Menü
Künstliche Intelligenz und Logistik: Die Transformation Area 3 entwickelt datengetriebene KI-Lösungen für Ihren gesamten logistischen Wertschöpfungsprozess – von der Warenanlieferung bis hin zur Kommissionierung und Montage.
Welche Prognoseverfahren machen zuverlässige Transportvorhersagen möglich? Wie können Ihre Fahrzeuge nachhaltig genutzt und ausgelastet werden? Wie können unterschiedliche Lieferscheine und Auftragsdokumente erfasst und digitalisiert werden? Wie gestaltet sich eine effiziente Montageversorgung?
Diese Fragen stehen im Mittelpunkt der Forschungsarbeit und der praxisnahen Use Cases und werden in drei Arbeitspaketen für Sie erarbeitet:
Wie Künstliche Intelligenz logistische Prozesse unterstützen und optimieren kann, steht im Zentrum der Transformation Area 3 – Data-driven Logistics. Marina Mardanova, Wissenschaftliche Mitarbeiterin am Fraunhofer IML, koordiniert die Arbeiten dieser TA und arbeitet in dem Projekt selbst an KI-Anwendungen in der Inbound-Logistik. Im Gespräch hat sie die Forschungsschwerpunkte erläutert, Umsetzungsschritte vorgestellt und über den Mehrwert von KI-Anwendungen in der Logistik gesprochen.
Ein großer Forschungspunkt ist das Transport-Forecasting, also die Prognose des Transportbedarfs. Für ein Werk und seine Prozesse ist es ja wichtig zu wissen, welche Ware in welcher Menge an welchen Tagen ankommt. Daran orientiert sich – unter anderem – die Personaleinsatzplanung. Auf der anderen Seite ist die Fahrzeugauslastung aus Sicht der Produzenten ein wichtiges Thema: Ziel sollte sein, Bestellungen so durchzuführen, dass Fahrzeuge möglichst ausgelastet fahren – gerade in Zeiten von Fahrermangel, steigenden Energiekosten und der Notwendigkeit Emissionen einzusparen.
Ein anderes Beispiel ist die Unterstützung der Warenanlieferung durch Künstliche Intelligenz: Wenn Lieferscheine oder Palettenlabel von Kameras gescannt und die Informationen automatisch verarbeitet werden, dann reduziert das zum Beispiel den manuellen Aufwand enorm.
Die besondere Herausforderung dieses Forschungsprojekts ist gleichzeitig auch eine Chance. Mit Schmitz Cargobull und CLAAS haben wir zwei produzierende Unternehmen mit ähnlichen Potenzialen, aber natürlich eigenen Herausforderungen und Interessen. Unser Anspruch ist es daher, die Arbeiten möglichst allgemeingültig und trotzdem individuell genug umzusetzen. Letztendlich soll ja auch der Breitentransfer der Forschungsergebnisse gewährleistet sein.
Logistik betrifft jedes produzierende Unternehmen. Jeder Betrieb muss logistische Entscheidungen treffen. Und wenn man zum Beispiel große Mengen bewegt oder komplexe Zusammenhänge behandelt, macht die Unterstützung durch Künstliche Intelligenz Sinn. Zudem werden die Prozesse in Zukunft immer digitaler, die Datenmengen immer umfangreicher. Und genau hier können KI-Verfahren unterstützen.
Good-to-Know TA3
In der Transformation Area 3 Data driven logistics stellen wir uns gemeinsam der Frage wie die Logistik von morgen durch den Einsatz von KI-Verfahren gestaltet werden kann. Ein besonderer Fokus liegt dabei auf der praktischen Umsetzbarkeit von Lösungen und der Integration von KI-Anwendungen in die heutigen logistischen Prozesse. Hierfür streben wir eine übergreifende Betrachtung der logistischen Prozesse an. Wir beginnen in der Inbound-Logistik wo es darum geht taktische und operative Transportentscheidungen zu treffen und das so, dass die zukünftigen Herausforderungen des Fahrermangels und der CO2-Emissionen bewältigt werden können. Durch die Entscheidungen in der Inbound-Logistik wird bestimmt, wie die Ware vom Lieferanten über den Spediteur bis hin zum Werk kommt. Neben der Inbound-Logistik fokussieren wir das Produktionswerk selbst. Wenn die LKWs am Werk angekommen sind, sollen diese effizient und ressourcenschonend in der Warenannahme abgeladen und eingelagert werden. Bei diesen Prozessen treten viele verschiedene Identifikationsvorgänge auf und es bedarf intelligenter Lösungen, wie beispielsweise eine automatisierte Labelerkennenung der Ware zur effizienten Steuerung der Prozesse. Nach der Annahme der Ware und der Einlagerung wird das Material für die Versorgung der Montage wieder benötigt. Für einen reibungslosen und effizienten Montageprozess ist eine optimale Zuordnung von Anstellstrategien der Materialien notwendig.
In der Inbound-Logistik haben wir den gemeinsamen Use Case Transportforecast und Transportbündelung ausgearbeitet, in dem die aktuellen großen Herausforderungen des Fahrermangels und der Notwendigkeit zur CO2-Einsparung aus der Praxis auf neuste Entwicklungen des Forecasting und Optimierung aus der Forschung treffen. Fehlende Transparenz und Unsicherheiten über zukünftige Transportbedarfe führen aktuell zu starren Regeln und geringer Anpassungsfähigkeit. Die Berücksichtigung aller ineinandergreifender logistischer Inbound-Prozesse führt zu einer dynamischen und hoch komplexen Problemstellung. Die Lösung für den Use Case besteht daher aus zwei wesentlichen Komponenten: Wir beginnen mit der Erstellung von Transportforecasts die für die nächste Planungsperiode prognostizieren sollen welche Mengen von welchen Lieferanten zu erwarten sind. Die Forecasts dienen der Transparenzschaffung sowohl beim Produzenten als auch beim Spediteur und sollen einer zuverlässigen Orientierung für weitere Planungsmaßnahmen dienen. In der zweiten Komponente wird ein Entscheidungsunterstützungssystem entwickelt, welches auf Basis des Transportforecasts taktische und operative Transportentscheidungen zur maximalen Auslastung von Transportfahren trifft.
