Computer Vision und Deep Learning für die Logistik 3

Nutzen
Anwendung
Herausforderung
Zusammenfassen
- Referenz

Dies ist Lektion 3 des Kurses „Computer Vision und Deep Learning für Industrie- und Großunternehmensanwendungen“:

Im heutigen wettbewerbsintensiven Markt ist eine effiziente und flexible Lieferkette von entscheidender Bedeutung. Unternehmen suchen daher nach Möglichkeiten, ihre Lieferketten zu optimieren, um Entscheidungen zur Verbesserung der betrieblichen Effizienz und Kundenzufriedenheit zu treffen und ihre Auswirkungen auf die Umwelt zu reduzieren.

Laut einem McKinsey-Bericht wird künstliche Intelligenz bis 2030 ein neues „Logistikparadigma“ definieren. Es wird in den nächsten 20 Jahren 1,3 bis 2 Billionen US-Dollar pro Jahr generieren, da es den Menschen bei sich wiederholenden, aber kritischen Aufgaben weiterhin übertrifft. In einer ähnlichen Studie berichtete McKinsey, dass Unternehmen durch den Einsatz von KI ihre Logistik-, Lager- und Servicekosten um 15 %, 35 % bzw. 65 % steigern können.

Nutzen

Verbessern Sie die Datenqualität

Maschinelles Lernen und die Verarbeitung natürlicher Sprache können die riesigen Informationsmengen, die täglich in Logistikunternehmen einströmen, als Eingabe nutzen und Verbindungen herstellen, um Kontext zu schaffen, eine optimale Datennutzung im Transportwesen zu ermöglichen, Risiken zu vermeiden und bessere Lösungen zu schaffen, Diese umfangreichen Daten können Logistikunternehmen dabei helfen, den genauen Arbeits- und Anlagenbedarf zu ermitteln und ihre täglichen Abläufe zu verbessern. Ressourcen maximieren und Kosten senken.

strategische Vermögenspositionierung

Im Jahr 2021 betragen die Kosten für den Transport eines Standard-40-Fuß-Containers von China an die Ostküste der Vereinigten Staaten mehr als 170.000 Yuan. Algorithmen der künstlichen Intelligenz können Planern und Logistikunternehmen dabei helfen, ihre Vermögenswerte sicher zu lokalisieren und zu schützen. Diese Algorithmen können die Nutzung vorhergesagter Kapazitätsübereinstimmungen verbessern, indem sie den Transport leerer Container und die Anzahl der Fahrzeuge auf der Straße reduzieren. Durch die Reduzierung der Anzahl der für den Transport erforderlichen Fahrzeuge und deren Umleitung an Standorte mit hoher Nachfrage werden eine Effizienzsteigerung des Anlagenstatus und Kostensenkungen gewährleistet.

Verbesserte prädiktive Analysen

Die Berechnung des optimalen Transports einer einzelnen Sendung von Punkt A nach Punkt B erfordert eine Aufschlüsselung der Datenanalyse, Kapazitätsschätzung und Netzwerkanalyse. Für das menschliche Gehirn ist es nahezu unmöglich, diese Vorgänge durchzuführen, da sie zeitaufwändig und fehleranfällig sind. Hier kommt die Vorhersagekraft der KI ins Spiel. KI kann problemlos genaue Daten zusammenstellen, sie mit externen Faktoren kombinieren und alle diese logistischen Verfahren durchführen, um die bevorstehende Nachfrage abzuschätzen. Dies kann Logistikunternehmen dabei helfen, sich einen Wettbewerbsvorteil in der Transportbranche zu verschaffen und unnötige Kosten zu reduzieren.

Beispielsweise nutzt der international führende Versanddienstleister DHL eine Plattform zur Überwachung von Online- und Social-Media-Beiträgen, um potenzielle Probleme in der Lieferkette zu erkennen. Ihr KI-System kann Engpässe, Zugangsprobleme, Lieferantenstatus und mehr erkennen.

Anwendung

Prognose und Planung

KI-gestützte Nachfrageprognosemethoden sind genauer als herkömmliche Prognosemethoden wie ARIMA (Autoregressive Integrated Moving Average) und exponentielle Glättung. Diese Methoden berücksichtigen Demografie, Wetter, historische Verkäufe, aktuelle Trends sowie Online- und Social-Media-Beiträge. Eine verbesserte Leistung bei der Bedarfsprognose hilft Herstellern, die Betriebskosten zu senken, indem sie die Anzahl der ausgelieferten Fahrzeuge reduzieren und so die Anlagenauslastung erhöhen.

Im Allgemeinen gibt es zwei Arten von Nachfrageprognosemodellen:mittel- und langfristige Prognosen und kurzfristige Prognosen. Unternehmen verwenden in der Regel mittel- bis langfristige Schätzungen, um den Kauf neuer Vermögenswerte (z. B. Lager, Fahrzeuge, Vertriebszentren usw.) zu budgetieren und zu planen. Die Spanne dieser Prognosen dürfte zwischen 1 und 3 Jahren liegen.

Die in der Branche am häufigsten verwendeten Prognosen sind jedoch kurzfristiger Natur, was sich stark auf die operative Planung auswirkt und das Endergebnis von Unternehmen mit niedrigen Margen steigert. Sie dauern in der Regel einige Tage bis einige Wochen. Beispielsweise kann Forecast die Fahrzeugnachfrage/-verkäufe zwei Wochen im Voraus mit einer Genauigkeit von über 98 % und sechs Wochen im Voraus mit einer Genauigkeit von 95 % vorhersagen.

Mithilfe von Bedarfsprognosen können Unternehmen sicherstellen, dass sie über die richtige Materialmenge verfügen und ihre Produktionsaktivitäten planen. Die Ergebnisse können mit anderen relevanten Daten zu Kosten, Kapazität usw. kombiniert werden. Gehen Sie außerdem davon aus, dass während des Supply-Chain-Management-Prozesses Probleme auftreten (z. B. wenn sich ein Kunde entscheidet, keine Bestellung aufzugeben). In diesem Fall können prädiktive Lösungen eine Überproduktion von Produkten vermeiden, die niemand haben möchte, indem potenzielle Probleme erkannt werden, bevor sie auftreten, und entsprechende Anpassungen vorgenommen werden.

Um Einkäufe in der kommenden Woche vorherzusagen, entwickelte OTTO einen Deep-Learning-Algorithmus, der 3 Milliarden Datensätze und 200 Variablen analysierte, darunter Transaktionen, Suchanfragen auf der OTTO-Website und Wettervorhersagen. Dadurch kann das System mit einer Genauigkeit von 90 % vorhersagen, welche Produkte in den nächsten 30 Tagen verkauft werden. Dies hilft OTTO, jeden Monat rund 200.000 Artikel im Voraus zu bestellen und Artikel schneller und in einem Zug zu versenden, wenn Kunden Bestellungen aufgeben.

Optimierung

Routenoptimierung: Durch die Routenoptimierung werden die Kosten für die Zustellung auf der letzten Meile rationalisiert, was für die Logistikbranche einen enormen Kostenfaktor darstellt. KI kann historische Fahrten, bestehende Routen sowie geografische, Umwelt- und Verkehrsdaten analysieren, um Algorithmen für die Darstellung kürzester Wege zu verwenden und die effizienteste Route für Logistik-Lkw zu ermitteln. Dies wird die Transportkosten und den CO2-Fußabdruck reduzieren.

Zalando hat ein neuronales Netzwerk namens OCaPi-Algorithmus (Optimal Cart Picking) trainiert, das die Kommissionierung zwischen Mitarbeitern effizienter macht und den Kommissionierungsprozess beschleunigt. Der Algorithmus berücksichtigt nicht nur die Laufwege der Mitarbeiter, sondern auch die Wege von Karusselltransporten, die manchmal in Quergängen anhalten, wenn Mitarbeiter Artikel aus Regalen holen. Dabei schlägt es den kürzesten Weg vor.

Kosten- und Preisoptimierung: Warenpreise schwanken je nach Nachfrage und Angebot. Prädiktive Analysen können Unternehmen dabei helfen, das Risiko einer Fehlbewertung von Waren auf der Grundlage vergangener historischer Daten zu Verkäufen, Mengen, Marktbedingungen, Wechselkursen und Inflation zu minimieren. Diese Modelle können Unternehmen sagen, ob sie die Preise senken oder die Gewinnspanne erhöhen sollten, und ihnen so dabei helfen, sich vom Markt abzuheben.

Bestandsoptimierung: Die Bestandsoptimierung hilft Unternehmen, das Beste aus ihrer Lieferkette herauszuholen. Überbestände ohne Verkäufe können zu Wertminderungen und Verlusten führen, insbesondere bei verderblichen Gütern wie Lebensmitteln und Medikamenten. Vorhersagemodelle können Unternehmen dabei helfen, jederzeit ein angemessenes Versorgungsniveau aufrechtzuerhalten und so Investitionskosten und Verschwendung aufgrund von Überproduktion oder Unterbeständen zu reduzieren. Darüber hinaus können diese Modelle anhand historischer Daten über das Kundenverhalten und bevorstehende Ereignisse wie Feiertage Vorhersagen treffen.

Automatisiertes Lager

Automatisierte Lagerhaltung kann in zwei Arten unterteilt werden: Geräte, die den Warentransport unterstützen, und Geräte, die den Warenumschlag verbessern. Automatisch geführte Fahrzeuge (AGV) können die erste Art der Bewegung von Kartons und Paletten realisieren. Sie können mit Software ausgestattet werden, um Standardstapler nachzurüsten und autonom zu machen. Andere neue Technologien, etwa Schwarmroboter wie die Kiva-Roboter von Amazon, können dabei helfen, Regale mit Waren an ihren Bestimmungsort und auf Förderbänder zu bringen. Darüber hinaus kann ein fortschrittliches automatisiertes Lager-/Bereitstellungssystem Waren in großen Regalen lagern und verfügt über Roboter-Shuttles, die sich mithilfe von an der Struktur befestigten Führungsschienen in drei Dimensionen bewegen können.

Beispielsweise erwarb der Einzelhandelsriese Amazon 2012 Kiva Systems und benannte es 2015 in Amazon Robotics um. Heute arbeiten bei Amazon 200.000 Roboter in seinen Lagern. Von den 175 Versandzentren von Amazon nutzen 26 Roboter, um Pakete auszuwählen, zu sortieren, zu transportieren und zu lagern.

Handlinggeräte können Waren automatisch kommissionieren, sortieren und palettieren. Sie verfügen oft über Sensoren, die die Form und Struktur eines Objekts bestimmen können. Mithilfe ähnlicher Algorithmen der künstlichen Intelligenz können diese Geräte dann alles Schlechte herausfiltern (z. B. der neue TORU Cube von Magazino). Sogar Förderbänder können durch den Einsatz automatisierter Sensoren mit künstlicher Intelligenz weiterentwickelt werden, die Barcodes auf beiden Seiten eines Pakets scannen und die entsprechende Aktion ermitteln können.

Neben diesen Robotermaschinen können auch verschiedene andere Innovationen die Produktivität von Lagerarbeitern steigern.

Exoskelette können die mechanische Dynamik menschlicher Bewegungen durch Handschuhe oder zusätzliche Unterstützung der Beine verbessern. Mit diesen Systemen können Menschen mehr Fracht (z. B. schwerere Gegenstände) oder effizienter und sicherer transportieren.
Künstliche Intelligenz kann Computer Vision nutzen, um im Inventar gelagerte Waren anhand von Buchhaltungsinformationen (z. B. Produktabmessungen, Gewicht usw.) automatisch zu klassifizieren und zu identifizieren. Künstliche Intelligenz kann diese Artikel in Lagern ohne menschliches Zutun schnell lokalisieren.
Die Sicherheit der Mitarbeiter wird verbessert, wenn KI-Roboter mit der Bedienung gefährlicher Geräte und der Lagerung von Inventar beauftragt werden. Computer-Vision-Algorithmen können die Arbeit von Mitarbeitern verfolgen, verschiedene Sicherheitsprobleme überwachen und verdächtiges Verhalten erkennen.

Vorausschauende Wartung

Bei der vorausschauenden Wartung geht es darum, Maschinenausfälle in Fabriken durch die Analyse von Echtzeit-Sensordaten zu erkennen. Damit die vorausschauende Wartung ordnungsgemäß funktioniert, müssen Sensoren alle Parameter im Zusammenhang mit der Komponentenbewegung erfassen. Beispiele für diese Faktoren sind Öffnungs- und Schließereignisse, Aktionen des Steuerungssystems und Rollenverschleiß an Druckzylindern und Docks.

Der nächste Schritt ist die präskriptive Wartung, bei der die proaktive Planung von Wartungsarbeiten außerhalb der Spitzenzeiten auf der Grundlage der Vorhersage des nächsten Ausfalls, des Servicedatums und der Servicezeit, der zu liefernden Ersatzteile usw. erfolgt. Der Plan kann sich sogar auf die Parameter der beteiligten Geräte auswirken, sodass Bewegungen, die den Schaden verschlimmern könnten, nicht mehr mit voller Kraft ausgeführt werden. Nutzen Sie stattdessen die Infrastruktur so sorgfältig wie möglich, um Ausfälle nicht vor geplanten Wartungsterminen auszulösen.

Darüber hinaus ist es falsch anzunehmen, dass es sich hierbei um eine vollständige Abhängigkeit von Sensoren handelt. Moderne Sensoren und Sensorverbindungen können fehlerhafte Sensorwerte erkennen und es künstlicher Intelligenz ermöglichen, diese Werte in Verbindung mit anderen Messungen zu interpolieren. Allerdings liegt das Problem nicht immer bei der Maschine. Möglicherweise ist der Sensor selbst fehlerhaft und führt nicht zwangsläufig zu einem geplanten Ausfall.

Backend und Kundenerlebnis

Backend-Vorgänge: Jedes Unternehmen hat Backend-Aufgaben, die manuell erledigt werden. Für solche Aufgaben können automatisierte KI-Lösungen eingesetzt werden, die den Back-Office-Betrieb effizienter machen, indem sie:

Automatisierte Dokumentenverarbeitung: Mithilfe der Dokumentenautomatisierungstechnologie können Rechnungen, Frachtbriefe und Tarifdokumente schnell verarbeitet werden, indem die Dateneingabe, der Fehlerabgleich und die Dokumentenverarbeitung automatisiert werden.
Planung und Nachverfolgung: KI-Systeme können Sendungen planen, Frachtpipelines organisieren, verschiedene Mitarbeiter bestimmten Standorten zuweisen und verwalten sowie Pakete in Lagern verfolgen.
Berichtserstellung: RPA-Tools (Robotic Process Automation) können automatisch regelmäßige Berichte erstellen, deren Inhalt analysieren und Stakeholder und Mitarbeiter informieren.

Kundenerlebnis: Vorausschauende Lösungen können dazu beitragen, das Kundenerlebnis zu verbessern, indem sie Einblicke in das Kundenverhalten gewinnen. Sie können feststellen, was Kunden wahrscheinlich als nächstes kaufen werden, wann Produkte storniert oder zurückgegeben werden können, die neuesten Trends bei Buying Personas und mehr. Solche Strategien helfen Unternehmen, Kunden zu binden und gleichzeitig neue zu gewinnen. Diese Vorhersagealgorithmen können Kunden auch anhand ihrer Entscheidungen und Verhaltensweisen segmentieren, sodass Unternehmen ihre Lieferketten und Produktpreise früher an die Nachfrage anpassen können.

Vertriebs- und Marketingteams können anhand ihrer Produkte gezielt bestimmte Kundensegmente ansprechen. Manager können dann verstehen, wie ihre Marketingstrategien die Kaufentscheidungen der Kunden beeinflussen (z. B. warum manche Menschen ihre Produkte nicht mehr verwenden). Was bringt sie dazu, auf andere Marken umzusteigen? Predictive Analytics kann auch Social-Media-Beiträge wie Erwähnungen auf Twitter, Facebook und anderen Produkten analysieren, um sofortiges Feedback von Verbrauchern zu erhalten und ihre Dienste zu verbessern.

Herausforderung

Der Einsatz künstlicher Intelligenz in der Logistikbranche birgt seine eigenen Risiken und Herausforderungen.

Begrenzter Zugriff auf historische Daten

Damit diese prädiktiven KI-Lösungen effektiv funktionieren können, müssen sie Zugriff auf große Mengen historischer, qualitativ hochwertiger Daten haben, die in verschiedenen Geschäftsbereichen und Lieferketten gesammelt wurden. Qualität und Quantität hängen von der Größe des Unternehmens, seinem geografischen Standort und den bereits vorhandenen IT-Lösungen ab. Daher müssen Unternehmen Ressourcen und Zeit in die Einrichtung von Lösungen und Geräten investieren, um relevante Informationen über ihr Unternehmen strategisch zu sammeln. Ein guter Tipp ist, mit einem KI-Design-Sprint-Workshop mit geringem Investitionsaufwand für die Datenerfassung und prädiktive Modellierungsimplementierung zu beginnen.

Fehlende 360°-Ansicht

Unternehmen verlassen sich immer noch auf veraltete Lösungen, denen die Integration mit anderen Systemen im gesamten Lieferkettennetzwerk fehlt. Softwarelösungen können oft nicht alle Prozesse abdecken und sind nicht mit verschiedenen Anbietern kompatibel, was die plattformübergreifende Zusammenführung von Daten erschwert. Das Fehlen einer 360-Grad-Sicht auf die Lieferkette ist die größte Herausforderung bei der Einführung von Predictive Analytics.

Fachkräfte, denen es an Fähigkeiten im Bereich der künstlichen Intelligenz mangelt

Branchenübergreifend müssen erstklassige Datenwissenschaftler und Experten für maschinelles Lernen eingestellt werden, um ihre Algorithmen und Systeme zu erstellen und zu entwerfen. Leider übersteigt die Nachfrage nach solchen Experten das Angebot, was es für Unternehmen schwierig macht, Analyseexperten mit fundiertem Fachwissen in den Bereichen Wirtschaftswissen, Datenwissenschaft, Mathematik und Statistik zu finden und einzustellen. Dies führt dazu, dass viele Unternehmen nicht in der Lage sind, Predictive-Analytics-Lösungen zu implementieren, da ihnen nicht genügend qualifizierte Mitarbeiter für die Durchführung komplexer KI-Projekte zur Verfügung stehen.

Zusammenfassen

Unternehmen suchen nach Möglichkeiten, ihre Lieferketten zu optimieren, um die Entscheidungsfindung zu unterstützen, die betriebliche Effizienz und die Kundenzufriedenheit zu verbessern und die Umweltbelastung zu reduzieren. Künstliche Intelligenz definiert ein neues „Logistikparadigma“, indem sie verschiedene Aufgaben in der Logistikbranche erfüllt:

Prognose und Planung: Mit Hilfe von Bedarfsprognosen können Unternehmen sicherstellen, dass sie über die richtige Menge an Materialien verfügen und Produktionsaktivitäten planen. Die Ergebnisse können mit anderen relevanten Daten zu Kosten, Kapazität usw. kombiniert werden.
Optimierung: Künstliche Intelligenz kann historische Fahrten, bestehende Routen sowie geografische, Umwelt- und Verkehrsdaten analysieren, um Algorithmen für die Darstellung kürzester Wege zu verwenden und den effizientesten Weg für Logistik-Lkw zu ermitteln. Darüber hinaus können prädiktive Analysen Unternehmen dabei helfen, das Risiko einer Fehlbewertung von Waren zu minimieren, basierend auf historischen Daten zu Verkäufen, Mengen, Marktbedingungen, Wechselkursen und Inflation.
Automatisiertes Lager: Automatisch geführte Fahrzeuge (AGVs) können Kartons und Paletten bewegen. Sie können mit Software ausgestattet werden, um Standardstapler nachzurüsten und autonom zu machen.
Vorausschauende und präskriptive Wartung: Dabei geht es um die Erkennung von Maschinenausfällen in Fabriken durch die Analyse von Echtzeit-Sensordaten und basierend auf Vorhersagen des nächsten Ausfalls, des Datums und der Uhrzeit der Wartung sowie der Bereitstellung von Ersatzteilen versorgt werden usw. und organisieren Sie proaktiv die Wartung in Schwachlastzeiten.
Back-Office-Vorgänge: Dokumentenautomatisierungstechnologie kann zur schnellen Verarbeitung von Rechnungs-/Frachtbrief-/Tarifblattdokumenten eingesetzt werden, indem die Dateneingabe, der Fehlerabgleich und die Dokumentenverarbeitung automatisiert werden.

Allerdings bringt künstliche Intelligenz in der Logistikbranche auch Herausforderungen mit sich.

Eingeschränkter Zugriff auf historische Daten: Damit diese prädiktiven KI-Lösungen effektiv funktionieren, ist der Zugriff auf große Mengen historischer, qualitativ hochwertiger Daten erforderlich, die über Geschäftsbereiche und Lieferketten hinweg gesammelt werden. Qualität und Quantität hängen von der Größe des Unternehmens, seiner geografischen Lage und den bereits vorhandenen IT-Lösungen ab.
Mangelnde 360°-Ansicht: Unternehmen verlassen sich immer noch auf veraltete Lösungen, denen die Integration mit anderen Systemen im gesamten Lieferkettennetzwerk fehlt. Softwarelösungen können oft nicht alle Prozesse abdecken und sind nicht mit verschiedenen Anbietern kompatibel, was die plattformübergreifende Zusammenführung von Daten erschwert.
Mangel an Fachkräften mit Fähigkeiten im Bereich der künstlichen Intelligenz: Die Industrie muss erstklassige Datenwissenschaftler und Experten für maschinelles Lernen einstellen, um ihre Algorithmen und Systeme zu entwickeln und zu entwerfen. Leider übersteigt die Nachfrage nach solchen Experten das Angebot, was es für Unternehmen schwierig macht, Analyseexperten mit fundiertem Fachwissen in den Bereichen Wirtschaftswissen, Datenwissenschaft, Mathematik und Statistik zu finden und einzustellen.

Referenz

https://pyimagesearch.com/2022/11/14/computer-vision-and-deep-learning-for-logistics/