Künstliche Intelligenz (KI) in der Logistik


Foto: Shutterstock_1164613735_Phonlamai Photo

Das Entstehen immer komplexer werdender Logistiknetzwerke und die zunehmende Dynamik logistischer Prozesse erfordert eine hohe Effizienz und Zuverlässigkeit, die in Zukunft nur mit einem hohen Automatisierungsgrad durch Künstliche Intelligenz (KI) gewährleistet werden kann.

Der Turing Test

Was allerdings Künstliche Intelligenz genau bedeutet, ist bisher noch nicht eindeutig definiert. Einer der wichtigsten Visionäre und Theoretiker war Alan Turing (1912-1954). Seine zentrale These ist, dass eine intelligente Maschine fähig ist, jedes Problem zu lösen, sofern dieses durch einen Algorithmus darstellbar und lösbar ist. Das heißt, kognitive Prozesse, die algorithmisierbar - also in endliche wohldefinierte Einzelschritte zerlegbar sind - können auf einer Maschine ausgeführt werden. 1950 definierte Turing den sogenannten Turing Test, in dem ein Mensch beurteilt, ob ein Text von einer Person oder einer Maschine stammt. Falls die maschinell erstellte Version nicht von dem Text zu unterscheiden war, der von einem Menschen erstellt worden war, so hatte die Maschine den Turing-Test bestanden und galt als „intelligent“. Von der Erfindung einer Maschine, die über eine menschenähnliche Intelligenz verfügt, sind wir allerdings auch heute noch weit entfernt.

Erfolge der KI im Bereich der Spiele

Richtig große Erfolge feiert die Künstliche Intelligenz vor allem im Bereich der Spiele wie AlphaGo, ein Computerprogramm, das ausschließlich das Brettspiel Go spielt und unter Turnierbedingungen einen professionellen Go-Spieler auf einem 19 x 19 –Brett schlagen konnte. Bei Spielen ist die künstliche Intelligenz dem Menschen überlegen, denn hier gibt es keine unbekannten Situationen, es gibt nur gemäß den Spielregeln erlaubte mögliche Situationen. In der wirklichen Welt, wenn die Künstliche Intelligenz z. B. für logistische Herausforderungen angewendet werden soll, ist dies nicht gegeben. Hier treten häufig neue, bisher unbekannte Situationen auf.

Logistikprozesse automatisieren

Um Logistikprozesse mittels Künstlicher Intelligenz zu automatisieren, ist eine menschenähnliche Intelligenz allerdings gar nicht relevant. Hier geht es um Optimierungen, Effizienz und um Prognosen für die Zukunft, so dass Unternehmen auf Ereignisse während der Transportwege besser vorbereitet sind. Für diese Anwendung der Künstlichen Intelligenz müssen Maschinen anhand einer umfangreichen Datenmenge lernen. Machine Learning ist ein aktueller Lösungsansatz. Das zentrale Konzept vieler Machine Learning Algorithmen sind neuronale Netze, die Wissen aus Erfahrungen generieren. Es sind künstliche Nachbildungen von natürlichen und menschlichen Lernvorgängen. In symbolischen Systemen wird abgelegtes Wissen in Form von Regeln direkt repräsentiert. Subsymbolische Systeme repräsentieren abgelegtes Wissen indirekt in Form von Berechnungen (genetische Algorithmen).

Einspeisung der Daten in neuronale Netze

Die Daten werden über sogenannte Input-Layer in die neuronalen Netze eingespeist und bieten die Grundlage für das Training. Hierbei lernt das neuronale Netzwerk, die Daten zu gewichten und einzuordnen. Im Gegensatz zur konventionellen Datenverarbeitung lernen neuronale Netze auch während des Echtzeitbetriebs und korrigieren Fehler durch neue Erfahrungen. Live-Updates sind ohne Downtimes möglich. Neuronale Netze lernen schnell und erfolgreich, weil ein enormer Beschleunigungsfaktor durch Grafikprozessoren (GPUs) erreicht werden kann.

Künstliche Intelligenz lernt im Training mit möglichst vielen Datenvariationen

Zum Lernen braucht das Netzwerk viele Fälle in umfangreichen Variationen. Je höher die Anzahl der Variationen, desto besser die Qualität des Netzes. Die Trainingsdaten leiten sich von der Realsituation und dem Lernziel ab oder sind Hintergrunddaten über mögliche Ereignisse während des Transportvorgangs. Sie lassen sich auch synthetisch erzeugen wie beispielsweise durch Augmentierung, Manipulation und Erzeugung von Realdaten basierend auf Symbolvorlagen. Bilddaten hingegen sollten so nah wie möglich an der Realität sein.

Zum Generieren von Algorithmen müssen die Entwickler die logistischen Anwendungen verstehen

Gute Algorithmen für Automatisierungsprozesse in der Logistik können nur entstehen, wenn die Entwickler die Anwendungsdomäne verstehen. Hier sind Logistikexperten gefragt. Sie sammeln im ersten Schritt die Realdaten und Anforderungen und bereiten diese als Trainingsdaten für die Machine Learning Konzepte auf. Dies und auch die Durchführung des Trainings erfordert Expertenwissen, damit in der Logistik die richtigen Klassifikatoren trainiert werden. Je mehr Trainingsdaten in vielen Variationen, Hintergrund- und Anwendungswissen zur Verfügung stehen, desto besser ist das Lernergebnis.

acatech Industrie 4.0 Reifegradmodel

Als Grundlage für dieses Verfahren dient das acatech Industrie 4.0 Reifegradmodell. Es beginnt mit dem Sichten der Daten „Seeing“ und es folgt das „Understanding“, was zu einer hohen Transparenz führt und Daten für Vorhersagen liefert. Diese Phase wird als „Being prepared“ bezeichnet. Es folgt die Phase „Self-optimizing“. Das System lernt und passt sich auf Grundlage der gesammelten Daten an. Startet ein Unternehmen ein KI-Projekt, so empfiehlt es sich grundsätzlich im kleinen Rahmen zu beginnen und schrittweise die Komplexität des Anwendungsfalls zu steigern.

Digitaler Schatten macht Logistikprozesse transparent und vorhersagbar

Ziel ist es immer mit diversen Mustererkennungen und Auswertungen einen digitalen Schatten zu erzeugen. Dieser entspricht einem hinreichend genauen Abbild der jeweiligen Logistikprozesse inklusive angrenzender Bereiche, um eine echtzeitfähige Auswertungsbasis zu schaffen. Mit ihnen kann man prognostizieren, was im Lager oder auf den Transportwegen in den nächsten Stunden und Tagen passiert. Auch Steuerungsdaten und Daten aus dem Enterprise-Resource-Planung (ERP) können genutzt und durch weitere Daten angereichert werden, die derzeit nicht in den ERP-Systemen abgebildet sind wie Geo-Positionen, Wetterinformationen oder Staumeldungen.

Latenzzeiten reduzieren

Mit einem digitalen Schatten als regelmäßig genutzte Datenbasis können Latenzzeiten bei Entscheidungen und Umsetzungen enorm reduziert werden. Im Transportwesen geht es bei der Entwicklung eines digitalen Schattens neben SAP und RFID auch um den gesamten Transportweg des Produktes von der Werkhalle bis zum Kunden. Hier fallen die größten Datenmengen an. Die Entwicklung ist noch am Anfang, sie hat aber enormes Potenzial (vergleiche auch die Fraunhofer KI-Projekte „Logistik & Mobilität). Werden z. B. ERP-Systeme mit Manufactoring Execution-Systemen (MES) oder anderen Datenbanksystemen verbunden, könne man z. B. Transparenz darüber erhalten, was im Lager vorhanden ist, wie sich Bestände verändern und sich Material von Halle zu Halle bewegt.

Häufige Machine Learning Konzepte

Die häufigsten Machine Learning Konzepte sind: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Beim Supervised Learing sind die Ergebnisse bekannt und das Anlernen erfolgt anhand von Eingabe und Ergebnissen. Das Netz lernt die unterschiedlichen Strukturen und findet während des Trainings eine Funktion f(x)=y.

Das Unsupervised Learning eignet sich vor allem bei Prozessdaten, von denen man nicht weiß, wie diese eingeteilt werden sollen. Es empfiehlt sich als Ansatz, Strukturen in Daten zu entdecken. Das System startet mit einer „Knowledge Discovery“ und entdeckt eigenständig neue Strukturen und Muster. Komplexe Merkmale werden aufbauend auf einfachen Merkmalen gelernt. Das Netz strukturiert sich selbst nach Ähnlichkeit. Die Label für die erkannten Gruppen müssen dann im Nachhinein bestimmt werden.

Das Machine Learning Konzept des Reinforcement Learning eignet sich für hochkomplexe Aufgaben durch „Learning by doing“. Hier wendet das Netz Funktionen in unbekannten Situationen an und lernt durch ein Belohnungssystem. Es erlernt die Umgebung und die Auswirkung von Aktionen auf diese.

KI Anwendungen in der Logistik

Künstliche Intelligenz wird in der Logistik häufig zur Mustererkennung eingesetzt. Unbekannte und neue Zusammenhänge und Strukturen werden erkannt. Die KI nimmt die Eigenschaften von Paketen, Paletten und anderen Ladungsträgern auf und klassifiziert Symbole in Bilddaten. Andere Klassifikationen sind Oberflächenstrukturen und Füllstand. Die Mustererkennung dient auch der Lokalisierung von Objekten.

Steuerung übernimmt Koordination der Roboter

So können beispielsweise Laserscanner die Lage von Packstücken in Container-Innenräumen erfassen und diese an eine Robotersteuerung übermitteln, die dann die Koordination für die Greifer des Roboters übernimmt. Der Roboter kann auf diese Weise Pakete unterschiedlicher Größe und Form aus dem Container auslagen und z. B. auf ein Förderband legen. Sind die Packstücke mit RFID-Tags versehen, die neben Idenitfikationsnummern auch Daten zur Destination der Packstücke und Informationen über Lage und Größe enthalten, kann der Roboter dieses Paket entsprechend dieser Daten weiterleiten. Das intelligente Packstück oder die Palette steuert sich selbst, die Steuerungsaktivitäten werden zunehmend auf das zu transportierende Gut selbst übertragen.

Erkennen von Gefahrgutsymbolen

Eine typische Anwendung von KI in der Logistik ist auch das Erkennen von Gefahrgutsymbolen. Diese hat das System durch Kameradaten erlernt und kann die Paletten somit bereits am Wareneingang in gefährliche und ungefährliche Ladungen klassifizieren.

Chatbots als Mensch-Maschine-Kommunikation

Auch als Mensch-Maschine-Kommunikation wird die KI in der Logistik genutzt. Chatbots als Kommunikationsmittel zwischen Mensch und Maschinen interpretieren menschliche Nachrichten und generieren Antworten. Das Ziel ist ein gemeinsames Verständnis zwischen Mensch und Technologie zu erzeugen. Der Chatbot definiert seine Antworten auf einer Wissensbasis, die stetig optimiert und angepasst wird. Chatbots können einen Teil der Social Networked Industry für die Kommunikation mit Maschinen und Systemen darstellen. Dazu muss eine Social Collaboration bzw. eine Networking Software in die IT-Landschaft etabliert werden.