Die Diskussion über KI ist nach wie vor in vollem Gange, während die Technologie selbst weiterhin unklar und etwas vage bleibt. Künstliche Intelligenz lässt sich als eine Methode zur Lösung komplexer Optimierungsprobleme definieren, die anstelle herkömmlicher Algorithmen Modelle des maschinellen Lernens nutzt.
Im Rahmen von PSIwms AI bieten wir WMS-Funktionen für die Lagerverwaltung an und nutzen zudem Machine-Learning-Modelle zur Optimierung von Lagerprozessen. Diese Modelle können mithilfe der Digital-Twin-Technologie weiterentwickelt werden – also einer digitalen Kopie der tatsächlichen Lageranlage, die die erforderlichen Trainingsdaten liefert.
Was ist ein intelligentes Lager?
Der Begriff „künstliche Intelligenz“ wurde in den Medien bereits in allen Formen verwendet und hat dadurch etwas von seiner ursprünglichen Bedeutung verloren. Wann können wir also von einem intelligenten Lager sprechen? Als dessen Grundlage ist sicherlich ein fortschrittliches WMS-System anzusehen. Wenn dieses System durch Algorithmen unterstützt wird, die eine Optimierung der Lagerprozesse ermöglichen, kann man bereits von einem intelligenten Lager sprechen. Ein intelligentes Lager ist jedoch eines, dessen „Gehirn“ (also das WMS-System) sich an wechselnde Bedingungen anpassen kann. In einem solchen Fall modifizieren Algorithmen der künstlichen Intelligenz die Parameter der Logistikprozesse (zum Beispiel der Kommissionierung) in Abhängigkeit von dynamischen Veränderungen in der Auftragsstruktur, der Verfügbarkeit der gelagerten Waren oder der Anzahl der Mitarbeiter.
Wie funktioniert das Lagerverwaltungssystem PSIwms AI?
Um die Funktionsweise des PSIwms-AI-Systems in der Praxis näher zu erläutern, sollte man zunächst darauf eingehen, wie Algorithmen des verstärkenden Lernens (RL) entstehen – also solche, die ein bestimmtes Problem umfassend lösen können. Ein lernendes System, das als Agent bezeichnet wird, erlangt durch Interaktion mit seiner Umgebung Wissen über optimale Maßnahmen (z. B. die Anpassung von Parametern in logistischen Prozessen). Sein Ziel ist dabei die Maximierung der Belohnung, was im Falle eines Lagers beispielsweise die Minimierung der gesamten Auftragsabwicklungszeit bedeuten kann. Dieser Prozess wiederholt sich hunderttausende Male, bis die festgelegten Ergebnisse erreicht sind. In unserem Fall interagiert der Agent mit einem simulierten Lager, das mit einer Kopie des WMS-Systems verbunden ist. Die Simulation kann beschleunigt werden, sodass beispielsweise eine Minute Simulationszeit einer Stunde im simulierten Lager entspricht. Diese Zeitkompression unterliegt gewissen Einschränkungen, die mit der begrenzten Rechenleistung des Servers zusammenhängen, auf dem die Simulation durchgeführt wird.
Bei der Arbeit mit riesigen Datenmengen stehen wir vor vielfältigen Herausforderungen. Der gesamte Prozess der Entwicklung künstlicher Intelligenz und eines intelligenten Lagers erfordert eine fortschrittliche technologische Infrastruktur sowie erhebliche Rechenleistung. Das Projekt PSIwms AI wird weiterhin entwickelt, doch es wurde bereits ein umfassendes konzeptionell technisches Gerüst geschaffen, das die weitere Entwicklung von Algorithmen ermöglicht, die in der Lage sind, Lager ganzheitlich zu erfassen und alle darin ablaufenden Prozesse zu optimieren. Die zunehmende Beliebtheit und die immer häufigeren Anwendungsbereiche der KI tragen zu einer größeren Verfügbarkeit dieser Technologie bei, was wiederum zu einer Senkung der Kosten für Rechenleistung führt. Dadurch werden wir in Zukunft in der Lage sein, RL-Modelle (Reinforcement Learning) in deutlich kürzerer Zeit zu trainieren, beispielsweise in Monaten oder vielleicht sogar Tagen.
Ein intelligentes WMS im Unternehmen LPP
Die Planung logistischer Abläufe ist aufgrund ihrer Dynamik und Variabilität eine komplexe Aufgabe. Einer der wichtigsten Lagerprozesse für eine effiziente Logistikabwicklung ist die Auftragszusammenstellung, die insbesondere im E-Commerce-Sektor von Bedeutung ist, der sich durch geringe Stückzahlen und SKUs pro Bestellung auszeichnet. Dieser Prozess stellt zudem einen der größten Kostenfaktoren dar – mehr als ein Drittel der Kosten im Zusammenhang mit der Lagerlogistik entfällt nämlich auf die Kommissionierung.
Das Pilotprojekt zur Einführung von PSIwms AI fand in den Lagern unseres Partners LPP statt. Dieses Unternehmen stützt sich auf eine globale Lieferkette und vertreibt jährlich über hundert Millionen Bekleidungsartikel weltweit; in Mittel- und Osteuropa ist es das größte Unternehmen der Bekleidungsbranche. Infolge des Wachstums des Online-Handels sahen sich viele Unternehmen mit der Notwendigkeit konfrontiert, ihre Lagerprozesse zu automatisieren, um eine hohe Qualität, termingerechte Warenversendungen und damit ihre Wettbewerbsfähigkeit aufrechtzuerhalten. Bei der Umsetzung des Konzepts eines intelligenten Lagers bei LPP haben wir uns darauf konzentriert, die Arbeitszeit der Kommissionierer zu verkürzen, was mit einer Minimierung der Gesamtkosten für die Kommissionierung einherging. Der Einsatz von Algorithmen auf Basis künstlicher Intelligenz ermöglichte es uns, das sogenannte „Reisende-Handelsvertreter-Problem“ (TSP) zu lösen, die Kommissionierwege um etwa 30 % zu verkürzen und die Effizienz der Ausgabeprozesse um mehrere Prozent zu steigern.
Weiterentwicklung der Technologie
In den folgenden Schritten wurde eine Reihe von Algorithmen namens BatchAI eingeführt. Dieses Paket umfasst eine mehrstufige Optimierung des Warenreservierungs- und Kommissionierungsprozesses. Erstens optimiert es die Zuordnung von Aufträgen zu Batches (gleichzeitig bearbeitete Aufträge), zweitens wendet es eine Clustering-Technik für eine effiziente Warenreservierung an und schließlich optimiert es dank des CVRP-Algorithmus (Capacitated Vehicle Routing Problem) die Abholrouten. Es ist erwähnenswert, dass das CVRP die Routen aller Kommissionierer gleichzeitig optimiert und dabei die Kapazitäten ihrer Kommissionierwagen berücksichtigt. Durch die Weiterentwicklung der Software konnte die Effizienz der Prozesse bei LPP um weitere 11 % gesteigert werden. In Verbindung mit dem zuvor erzielten Erfolg im Zusammenhang mit dem TSP bedeutet dies, dass die Algorithmen von PSIwms AI eine Effizienzsteigerung von insgesamt 23 % ermöglicht haben.
Automatisierung, Prozessoptimierung und Analyse
Ein weiterer wichtiger Prozess im Lager, der mithilfe von PSIwms AI analysiert wird, ist die Ladungsverteilung und die Lagerung von Waren. Ähnlich wie beim BatchAI-Algorithmus trägt eine bessere Bestandsverwaltung durch die optimale Verteilung der Waren im Lager dazu bei, die Kommissionierzeiten zu verkürzen. Das dank PSIwms AI realisierte Konzept des intelligenten Lagers ermöglicht unter anderem auch die Optimierung des Warenflusses im Lager durch die Identifizierung von Engpässen. Darüber hinaus kann der Anwender erfahren, welche Optimierungsempfehlungen das System vorschlägt.
Ein digitaler Zwilling des Lagers ermöglicht das Training von Algorithmen des maschinellen Lernens. Alle Änderungen im physischen Lager werden automatisch auf dessen digitale Kopie übertragen und in die Analyse einbezogen. Ein weiterer Vorteil dieser Lagerlösung ist die Möglichkeit, manuelle „Was-wäre-wenn“- Analysen durchzuführen, die Kunden selbstständig durchführen können. Der digitale Zwilling, der mit einer Kopie des produktiven Lagerverwaltungssystems (WMS) verbunden ist, fungiert als eine Art „Sandkasten“, in dem Analysten und Berater verschiedene Betriebsszenarien sicher testen können, ohne negative Auswirkungen auf das reale Lager befürchten zu müssen.
Die Zukunft KI-basierter Software
Künstliche Intelligenz revolutioniert unsere Gegenwart und entwickelt sich zu einer wichtigen Investition in die Zukunft. Die Zukunftsvision der Logistik mit dem Computersystem PSIwms AI könnte wie folgt aussehen: Die Lager der Unternehmen werden vollständig automatisiert sein (einschließlich der Prozesse zur Auftragsabwicklung für den E-Commerce), und das Lagerverwaltungssystem (WMS) mit KI-Algorithmen wird zum „Gehirn“, das die autonomen Roboter steuert. Parallel zum tatsächlichen Betrieb des intelligenten Lagers werden Hunderte von Simulationen durchgeführt, die darauf abzielen, (unter Verwendung von Produktionsdaten) die betriebliche Effizienz weiter zu verbessern und die Modelle dabei weiter zu trainieren.