KI für die Disposition

Die Herausforderung

Für Logis­tik­un­ter­neh­men spielt die Routen­pla­nung eine zentrale Rolle und ist ein wich­ti­ger Faktor für das Einhal­ten von Termi­nen, die Zufrie­den­heit der Kunden und allem voran den Kosten. Die komplexe Problem­stel­lung der Routen­op­ti­mie­rung ist keine neue Hürde für die Bran­che und seit 1959 als Trave­ling Sales­man Problem (TSP) bekannt. Unter­stüt­zung bieten eine Viel­zahl von Routing-Service­pro­vi­dern, die Soft­ware basie­rend auf heuristi-schen Verfah­ren vertrei­ben. Diese Verfah­ren haben durch KI-Anwen­dun­gen, die u.a. Ansätze biolo­gi­scher Intel­li­genz adap­tie­ren, in den letz­ten Jahren starke Konkur­renz bekom­men.

Die Gestal­tung der Trans­por­t­route ist von sehr vielen poten­ti­el­len Fakto­ren abhän­gig. Dies macht das Finden der opti­ma­len Route für alle Fahr­zeuge zu einem NP-Schwe­ren Problem. Wird die Planung ausschließ­lich mit einer Routing­soft­ware vorge­nom­men, bleibt die persön­li­che Erfah­rung des jewei­li­gen Dispo­nen­ten aller­dings unbe­rück­sich­tigt und das Ergeb­nis ist viel­leicht nur mathe­ma­tisch, und nicht für die am Prozess betei­lig­ten Perso­nen, opti­mal.

   

Eine Lösungsidee

Eine komplette Lösung des TSP wird es in der nahen Zukunft vermut­lich nicht geben. Ein Ansatz, die Routen­pla­nung effi­zi­en­ter zu gestal­ten, kann deshalb auf eine best­mög­li­che Unter­stüt­zung des Dispo­nen­ten abzie­len. Dies kann durch eine Auto­ma­ti­sie­rung von Teil­schrit­ten gesche­hen, wie etwa der Auswahl von Teil­sta­tio­nen (bspw. Verla­de­stät­ten / Häfen). Basie­rend auf histo­ri­schen Buchungs­da­ten können KI-basiert Muster erkannt und das Verhal­ten der Dispo­nen­ten imitiert werden. Durch Analyse fehlen­der Infor­ma­tio­nen, die zu der jewei­li­gen Entschei­dung geführt haben, wird intrin­si­sches Wissen offen­ge­legt. Dies kann u. a. genutzt werden, um die beste­hen­den Systeme sowie die Daten­er­fas­sung und daran gekop­pelt, die Perfor­mance weiter zu verbes­sern. Der Dispo­nent wird entlas­tet und kann mehr Zeit in andere Teil­schritte inves­tie­ren.

Das Ergebnis

Das Ergeb­nis wird die Genau­ig­keit der Empfeh­lun­gen des final genutz­ten Algo­rith­mus sein. Gemes­sen wird die Perfor­mance zunächst anhand ihrer Ähnlich­keit zu den reell ausge­wähl­ten Teil­sta­tio­nen der Dispo­nen­ten. Aufbau­end darauf können weitere Schritte und Erwei­te­run­gen reali­siert werden, ggf. auch basie­rend auf offen­ge­leg­ten Infor­ma­tio­nen, die bisher nicht berück­sich­tigt wurden.

Die Projektdetails auf einen Blick

  • Unter­stüt­zung bei der Routen­pla­nung
  • KI-Lösung auf Basis histo­ri­scher Daten
  • Empfeh­lung von Teil­sta­tio­nen einer Route

Die einsetzbaren Technologien (Auswahl)

  • Python
  • Jupy­ter Lab
  • ScikitLearn
  • Tensor­flow
  • Numpy
  • Pandas
  • Seaborn
  • Matplot­lib

Projektbericht herunterladen