderungen bzgl. der ausschweifenden Datengrundlage zu meistern und gewinnbringend auszuschöpfen. Schlussendlich kann damit ein Behältermanagementsystem angeboten werden, welches den Nutzer bestmöglich unterstützt und befähigt, die richtigen Entscheidungen zu treffen.
Besonders wichtig dabei ist der Bereich der Predictive Analytics, unter dem die Generierung von belastbaren Vorhersagen aus aktuellen und historischen Daten verstanden wird. Im Behältermanagement wird durch die Prognose von Behälterbuchungen eine Basis geschaffen, auf der eine Vielzahl von Assistenzfunktionen für die Behältereigentümer aufgebaut werden kann. Diese sind anhand dieses Wissens in der Lage, ihre Bestände auch bei dynamischen Änderungen der Rahmenbedingungen optimal zu planen und so bspw. Bestellungen bei auftretenden Engpässen strategisch zu delegieren. Ohne eine solche Assistenz- und Entscheidungsunterstützung sind und bleiben die Entscheidungen der Disponenten mit einer hohen Unsicherheit und damit einem erhöhten Risiko verbunden.
Im Behältermanagement liegt die Herausforderung einer Anwendung von Prognosemodellen wie Neuronalen Netzen, Support Vector Machines oder Decision Trees in der Abhängigkeit des Behälterflusses zum zugrundeliegenden Produktionsgeschehen. Es erfordert eine tiefgehende Analyse der Datengrundlage um Daten mit tatsächlicher „Erklärkraft“ identifizieren zu können, welche in der Lage sind z.B. die erwarteten Ausgangsbuchungen der kommenden Woche mit ausreichender Genauigkeit prognostizieren zu können.
Die im Projekt erfolgreich erprobten Anwendungsfälle des Machine Learning im Behältermanagement erstrecken sich über:
- die Prognose von Buchungen und dem Bestand
- die Anwendung von Klassifizierungs-, Clustering- und Prognosemodellen zur Bewertung von Kontenpartnern bzw. Lieferanten
- dem Einsatz von Sentimentanalyse- und Textauswertungstools zur verbesserten Reaktion auf Anliegen der Systemnutzer.
Dazu wird ausgehend von einem Set an Trainingsdaten ein geeignetes Modell ausgewählt und auf Basis von Parametervariationen konfiguriert. Anschließend wird zur Validierung ein Verlauf der KPI durch Einbezug von multivariaten Einflussgrößen durch die ML-basierte Prognose vorhergesagt und mit den tatsächlichen Referenzdaten verglichen. Diese Daten können schlussendlich in einem Dashboard zur Entscheidungsunterstützung angezeigt werden.
Daten sind Silber, Information sind Gold
Eine kontinuierliche Erprobung von Technologien im Rahmen der Artificial Intelligence ist von sehr großer Bedeutung für die Logistikbranche. Jedoch stellt es die Unternehmen auch vor viele Herausforderungen, da es sich um eine Schnittstellenthematik handelt. Für eine erfolgreiche Implementierung sind neben dem domänenspezifischen Anwendungs- und Expertenwissen auch weitreichende Kenntnisse im Gebiet der Data Science gefragt. Während Anwendungen durch analytische Modelle bereits im Heute angekommen sind, reichen diese für eine Anwendung von morgen nicht mehr aus. Um für die zukünftigen Anforderungen einer „VUCA*- Welt“ ausreichend vorbereitet zu sein, sind entscheidungsintelligente Algorithmen mit maschinellen Lernverfahren eine notwendige Voraussetzung. Damit ist u. a. die Prognose von Behälterbuchungen durch Neuronale Netze weniger eine Kür, sie wird zunehmend zur Pflicht.
*VUCA „Volatility“ („Volatilität“), „Uncertainty“ („Unsicherheit“), „Complexity“ („Komplexität“), „Ambiguity“ („Mehrdeutigkeit“)
