Lesezeit: 7 min
Anwendungsbereiche von KI in der Logistik
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.
Whitepaper
"Künstliche Intelligenz (KI) in der Logistik – Den Hype durchbrechen und echte Lösungen schaffen"
Kategorisierung nach Aufgaben
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.
Whitepaper
"Künstliche Intelligenz (KI) in der Logistik – Den Hype durchbrechen und echte Lösungen schaffen"
Kategorisierung 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
Sie könnten auch an Folgendem interessiert sein
Big Data in der Produktionsplanung: Effizienz und Flexibilität für OEMs
Derr Einsatz von KI in der Logistik ist mit vielen Hindernissen verbunden. Doch es gibt auch klare Lösungsansätze, die Unternehmen nutzen können, um diese Barrieren zu überwinden....
Interne Logistikprozesse spielend optimieren
Sie und Ihre Intralogistik stehen vor großen Herausforderungen: Steigende Variantenvielfalt, kleine Stückzahlen sowie Preis- und Kostendruck machen die Planung und Steuerung Ihrer internen...
Produktionsplanung Software
Ein neues Denken setzt sich in der Produktionsplanung durch: Durchgängig planen, visualisieren und simulieren in einer Software. Ob in Grob-, Detailplanung oder in der Serie auf Basis von...
Durchlaufzeiten optimieren: Hier passieren die meisten Fehler!
Eine der häufigsten Herausforderungen in der Produktion ist die Durchlaufzeit. Die Durchlaufzeit bezieht sich auf die Zeit, die ein Produkt braucht, um von der Idee bis zum Endprodukt...
