Künstliche Intelligenz in Logistik und Produktion

Stän­dig klin­gelt das Tele­fon, trudeln E-Mails ein oder rattert das Faxge­rät mit einer neuen Sendungs­an­frage. Jede einzelne legen die Sach­be­a­r­bei­ten­den von Fr. Meyer's Sohn GmbH & Co. KG (FMS) per Hand im Trans­port­ma­na­ge­ment-System (TMS) an und ergän­zen die fehlen­den Infor­ma­ti­o­nen durch ihr intrin­si­sches Wissen. Das kostet Zeit und bringt Fehler mit sich. Geht das nicht auch auto­ma­tisch?

Doch, das geht: Mit Hilfe histo­ri­scher Sendungs­in­for­ma­ti­o­nen wurde ein Modell trai­niert (Machine Lear­ning). Die KI füllt auf dieser Basis die Erfas­sungs­maske im TMS auto­ma­tisch aus und vervoll­stän­digt fehlende Sendungs­da­ten. Mit dem auto­ma­ti­sier­ten Work­flow verkürzt sich die Zeit erheb­lich, die Sach­be­a­r­bei­ten­den brau­chen, um Sendun­gen aus Kunden-E-Mails anzu­le­gen.

Jeden Tag laufen bei einem großen Bauträ­ger und Projekt­ent­wick­ler über 1500 Rech­nun­gen ein, die durch eine OCR-Lösung erfasst und dann per Hand kontiert werden. Diese Arbeit ist für die Sach­be­a­r­bei­ter:innen zeit­auf­wen­dig und wenig moti­vie­rend.

Eine Mach­bar­keits­ana­lyse ergab, dass sich die Rech­nungs­da­ten auch KI-basiert auto­ma­tisch kontie­ren lassen. Die Lösung, die zukünf­tig entwi­ckelt wird, kann KI-gestützt Vorschläge für die Kontie­rung ausge­ben.

Ein Logis­tik­dienst­leis­ter orga­ni­siert bundes­weit Wert­stoff­kreis­läufe von mine­ra­li­schen und nicht mine­ra­li­schen Stof­fen. Aus Abfall wird recy­cel­tes Mate­rial, das wiederum dem Rohstoff­kreis­lauf zuge­führt wird. Expert:innen des Unter­neh­men über­leg­ten: Wie können diese Stoff­ströme sinn­voll kombi­niert werden, so dass sich Leer­fahr­ten vermei­den lassen?

Um diese Aufgabe zu lösen, wurden zunächst die bereits vorhan­de­nen Daten zusam­men­ge­führt und über ein inter­ak­ti­ves Dash­board visu­a­li­siert. Mit Hilfe der bild­haf­ten Darstel­lung konn­ten die Exper­ten Schwer­punk­tach­sen iden­ti­fi­zie­ren und Vorrau­sa­gen über die Verän­de­run­gen von Verkehrs­s­trö­men tref­fen. Die Logis­tik­kos­ten des Unter­neh­mens sinken und der CO2-Ausstoß wird redu­ziert, weil Trans­porte nun besser gebün­delt werden können.

Die Dispo­nent:innen von Fr. Meyer's Sohn GmbH & Co. KG (FMS) bestim­men mit Hilfe ihrer Erfah­rung die opti­male Route einer Sendung vom Start bis zum Ziel. Ob es regel­mä­ßige Schiffs­rou­ten gibt oder der Hafen in der Nähe des Ziel­or­tes gut ange­bun­den ist – dieses Wissen steckt in ihren Köpfen. Doch die sorg­fäl­tige Planung kostet Zeit. Und was passiert, wenn ein erfah­re­ner Sach­be­a­r­bei­ten­der gerade nicht greif­bar ist, aber die Zeit drängt?

Nach einer Analyse von Sendungs­da­ten aus der Vergan­gen­heit konnte eine KI zwischen unter­schied­li­chen Para­me­tern Muster und Korre­la­ti­o­nen sicht­bar machen. Das System kann nun Vorschläge über opti­male Häfen machen. Die auto­ma­ti­sierte Routen­pla­nung nimmt den erfah­re­nen Dispo­nent:innen Arbeit ab, unter­stützt die weni­ger erfah­re­nen Kolleg:innen und spart allen Zeit.

Die Wartung von Maschi­nen im Warm­wa­lz­werk von Acelor­Mit­tal erfolgt in unre­gel­mä­ßi­gen Abstän­den. In der Zwischen­zeit bemer­ken nur durch Zufall erfah­rene Mita­r­bei­tende, dass eine Unre­gel­mä­ßig­keit vorliegt, wenn es irgendwo im Motor rumpelt. Fällt die Maschine dann tatsäch­lich aus, verur­sacht das hohe Kosten.

Mit Predic­tive Main­te­nance können Produk­ti­ons­be­triebe dem Ausfall zuvor­kom­men. Eine KI über­nimmt dazu komplexe Daten von Schwin­gungs- und Tempe­ra­tur­sen­so­ren und analy­siert diese. Erkennt sie Unre­gel­mä­ßig­kei­ten, löst sie einen Alarm aus. So können die Mita­r­bei­ten­den die Maschine proak­tiv warten. Das Erken­nen von Fehlern ist nicht mehr nur von erfah­re­nen Mita­r­bei­ten­den abhän­gig.

Dicke Rollen aus Stahl­band – soge­nannte Coils – verlas­sen das Acelor­Mit­tal-Werk in Bremen. Die Stahl­pro­dukte werden in verschie­de­nen Phasen geprüft und verpackt. Um zu doku­men­tie­ren, dass die Coils fehler­frei sind, machen Mita­r­bei­tende Fotos davon. Aufgrund schlech­ter Umge­bungs­be­din­gun­gen und mangeln­der Zeit ist die Quali­tät dieser Aufnah­men jedoch nicht ausrei­chend.

Eine Bild­er­ken­nung – ein wich­ti­ges Teil­ge­biet der KI – kann die Quali­tät der Aufnah­men über­prü­fen, die Ergeb­nisse klas­si­fi­zie­ren und auf mobile Endge­räte über­tra­gen. Mita­r­bei­tende erhal­ten sofort eine Rück­mel­dung, ob die Fotos eine ausrei­chende Quali­tät haben. So kann die Doku­men­ta­tion für die Endkun­den verbes­sert werden. Als Erwei­te­rung könnte die Bild­er­ken­nung selbst darauf trai­niert werden, die Mängel zu erken­nen.