Mit Machine Learning die Logistikprozesse optimieren

 

Bild 1: Mit der künstlichen Intelligenz lassen sich beispielsweise Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren.
© iStock-930657284

Viele Unternehmen haben das Potenzial selbstlernender Systeme, die Machine Learning benutzen, erkannt. Dieser Teilbereich der künstlichen Intelligenz basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Mithilfe neuronaler Netze lassen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen. In vielen Branchen bereits etabliert, findet Machine Learning als Analyse- und Steuerungsinstrument nun auch zunehmend Anwendung in der Logistik. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Mit diesen Lösungen lassen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse erheblich verbessern.

 

Anzeige

Künstliche Intelligenz ist auf dem Vormarsch. In Zeiten von Big Data und Cloud-Plattformen bilden die mittlerweile enormen Rechenkapazitäten eine perfekte Grundlage, um intelligente Anwendungen, wie Machine-Learning-Systeme, zu entwickeln. Dabei lernt eine Software, indem sie selbstständig neues Wissen generiert – ohne explizite Programmierung. Zum Einsatz kommen Algorithmen, die komplexe Zusammenhänge zwischen den vorhandenen Daten verstehen, Muster erkennen und daraus nach einer Lernphase allgemeingültige Modelle ableiten. Ob der Algorithmus zuverlässige Ergebnisse liefert, hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab.

 

Ein exaktes Modell entsteht

Auch die Sievers-Group setzt bei Kundenprojekten zunehmend auf Machine Learning, um Informationen noch besser zu interpretieren, präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren. »Wir nutzen die Cloud-Lösung Microsoft Azure Machine Learning Studio«, erklärt Hendrik Ohlms, Teamleiter Vertrieb Business Solutions ERP bei der Sievers-Group. »Zunächst greifen wir damit auf die vorhandenen Datenmengen zu, bereiten diese auf, analysieren sie und stellen den Kunden schließlich die Ergebnisse zur Verfügung.« Das Machine-Learning-System identifiziert dabei auf der Basis von neuronalen Netzen wiederkehrende Muster, Gesetzmäßigkeiten oder Anomalien. Dabei nutzt die Sievers-Group das sogenannte überwachte Lernen. Das System zieht beispielsweise 60 Prozent der verfügbaren Daten heran, um Zusammenhänge zu erkennen und daraus zu lernen. Anhand der restlichen 40 Prozent der Daten prüft die Software, mit welcher Wahrscheinlichkeit die aus der Lernphase ermittelten Ergebnisse zutreffen. Der Trainingsprozess dauert im Idealfall so lange, bis alle Beispiele richtig berechnet werden. So nutzt der Algorithmus die Daten, um sein erstelltes Modell ständig anzupassen und zu verfeinern. Je mehr Daten zur Verfügung stehen, desto genauer wird das Modell. Stimmt es größtenteils mit der Realität überein, können präzise Aussagen oder Handlungsempfehlungen getroffen werden. Im Ergebnis ermöglicht Machine Learning Anwendern, durch die Analyse großer Datenmengen realistische Prognosen zu treffen und geeignete Maßnahmen abzuleiten.

Anzeige

 

Vielfältige Anwendungsbereiche

Durch die Verbindung der Cloud-Computing-Plattform Microsoft Azure Machine Learning Studio mit Lagerverwaltungs- oder ERP-Systemen erschließt die Sievers-Group Anwendungsmöglichkeiten für Machine Learning ihren Kunden. Mit der künstlichen Intelligenz lassen sich beispielsweise Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren. Da durch Machine Learning Absatzkurven prognostiziert werden können, weiß der Anwender ziemlich genau, zu welchem Zeitpunkt welche Artikel bestellt werden sollten und, ob beispielsweise eine Abhängigkeit vom Wetter oder von saisonalen Gegebenheiten sowie weiteren Einflussfaktoren besteht. Auch kann Machine Learning zur Bestelloptimierung genutzt werden. Aus der Analyse von Verkaufsaufträgen berechnet und prognostiziert die Software, wann welcher Kunde welche Artikel bestellen wird. Somit können Abläufe im Verkaufs- und Bestellwesen automatisiert werden. Muss ein Unternehmen jeden Tag eine gewisse Anzahl von Bestellungen mit einer bestimmten Artikelkombination zusammenstellen, kann es sich außerdem lohnen, diese Artikel vorzukommissionieren.

 

Bild 2: Mit Machine Learning können Anwender ihre Einlagerstrategie optimieren und damit das Lager bestmöglich auslasten.
© iStock-1029035676

 

Machine Learning ermöglicht darüber hinaus eine Prognose von Retouren. In einem konkreten Fall analysierte die Sievers-Group beispielsweise für einen Kunden aus der Logistikbranche zunächst die Verkaufsaufträge, Artikel, Debitoren und Retouren. »Durch Machine Learning konnten wir mit einer hohen Wahrscheinlichkeit voraussagen, welche Artikel nach der Auslieferung wieder zurückgeschickt werden«, so Hendrik Ohlms. Unternehmen können diese Information nutzen, um proaktiv Maßnahmen zu ergreifen, die zu einer Verringerung der Retourenquote führen.

Weitere Anwendungsmöglichkeiten für Machine Learning ergeben sich bei der Lagerung von Artikeln. Bislang ordnen häufig Mitarbeiter die einzulagernden Einheiten den vorgesehenen Lagerplätzen zu. Ist der Wareneingang nicht optimal konzipiert oder unterlaufen dem Mitarbeiter Fehler, kann dies zu Verzögerungen bei der Auslagerung führen und hohe Kosten verursachen. Auch muss die Lagerfläche optimal genutzt werden, um einen Mangel an Stellplätzen zu vermeiden. Somit ist eine zielgerichtete Strategie unerlässlich, um ein effizientes Einlagern von Waren zu gewährleisten. Mit Machine Learning können Anwender ihre Einlagerstrategie optimieren und damit das Lager bestmöglich auslasten.

 

Anwendungen einfach entwickeln

Das Microsoft Azure Machine Learning Studio bietet einen interaktiven, visuellen Arbeitsbereich, in dem Nutzer ein Analysemodell entwickeln und testen. »Für uns als IT-Architekturhaus liegt der große Vorteil der Cloud-Lösung von Microsoft darin, dass wir sofort mit den Algorithmen arbeiten können, ohne Programmierarbeiten durchführen zu müssen«, sagt Hendrik Ohlms. »Wir entwickeln auf der Basis der vorliegenden Algorithmen intelligente Anwendungen, die aus einem frei wählbaren Datenbestand lernen. Aufgrund unseres Know-hows in den Bereichen Mathematik und Statistik sowie der umfangreichen Fachkenntnis über Logistikprozesse kennen wir dabei alle relevanten Parameter. Unsere Kunden erhalten eine umfassende Beratung sowie eine kompetente Unterstützung bei der Projektumsetzung«, erläutert der Teamleiter Vertrieb Business Solutions ERP.

 

Kein Machine Learning ohne manuelle Vorarbeit

Trotz eines hohen Automatisierungsgrades im Machine Learning – ohne manuelle Vorarbeit geht es nicht. Das ist beispielsweise dann der Fall, wenn notwendige Daten nicht in der geeigneten Qualität verfügbar sind und zunächst aufbereitet werden müssen. »Den IT-Beratern kommt im gesamten Prozess des Machine Learning eine essenzielle Bedeutung zu. Sie müssen die für das Unternehmen relevanten Fragestellungen genau definieren und entsprechende Datenmengen bestimmen sowie vorbereiten, um ein brauchbares Ergebnis zu liefern«, erklärt Hendrik Ohlms. Bevor der Computer präzise Prognosen treffen kann, muss also der Mensch zunächst in Vorleistung gehen. Doch die KI-Anwendung verbessert sich kontinuierlich und wird als zukunftsorientiertes Werkzeug immer mehr an Bedeutung gewinnen, ist sich Hendrik Ohlms sicher. Machine Learning bietet Unternehmen schon heute einen echten Wettbewerbsvorteil: indem es Produkte und Services nutzerfreundlicher macht, Prozesse effizienter gestaltet und Geschäftsstrukturen positiv beeinflusst. Liefern die intelligenten Systeme künftig noch zuverlässigere Prognosen, wird sich dieser Effekt weiter verstärken.

 

Bild 3: Machine Learning bietet Unternehmen schon heute einen echten Wettbewerbsvorteil: indem es Produkte und Services nutzerfreundlicher macht, Prozesse effizienter gestaltet und Geschäftsstrukturen positiv beeinflusst.
© iStock-1173740436

 

627 Artikel zu „Machine Learning“

Studie Machine Learning 2020: Maschinelles Lernen wird in deutschen Unternehmen Standard

Das Thema künstliche Intelligenz / Machine Learning (ML) hat sich in den deutschen Unternehmen etabliert. Während die Executive-Ebene das Potenzial dieser Technologie für das Business erkannt hat, begegnen ihr allerdings IT und Fachabteilung mit Skepsis.   Das hat die aktuelle Studie »Machine Learning 2020« von IDG Research Services ergeben. An der Umfrage haben sich 406…

Wie sich Machine Learning und künstliche Intelligenz im Laufe der Zeit (nicht) verändert haben

Machine Learning, künstliche Intelligenz, Data Science, Data Mining, … Diese Begriffe haben sich im Laufe der Jahre gewandelt, aber wie viel ist wirklich neu und was gibt es eigentlich schon seit Jahrzehnten? Wird es maschinelles Lernen in 20 Jahren noch geben oder ist der Boom eines Tages einfach vorbei? Wo stehen wir aktuell in der…

Das Potenzial von Machine Learning in einem Data Lake

Egal um welche Branche oder Unternehmensgröße es sich handelt: Daten sind unverzichtbar geworden, wenn es darum geht, fundierte Entscheidungen zu treffen oder Prozesse zu optimieren. Dazu müssen die gewaltigen Datenmengen, die Unternehmen heute ununterbrochen generieren allerdings erst erschlossen und nutzbar gemacht werden. Die Grundlage dafür bildet der Data Lake (Datensee), ein zentrales Repository, in dem…

Großes Potenzial für Machine Learning in Europa

47 Prozent der befragten Unternehmen investieren bereits in Machine Learning, weitere 40 Prozent planen dies in den kommenden zwei Jahren. Cloudera hat eine neue Marktstudie zum Thema »Machine Learning« (ML) vorgestellt. Die Studie gibt einen fundierten Überblick zum Status von Machine-Learning-Projekten in europäischen Unternehmen [1]. Sie zeigt vor allem, dass Machine Learning in immer mehr…

»Data Analytics«-Markt: Machine Learning – Preise sinken, die Produktreife steigt

»Machine Learning as a Service« ist zu einem umkämpften Markt geworden, in dem sich nahezu alle wichtigen IT-Provider positionieren. Sie müssen die Funktionen, zugrundeliegenden Algorithmen und Modelle dabei qualitativ wie quantitativ schnell weiterentwickeln, um Marktanteile und Kunden zu gewinnen. Dies stellt der neue große Anbietervergleich »ISG Provider Lens Germany 2019 – Data Analytics Services &…

Neuestes Qlik Sense Release: Machine Learning und verbesserte Multi-Cloud-Fähigkeiten

Ausgeweitete Kollaborations-Möglichkeiten und die Bündelung von Extensions auf Qlik-Branch-Basis vervollständigen das aktuellste Plattform-Angebot   Qlik, Anbieter von Data Analytics, präsentiert mit dem Release November 2018 das aktuellste Qlik-Sense-Angebot inklusive einer Reihe von Neuerungen. Diese ermöglichen Organisationen aller Art und Größe den noch flexibleren und umfassenderen Einsatz der Qlik-Plattform, um unternehmensweit ihre Geschäftsaktivitäten datenbasiert zu optimieren.…

Sind Artificial Intelligence & Machine Learning die Lösung für mehr Sicherheit im Netzwerk?

Wie können Unternehmen ihre Netzwerksicherheit verbessern? Netzwerksicherheit ist und bleibt eines der brennenden Themen für IT-Verantwortliche. Jeden Tag gibt es neue Cyberangriffe, die nicht nur finanzielle Folgen haben, sondern auch dem Ruf von Unternehmen erheblich schaden können. Der Netzwerk-Edge-Bereich ist dabei der Punkt, an dem sich Unternehmens- und Kundendaten treffen, wo Benutzer interagieren, IoT-Geräte angebunden…

Abwehr von Insider-Bedrohungen mit User and Entity Behavior Analysis auf Basis von Machine Learning

Beim Stichwort Cyberbedrohung denkt man häufig an großangelegte Malware-Angriffe wie Ransomware, mit denen Kriminelle versuchen, das Firmennetzwerk zu kompromittieren. Unterschätzt wird jedoch oft eine Gefahr, die bereits im Firmengebäude sitzt: Die Insider-Bedrohung. Insider – seien es unachtsame Angestellte oder böswillige Mitarbeiter, die aus finanziellen oder persönlichen Motiven Daten stehlen oder gar löschen – sind ein…

Machine Learning: Wächter des Cloud-Datenschatzes

Im Zuge der Digitalisierung wächst die Datenmenge, die Unternehmen täglich verarbeiten, stetig an. Dies spiegelt sich auch in der gestiegenen Nutzung von Cloudanwendungen in den vergangenen Jahren wider. Unternehmensdaten sind rund um die Uhr überall zugänglich, ermöglichen effiziente Arbeitsabläufe und – zumindest auf den ersten Blick – etwas weniger Verwaltungsaufwand für die IT-Abteilung. Dieser Effekt…

Einsatz von Machine Learning und Predictive Analytics bei der Tour de France

Bei der Tour de France 2017 werden erstmals Machine Learning und Predictive Analytics eingesetzt, um neue Einsichten in den Radsport zu ermöglichen und das Zuschauererlebnis zu verbessern. Zu diesem Zweck wurde die Big-Data-Analytics-Plattform weiterentwickelt.   Der Service- und Lösungsanbieter für Informationstechnologie Dimension Data, hat in Zusammenarbeit mit der Amaury Sport Organisation (A.S.O.) seine Big-Data-Cycling-Analytics-Platform optimiert…

AI-First – Globale IT-Konzerne machen Machine Learning und AI zum Fixpunkt ihrer Unternehmensstrategien

Auch wenn die Grenzen zwischen Machine Learning und künstlicher Intelligenz (AI) nicht immer ganz trennscharf sind – eines scheint sicher: Es ist das nächste große Ding. AI-First heißt es daher bei fast allen globalen IT-Schwergewichten. So hat Ginni Rometti kürzlich auf der IBM-Hausmesse InterConnect die Losung ausgegeben, dass Cloud, AI und Blockchain die strategischen Säulen…

Machine Learning in der Industrie

Machine Learning in der Industrie – Wie Verfahren der künstlichen Intelligenz zum elementaren Digitalisierungsbaustein der globalen Industriekonzerne werden. Mit der zunehmenden Digitalisierung steigt auch in der Industrie der wertschöpfende Anteil der IT. Mit dem Einzug des Internet der Dinge werden immer mehr Daten produziert, die gesammelt, analysiert und nutzbar gemacht werden wollen. Industrieunternehmen werden immer…

Apache-Spark-Studie zeigt Wachstum bei Anwendern und neuen Workloads wie Data Science und Machine Learning

Zum besseren Verständnis der zunehmenden Bedeutung von Spark bei Big Data hat die Taneja Group ein großes Marktforschungsprojekt durchgeführt und rund 7.000 Teilnehmer befragt. In die weltweit angelegte Analyse wurden Führungskräfte aus Technik und Verwaltung einbezogen, die unmittelbar mit dem Thema Big Data zu tun haben. Die mit überwältigender Resonanz abgeschlossene Studie gibt Aufschluss die…

Machine Learning in der medizinischen Forschung

Daten sind allgegenwärtig. In vielen Bereichen unseres Alltags bestimmt die Technik längst unseren Biorhythmus. Im Zuge der Selbstvermessung tragen Fitnessarmbänder und mobile Apps dazu bei immer mehr Daten von uns selbst zu erheben. Eine schier unaufhörliche Flut von historischen, aktuellen und in Echtzeit erhobenen Daten strömt auf die Medizin zu. Um all diese Daten sinnvoll…

Deep Learning bei Fahrassistenzsystemen: Unfallrisiko durch Ablenkung am Steuer

Bildbasiertes CNN-System erkennt automatisch die Nutzung von Mobiltelefonen und den Verzehr von Lebensmitteln.     Nicht nur Müdigkeit verursacht viele Unfälle, auch das Telefonieren mit dem Smartphone oder der Verzehr von Lebensmitteln während der Fahrt stellen ein hohes Risiko dar. Quelle: Dusan Petkovic / Shutterstock, puhhha / Shutterstock   Nach einem Bericht der Weltgesundheitsorganisation (WHO)…

IT-Schulungen gehen immer mehr in Richtung Digital Learning

Fachliche Fortbildung wird über Online-Trainings individualisiert und reduziert den Schulungsaufwand. Zwei Drittel der Unternehmen wollen in den nächsten zwei Jahre stärker auf digitale Lernangebote setzen. Die Digitalisierung gibt nicht nur den Unternehmensprozessen ein anderes Gesicht und lässt neue Geschäftsmodelle entstehen, sondern sie verändert auch die IT-Schulungen. Zwar wird Digital Learning derzeit noch relativ zurückhaltend eingesetzt.…

Totale Eigenständigkeit von Smart Machines ist vielleicht weder möglich noch wünschenswert

Bis zum Jahr 2020 werden Smart Machines eine der Top 5 Prioritäten sein, in die mehr als 30 Prozent der CIOs investieren werden, so das IT-Research und Beratungsunternehmen Gartner. Nachdem sich Smart Machines erstmalig dem autonomen Betrieb nähern, steht die Ausübung von Kontrolle dem vollen Nutzen der Vorteile von Smart Machines diametral gegenüber.   Gartner…

Digitale Transformation und was danach kommt – Ein wichtiger Schritt in der Evolution

Die digitale Transformation in Deutschland steckt noch in den Kinderschuhen. Die Vernetzung von Business und IT erfordert ein neues Denken in den Unternehmen und bei den Systemhäusern. Und doch ist die Digitalisierung nur der notwendige Evolutionsschritt hin zu mehr »Intelligenz« und Automatisierung mittels Machine Learning und Deep Learning.