Drucken
Sebastian Schaal

IPL-Magazin 47 | April 2019 | Autor: Sebastian Schaal, Geschäftsführer/Mitbegründer von Luminovo

Eine Industrie, in der sich künstliche und menschliche Intelligenz optimal ergänzen. 

 

Künstliche Intelligenz ist womöglich die meistdiskutierte und am häufigsten missverstandene Technologie - eine problematische Kombination. Bevor wir den Wert von KI in der Logistik anhand möglicher Anwendungsfälle diskutieren, sollten folgende drei Punkte geklärt werden: Was ist KI, was kann KI, und welche Rolle bleibt dabei dem Menschen?

Künstliche Intelligenz ist ein Sammelbegriff für Technologien mit ‘intelligentem’ Problemlösungsverhalten - eine tautologische Definition mangels einer besseren. Marvin Minsky, KI-Pionier der 1950er, definierte KI als Technologie, die Aufgaben übernehmen kann, für die bislang der Einsatz menschlicher Intelligenz nötig war. Mehr Klarheit herrscht in den einzelnen Teilgebieten. Eines davon ist maschinelles Lernen (ML). ML-Algorithmen erkennen in vorhandenen Datenbeständen Muster und treffen auf dieser Basis Voraussagen; sie lernen also quasi aus Erfahrung. Konventionelle ML Methoden können so dem Menschen in verschiedenen Teilgebieten spezifische Aufgaben abnehmen, sind dabei aber u.a. stark von ihrem Datensatz abhängig und unflexibel. Vor allem erfordern sie strukturierte Datenformate. Deep Learning (DL) ist ein Teilbereich von ML, der tiefe neuronale Netze nutzt, um unstrukturierte Daten zu erfassen und von ihnen zu lernen. Algorithmen, die u.a. Bilder und Text ‘verstehen’, teils besser als der Mensch klassifizieren, oder sogar selbst generieren, lösen in einigen Menschen die Angst aus, ersetzt zu werden.

Dem ist jedoch Folgendes entgegenzusetzen: Obwohl Erkenntnisse der Neurowissenschaften die Entwicklung von neuronalen Netzen und einiger algorithmischen Architekturen lose inspiriert haben, sind biologische und computergestützte Systeme grundlegend verschieden. Vielschichtige Algorithmen können innerhalb einer spezifischen Aufgabe (z.B. Erkennen einer bestimmten Objektklasse in sich verändernder Umgebung) menschliche Kompetenz einholen oder sogar übertreffen. Aber eine Weiterentwicklung von Höchstleistung innerhalb einer schmalen Kompetenz zu einer allgemeinen Intelligenz, wie Menschen sie besitzen, ist keinesfalls gegeben, oder vorerst zu erwarten. Unser vernetztes Problemlösungsvermögen, basierend auf 1014 synaptischen Verbindungen, unterscheidet sich auf einer qualitativen Ebene fundamental von den leistungsstärksten DL-Algorithmen.

Trotz der faszinierenden Möglichkeiten, die diese Anwendungen versprechen, sind Deep Learning Systeme im Einsatz eingeschränkt durch das lange Training und die riesigen Datenmengen, welche notwendig sind, bis DL effektiv für einen spezifischen Use Case eingesetzt werden kann. Daher der Lösungsansatz: Eine Hybridlösung, welche die Stärken von Mensch und Maschine vereint. KI ist nicht auf einzelne Anwendungsfälle beschränkt. Ideal eignet sich diese Technologie, um Menschen repetitive Prozesse abzunehmen. Allerdings schränken Trainingsdauer und benötigte Datenmengen in der Praxis den schnellen Einsatz von Deep Learning Systemen stark ein. In einer Hybridlösung, welche KI und menschliche Fähigkeiten kombiniert, werden repetitive Arbeitsprozesse zunächst beschleunigt und mit wachsender Autonomie letztendlich übernommen.

Dieses System wird vortrainiert, bis es einen Schwellenwert an Performance erreicht. Dann erst wird es in das Betriebssystem des Unternehmens integriert. Etwa beim Problem Bilderkennung klassifiziert dieses KI-System automatisch den Großteil der Daten. In kritischen Fällen löst der Mensch die Aufgabe noch händisch und gibt dadurch automatisch Input, durch welchen die Maschine kontinuierlich lernt. Dadurch vereinen sich schneller Einsatz und praktischer Nutzen mit unverminderter Qualität, was traditionelle Machine Learning Verfahren nur bedingt leisten können.

Worin liegt nun der Wert dieser Technologien in der Logistik? Bei vielen Prozessen entstehen in der Logistik Daten. Dazu zählen beispielsweise Daten aus einer SQL-Datenbank, welche in Zeilen und Spalten sortiert gespeichert sind und dementsprechend auch einfach abgerufen werden können. Dafür reichen herkömmliche Machine Learning Techniken aus. Unstrukturierte Daten, oft in Form von Bild oder Text, machen aber ebenfalls einen großen Teil der entstehenden Datenmenge aus. Ein Lieferschein, eine eingehende Rechnung, oder Kamerabilder, die von Logistikrobotern aufgenommen werden, sind Beispiele hierfür. Erst durch den Einsatz einer hybride Lösung in den repetitiven Prozessen kann in diesen Fällen eine zufriedenstellende Lösung erzielt werden.

Als Anwendungsgebiete bieten sich an: Dokumentenverarbeitung, Qualitätskontrolle oder Kommissionierung, und daran geknüpft optimiertes Supply Chain Management.


In drei Anwendungsbeispiele soll der Einsatz nun kurz skizziert werden.

  1. Die KI-gestützte Dokumentenverarbeitung ist in der Theorie ein klassischer Use Case für Deep Learning Techniken. Allerdings hinken viele deutsche Unternehmen in der Implementierung den amerikanischen hinterher. Rohdaten wären hier textlastige Dokumente in logistischen Prozessen. Dies gilt beispielsweise für einen Produktionsauftrag in Form eines PDF-Dokuments, welcher klassifiziert und dessen Inhalt erfasst werden muss. Verwendet wird hierfür Natural Language Processing (NLP), eine Technologie die entweder regelbasiert oder mithilfe von Deep Learning funktioniert. Mithilfe dieser Algorithmenarchitektur kann unstrukturierter Text in eine strukturierte Form konvertiert werden. Dies ermöglicht Computern, menschlichen Input zu erfassen. Die NLP Pipeline verarbeitet Sprache sequentiell. Dem Rohtext werden automatisch Eigenschaften entzogen, um eine interne Repräsentation zu formen. Der effektive Einsatz dieser Technologie verspricht eine automatische Auswertung von Dokumenten oder die direkte Erkennung und Eintragung von Daten in die relevanten Systeme wie SAP.

  2. Ebenfalls wertvoll für Logistik ist KI im Kontext von Qualitätskontrollen und der Produktoptimierung. Qualitätskontrollen sind eine zeit- und kostenaufwändige Notwendigkeit in industriellen Wertschöpfungsketten. Das Basisprinzip einer Qualitätskontrolle ist das Erkennen von Normalabweichungen, an sich ein repetitiver Prozess. Allerdings erfordert dies bei vielen Produkten das Erkennen und Analysieren hochkomplexer Oberflächen. Hier kommt Deep Learning ins Spiel. Mithilfe von Computervision können Algorithmen trotz variierender Bildqualität, Hintergründe etc. Abweichungen mit hoher Präzision erkennen. Qualitätskontrollen sind essentiell. Noch besser wäre allerdings das Vermeiden von Produktionsausschuss. In komplexen Produktionsumfeldern sind Verluste aufgrund von Defekten oder beschädigten Produkten, auch wenn sie identifiziert werden, ein erhebliches Problem, das schwer auf der Ertragskraft lastet. Die Herstellung von Halbleiterchips etwa ist ein mehrstufiger Prozess, der sich über Wochen bis hin zu Monate erstreckt, mit vielfacher Qualitätsprüfung in der Simulation, bevor die eigentliche Produktion startet. Prüfkosten und Ertragsausfälle machen oft einen Großteil der Produktionskosten aus. Mit Deep Learning Lösungen konnte Infineon Verluste bis zu einem Drittel vermindern, 1.2 Millionen Rechenzeit einsparen, einen Teil der hohen Kosten pro Chip-Design einsparen und die Produkteinführungszeit um 2 Monate verkürzen. Kern war der Lösung war KI in der Prozessoptimierung und Produktionsüberwachung.

  3. Ein dritter beispielhafter Anwendungsfall ist KI bei der Kommissionierung.Die Verarbeitung von Kunden- oder Produktionsaufträgen ist durchzogen von repetitiven Prozessen, die deutlich effizienter gestaltet werden könnten, um die damit verbundenen hohen Kosten zu minimieren. Bei einem klassischen Kundenauftrag sucht der Kommissionierer die Ware entsprechend dem Auftrag heraus, entnimmt sie aus dem jeweiligen Lagerort, überprüft die Ware, bucht die Entnahme im System und übergibt sie letztendlich an die nächste Einheit, meist die Verpackungsabteilung. Gerade bei wichtigen Aufträgen, sei es in einer streng getakteten Produktion oder einem großen Warenlager, könnte KI die Zwischenschritte der Überprüfung und Buchung der Entnahme leicht übernehmen. Mithilfe von auf Deep Learning basierender Bild- bzw. Objekterkennung kann die entnommene Ware auf Richtigkeit überprüft und bei Übereinstimmung automatisch in die vernetzten vorhandenen Systeme eingetragen werden. Um das Ganze möglichst effizient in den laufenden Prozess einzubinden, kann Bilderfassung z.B. über eine Kamera erfolgen, die am Scanner eines Mitarbeiters angebracht ist. Aktuelle Technologien sind zwar weit entwickelt, aber erkennen in kritischen Fälle die relevanten Objekte dennoch nicht mit einer Zuversicht von 100%. Außerdem wird es für die KI schwer, konkrete Aussagen zu treffen, wenn keine Barcodes auf den Objekten vorhanden sind. Gerade in Grenzfällen ist es hilfreich, wenn in einer hybriden Anwendung der Mensch das System unterstützt und dessen Entscheidung bestätigt bzw. ablehnt. Diese neu entstehenden Datenpunkte ermöglichen dem Modell kontinuierlich zu lernen und dadurch mit einer immer höheren Zuversicht Aussagen zu treffen. In einem weiteren Anwendungsfall könnte KI bei der Kommissionierung auch in automatisierten Kommissionierungsrobotern angewandt werden und diese beim eigentlichen “Picking” aus den Regalen unterstützen.


Weitere repetitive Prozesse, welche sich für den repetitiven Einsatz eignen, ergeben sich im Zuge der Digitalisierung durch den Einsatz von Smartphones, Tablets, Scannern oder anderer innovativer Technologien wie Pickby-Vision oder Robotern. Die Zukunft der Logistik ist durchzogen von KIgesteuerten Prozessen. Einen Vorgeschmack im deutschen Raum geben Zalando, mit dem Nutzen neuronaler Netze zur Wegoptimierung im Lieferprozess, der Online-Händler Otto, mit einer KI-gesteuerten Predictive Analytics. Im letzgenannten Fall gelang es, die jährlichen Retouren dank Deep Learning um 2 Millionen zu verringern. Im internationalen Raum wird KI zur Prozessoptimierung im großen Stil eingesetzt, etwa bei Google, das seinen Energieverbrauch dank hochakkurater DL-Voraussagen für Energieeffizienz in Abhängigkeit von verschiedenen Variablen um 40% senken konnten.

 

Zusammenfassend lässt sich sagen:
Das Konzept der Hybrid-Plattform basiert auf Überlegungen, wie KI mit maximalem Nutzen für Unternehmen praktisch einsetzbar ist. Die hybride Bearbeitung von Aufgaben ermöglicht höhere Qualität zu geringeren Kosten, indem sich der Mensch auf die schwierigsten Fälle konzentriert und kontinuierlich verbessernde Deep Learning Modelle den Rest übernehmen.

Diese Form der Anwendung ermöglicht große Einsparungen bei logistischen Prozessen, ohne das Risiko von voreiliger Vollautomatisierung. KI unterstützt als eine Art Schlüsseltechnologie Unternehmen dabei, ihre Prozesse effizienter zu gestalten, indem die Stärken von KI und menschlicher Intelligenz voll ausgereizt werden.


Über den Autor:

Sebastian Schaal absolvierte sein erstes Master-Studium an der TU München als Jahrgangsbester und durchlief das Honours Degree Programm des CDTM. Während seines zweiten MSc an der Stanford University spezialisierte er sich im Bereich Management & Machine Learning. Er arbeitete bei McKinsey und Intel, bevor er in die Deep Tech Szene zurückkehrte und nach Stationen in zwei Startups schließlich 2017 das Unternehmen Luminovo gemeinsam mit seinem Mitgründer Timon Ruban startete. Luminovo wurde aus der Überzeugung gegründet, dass KI den Menschen unterstützen, nicht ersetzen wird, und dies spiegelt sich in ihrer Hybrid-Plattform wieder.