Übersichtstext: Künstliche Intelligenz in der Intralogistik
Künstliche Intelligenz (KI) ist längst nicht mehr nur das Zielbild einer am technologischen Maximum forschenden Wissenschaft, sondern in der Alltags- und Wirtschaftswelt angekommen. Ganz gleich, ob es um Übersetzungen oder Bilderkennungen geht, um Heilmethoden gegen Krankheiten oder die Entwicklung neuer Werkstoffe: KI lässt sich augenscheinlich für die Lösung vielfältigster Probleme einsetzen, die für die Menschheit bisher schwierig zu bewerkstelligen oder sogar unlösbar schienen.
Ausgelöst durch das schier endlose Datenwachstum und eine ständig steigende Rechenleistung wird die Automatisierung durch die fortschreitende Digitalisierung in allen Wirtschaftsbereichen vorangetrieben. Auf hochleistungsfähigen Hard- und Softwareplattformen bieten die maschinellen Lernverfahren der KI das notwendige Instrumentarium, um aus großen Datenmengen komplexe Zusammenhänge zu lernen, ohne explizit dafür programmiert werden zu müssen.
Bisher veröffentlichte Beiträge der Reihe
Starke und schwache KI
Doch KI ist nicht gleich KI. Experten differenzieren zwischen schwachen und starken Umsetzungsleistungen der Bemühung, menschliches Lernen und Denken auf den Computer zu übertragen. Eine sogenannte schwache KI wird üblicherweise verwendet, um intelligente Entscheidungen für spezielle Teilbereiche zu treffen, etwa für die Automatisierung von Prozessen. Dagegen versucht die starke KI, menschliche Intelligenz nachzubilden oder zu übertreffen. Sie handelt dabei also nicht mehr nur reaktiv wie die schwache KI, sondern aus eigenem Antrieb. Experten zufolge liegt eine starke KI jedoch noch außerhalb der aktuellen technischen Möglichkeiten, während auf dem Feld der schwachen KI in den letzten Jahren bereits große Fortschritte gemacht werden konnten.
Funktionsweise und Einsatzgebiete von KI
Ist in der Gegenwart die Rede von sogenannter Künstlicher Intelligenz ist daher meistens die schwache KI gemeint. Diese nutzt Methoden der Mathematik und der Informatik, um intelligentes Verhalten zu simulieren. Dabei kommen vor allem mathematische Ansätze aus der Statistik, der mathematischen Programmierung und der Approximationstheorie zum Einsatz, um die angestrebten Aufgaben erledigen zu können. Ein künstliches System lernt mithilfe großer Datenmengen, Muster abzuleiten und diese dann zu verallgemeinern. Mit diesem System können so Entscheidungen getroffen werden, die auch bei unbekannten Datenlagen ein erwünschtes Resultat erzeugen.
Typische Anwendungsfelder für KI sind Aufgaben, in denen es darum geht, die beste Lösung zu suchen, den effizientesten Weg zu finden, Vorgehensweisen zu planen oder Abläufe zu optimieren. Anwendungsbeispiele finden sich in unserem Alltag bereits in tausendfacher Form: Suchmaschinen strukturieren für uns die Informationsflut des Internets, Computer-Vision-Programme ermöglichen einen sichereren Straßenverkehr und die Kombination von Spracherkennung mit dem Einsatz wissensbasierter Systeme dient uns in Form von Amazons Alexa-Anwendung oder Apples Siri als Alltagshelfer.
KI in der Intralogistik
Doch nicht nur in unserem privaten Umfeld kommt KI zum Einsatz. Schon allein die Datenmenge, die in der Intralogistik generiert wird, spricht für den Einsatz des sogenannten Maschinellen Lernens, um Prozesse zu optimieren und Synergien zu nutzen. Dabei geht es um Algorithmen, die neue Daten und Informationen basierend auf der Analyse von historischen Daten herleiten. Dadurch entstehen vielfältige Einsatzmöglichkeiten, beispielsweise bei der Gestaltung neuer Kommissionierungsaufträge und der Vermeidung von Fehlkommissionierungen, im Bereich Predictive Maintenance oder auch bei der Simulation von Intralogistikanlagen.
Die TUP-Masterandin Sina Hill unterscheidet zwischen fünf Aufgabengebieten der Intralogistik, in denen KI wertvoll eingesetzt wird: Big Data Analyse, Optische Erkennung, Prozessoptimierung, Prognose und die Mensch-Maschine-Interaktion.
Die Big-Data-Analyse dient dazu, historische Datenmengen aufzuarbeiten und um Strukturen und Zusammenhänge, zum Beispiel mit Blick auf die verschiedenen Facetten der Lageroptimierung, zu identifizieren. Mögliche Einsatzgebiete betreffen eine intelligente Auswahl der Lagerplätze, eine strenge Bestandskontrolle sowie ein optimales Layout der Lagerstätte, um die Flexibilität der Prozesse zu gewährleisten. Die KI arbeitet am effizientesten auf Basis großer und hochkomplexer Datenmengen, die ein menschliches Gehirn niemals erfassen könnte.
Sowohl bei der Lokalisierung von Objekten in Lagerstätten als auch bei der Optimierung von Prozessen lässt sich durch den Einsatz von KI ein hohes Verbesserungspotenzial erzielen. Je komplexer die Lager mit heterogenen Waren bestückt beziehungsweise je mehr Daten für verbesserte Betriebsabläufe verfügbar sind, desto größer ist der potenzielle Gewinn durch Entscheidungen der KI.
Der Einsatz von KI ermöglicht analytische Vorhersagen für den Bereich Intralogistik, beispielsweise zu Marktnachfragen, Retouren oder Personalbedarf. Diese Prognosen basieren nicht mehr, wie bisher, nur auf bestehenden Daten, sondern auch auf Mustern, die durch das Maschinelle Lernen entwickelt werden.
TUP-Position zu KI
TUP pflegt eine ambivalente Sichtweise der Bedeutung von KI für die Intralogistik. Wir begrüßen die Tatsache, dass die industrielle Anwendung von KI-Systemen einen Schlüsseltrend der modernen Intralogistik darstellt. Negativ sehen wir jedoch die inflationäre Verwendung des Begriffs KI, die bei Kunden und Geschäftsleuten Ängste schüren und mögliche Prozessoptimierungen erschweren könnte. Insbesondere Mittelständler, die sich mit der Einführung neuer Technologien häufig schwerer tun als Großkonzerne oder agile Start-ups, sehen in der KI üblicherweise nicht das Allheilmittel, um Geschäftsabläufe zu verbessern.
Abschließende Worte
Dem Hype um die Künstliche Intelligenz kann insofern Rechnung getragen werden, dass es sich sicherlich um ein zukunftsträchtiges Themenfeld handelt, das großes Potential birgt. Voraussetzung für die in vielen Fällen etwas frühzeitigen Aussagen ist jedoch der passende wissenschaftliche und empirische Unterbau. Kann dann tatsächlich von einer arbeitsfähigen schwachen KI (s. o.) gesprochen werden, bringt dies zweifelsfrei Vorteile mit sich, ist zugleich aber auch nicht unfehlbar.
Ein Faktor, der in diesem Kontext klar Optimierung erfahren kann, ist die Entscheidungszeit. Da der Rechenaufwand für eine Entscheidung zu einem großen Teil in die maschinelle Lernphase verschoben wird, fällt zu einem gegebenen Zeitpunkt, in dem ein Zustand beurteilt werden soll, nur noch ein Bruchteil der notwendigen Arbeit an. Entscheidungen können durch eine KI folglich sehr schnell getroffen werden. Darüber hinaus kann ein KI-unterstütztes System ständig weiter trainiert werden beziehungsweise trainiert sich selbst. Es kann sich somit automatisch veränderten Randbedingen anpassen, ohne eine explizite Definition dieser zu benötigen.
Ein Nachteil von KI ist, dass eine Entscheidung nicht begründet werden kann. Eine KI trifft daher manchmal für das System korrekte Entscheidungen, die vom Menschen als Fehler gewertet werden müssen. Ein Beispiel liefert Amazon: Das Unternehmen ließ sich in Bezug auf Personal-Entscheidungen von einer KI unterstützen. Diese war mit den Daten der erfolgreichen Mitarbeiter aus der Vergangenheit eingelernt. Damit niemand nach Geschlecht oder Rasse diskriminiert wird, wurden die Daten anonym eingegeben. Trotzdem war der Frauenanteil viel geringer als erwartet. Anhand anderer Faktoren wie u. a. der Sprache, die ein Teil des Datensatzes waren und auf diese Weise die stärker von Männern besiedelte technische Branche abbildeten, knüpfte das Maschinelle Lernen dementsprechende Muster.
Diese Art der Betrachtung legt daher nahe, KI dort einzusetzen, wo einerseits viele Entscheidungen getroffen werden müssen, bei denen es sich andererseits aber auch nicht fatal auswirkt, wenn eine Entscheidung einmal suboptimal oder falsch ist. Die Idee, KI in der Lagerortfindung einzusetzen, scheint fruchtbar, da die Intralogistik mit diesen Randbedingungen aufwarten kann: Wenn ein oder zehn Artikel von 10.000 schlecht liegt/en, ist das durchaus im Bereich des Hinnehmbaren.
Und wenn eine KI nach der Analyse vieler Hundert Parameter zu einem Ergebnis kommt, das ein Mensch nicht für akzeptabel hält, kann er immer noch eingreifen. Der Mitarbeiter, der den guten Ratschlag nicht annimmt und einen Parameter bewusst ändert, wird entsprechende Gründe haben.
Teaserbild: Franki Chamaki – Unsplash