Lesezeit: 7 min

Anwendungsbereiche von KI in der Logistik

Von: Friederike Bohm
Whitepaper downloaden

Wichtige Einsatzgebiete künstlicher Intelligenz in der Logistik

Die Anwendungsfelder von KI in der Logistik sind vielfältig. Das hier vorgestellte Modell bietet eine klare Struktur, um die verschiedenen Aufgaben und Bereiche innerhalb der Wertschöpfungskette strukturiert darzustellen.

Dazu werden die Aufgaben in vier wesentliche Aufgabenbereiche unterteilt: Erkennung, Analyse, Planen & Entscheiden sowie Ausführen.

Diese wiederum sind in drei wesentlichen logistischen Bereichen relevant: Beschaffung & Einkauf, Produktion und Vertrieb & Distribution.

Lesen Sie hier: Alles zum Thema KI in Logistik und Produktionsplanung

Wesentliche Anwendungsbereiche von KI in der Logistik

  • Erkennung bezieht sich auf die Identifikation von Objekten und Risiken entlang der gesamten Lieferkette, wie etwa durch die Gesichtserkennung zur Mensch-Maschine-Kommunikation oder die Überwachung von Veränderungen im Kundenverhalten. 
  • Analyse umfasst unter anderem die Bewertung von Lieferanten, die Performance von Anlagen und Bedarfsprognosen, die für die Optimierung der Logistikprozesse genutzt werden. 
  • Planen und Entscheiden legt den Fokus auf die Optimierung von Kapazitäten und die Entscheidungsfindung im Hinblick auf Bestands- und Transportkapazitäten sowie die Produktionsreihenfolge.  
  • Ausführen bezieht sich auf die Automatisierung von logistischen Prozessen, von autonomen Fahrzeugen bis hin zur Automatisierung von innerbetrieblichen Transporten.

Diese klare Einteilung erlaubt es, spezifische Anwendungsfälle der Künstlichen Intelligenz (KI) innerhalb der Logistik zu identifizieren und deren Nutzen für die Optimierung der Prozesse aufzuzeigen. 

Abbildung 1: Dortmunder Anwendungsmodell des Maschinellen Lernens in der Logistik; Quelle: Murrenhoff, A., Friedrich, M., & Witthaut, M. (2021). Künstliche Intelligenz in der Logistik. Herausgegeben von M. ten Hompel, M. Henke, & U. Clausen, Fraunhofer-Institut für Materialfluss und Logistik IML. Ausgabe 19, 28. April 2021.

Freebie Künstliche Intelligenz in der Logistik
Whitepaper

"Künstliche Intelligenz (KI) in der Logistik – Den Hype durchbrechen und echte Lösungen schaffen"

Jetzt kostenfrei herunterladen

Kategorisierung nach Aufgaben

Diese Kategorisierung nach Aufgaben spiegelt sich auch in weiteren anerkannten Quellen wider, wie beispielsweise im DHL Trend Radar (2018), der die KI-Anwendungen in der Logistik folgendermaßen unterteilt:

SUPPLY CHAIN VISIBILITY:

Echtzeit-Einblicke in die gesamte Lieferkette mithilfe von IoT und KI, wie etwa durch Echtzeit-Tracking oder Blockchain-Technologien für mehr Transparenz. 

Beispiele: Echtzeit-Tracking, Datenverknüpfung, Blockchain für Transparenz. 

PREDICTIVE ANALYTICS:

Vorhersage zukünftiger Lieferkettenereignisse durch KI, z. B. für Nachfrageprognosen und Wartungsplanung. 

Beispiele: Bestands- und Nachfrageprognosen, Wartungsplanung, Lagerbestandsoptimierung. 

AUTONOMOUS OPERATIONS:

Automatisierte, selbstständige Logistikprozesse, etwa durch autonome Lieferfahrzeuge oder Drohnen. 

Beispiele: Autonome Lieferfahrzeuge, Drohnenlieferungen, Roboter in Lagerhäusern. 

INTELLIGENT AUTOMATION:

Einsatz von KI zur Automatisierung und Optimierung von Prozessen, wie etwa durch intelligente Verpackungssysteme oder KI-gesteuerte Lagerverwaltung. 

Beispiele: Automatische Bestellabwicklung, KI-gesteuerte Lagerverwaltung, intelligente Verpackungssysteme. 

Freebie Künstliche Intelligenz in der Logistik
Whitepaper

"Künstliche Intelligenz (KI) in der Logistik – Den Hype durchbrechen und echte Lösungen schaffen"

Jetzt kostenfrei herunterladen

Kategorisierung nach Bereichen

Um die vielfältigen Möglichkeiten deutlicher zu machen, lohnt sich ein kurzer Blick auf die Einteilung nach Bereichen:

BESCHAFFUNG & EINKAUF:

Lieferantenauswahl, Risikomanagement, Nachfrageprognosen.

Beispiele: Natürliche Sprachverarbeitung (NLP) zur Analyse von Verträgen ML-Modelle zur Vorhersage von Lieferantenausfällen RPA für die Automatisierung der Lieferantenbewertung.

PRODUKTION:

Produktionsplanung, Wartungsoptimierung, Automatisierung.

Beispiele: Computer Vision zur automatischen Erkennung von Mängeln, KNNs für Vorhersagende Wartung (Predictive Maintenance), Autom. Entscheidungsfindung durch Reinforcement Learning.

VERTRIEB & DISTRIBUTION:

Absatzprognosen, Logistikoptimierung, Lager-& Bestandsverwaltung.

Beispiele: Deep Learning für Bedarfsprognosen, Optimierungsalgorithmen für die Routenplanung, Reinforcement Learning für dynamische Bestandsverwaltungssysteme.

Über den Autor

Friederike Bohm

Friederike Bohm Consulting
Als versierte Beraterin mit über 10 Jahren Erfahrung im Projektmanagement, speziell in den Bereichen Automotive, Logistik und Produktion, optimiert Friederike Bohm Prozesse und erhöht die Effizienz für OEMs, Logistikdienstleister und Zulieferer. Ihre umfangreiche Erfahrung umfasst die Leitung verschiedener Ramp-Up-Projekte, von Lithium-Ionen Batterien bis hin zu kompletten Fahrzeugneuanläufen. Als zertifizierter Six Sigma Black Belt, Prompt Engineer und AI Developer bringt sie umfassende Expertise in Agile & Scrum sowie Lean Management Methoden mit.

Sie könnten auch an Folgendem interessiert sein