Vom Licht erhellter Hafenanleger bei Nacht

Mit KI wichtige Informationen aus E-Mails filtern und verwerten

KI-gestützte Sendungsvervoll-ständigung

Die Sendungserfassungsmaske soll sich, trotz lückenhafter Informationen, automatisch ausfüllen. Disponenten werden so durch fachlich stimmige Vorschläge unterstützt.

Kunde

Fr. Meyers Sohn, Hamburg, FMS

Branche

Logistik

Lösungen

Intelligente Lösung für Recherche von Sendungdaten

Unsere Leistungen
  • Auto­ma­ti­sche Anlage von Sendun­gen
  • Impu­ta­tion mittels KI
  • Unter­stüt­zung von Dispo­nen­ten
  • Projekt­lauf­zeit: ca. 10 Monate

Der Kunde: ein globales Speditions- und Logistikunternehmen

Fr. Meyer's Sohn – oder kurz FMS – ist ein globa­les Spedi­ti­ons- und Logis­tik­un­ter­neh­men in Fami­li­en­be­sitz, das sowohl See-, Luft-, als auch Landtrans­porte orga­ni­siert und somit für seine Kunden die gesamte Trans­port­kette abdeckt. Ein wesent­li­cher Teil der Arbeit besteht darin, Kunden­auf­träge in das Trans­port­ma­na­ge­ment­sys­tem (TMS) einzu­tra­gen um Sendun­gen anzu­le­gen. Hier­bei liegen dem Dispo­nen­ten unter­schied­lich voll­stän­dige Infor­ma­ti­o­nen vor, die er durch sein intrin­si­sches Wissen vervoll­stän­di­gen muss. Maschi­nelle Lern­ver­fah­ren könn­ten hier genutzt werden, um die Dispo­nen­ten dabei zu unter­stüt­zen.

Sendungen sollen automatisch ausgefüllt werden

Die Aufgabe besteht darin, mithilfe von KI verschie­den voll­stän­dige Tupel an Infor­ma­ti­o­nen (bspw. Start-/Ziel­ha­fen, Anzahl Contai­ner, Gewicht), die aus Kunden-E-Mails stam­men, so zu vervoll­stän­di­gen, dass mindes­tens die Pflicht­fel­der der Sendungs­er­fas­sungs­maske ausge­füllt sind. Dabei sind Geschäfts­re­geln zu beach­ten, die zwischen Feldern beste­hen. Hier­für sollen maschi­nelle Lern­ver­fah­ren einge­setzt und histo­ri­sche Sendungs­da­ten als Lern­grund­lage genutzt werden.

Beson­dere Heraus­for­de­run­gen entste­hen durch das unre­gel­mä­ßige Fehlen von Daten und hete­ro­gene Daten­ty­pen, für die einzelne Modelle trai­niert werden müssen sowie darin, die Felder der Maske fach­lich sinn­voll zu befül­len. Dazu sollen im ersten Schritt die vorhan­de­nen Daten analy­siert und beste­hende Geschäfts­re­geln erho­ben werden. Ein geeig­ne­tes Verfah­ren zum Vervoll­stän­di­gen muss iden­ti­fi­ziert und umge­setzt werden. Ziel ist es, einen Proof of Concept zu erbrin­gen, dass, basie­rend auf lücken­haf­ten Infor­ma­ti­o­nen, Sendun­gen voll­stän­dig auto­ma­tisch ausge­füllt werden können.

Evaluierung in drei Phasen

  1. Date­n­ana­lyse histo­ri­scher Sendun­gen: Neben Stan­dard­auf­ga­ben, wie der Berei­ni­gung, wurde hier ein beson­de­res Augen­merk auf das Asso­cia­tion Rule Mining gelegt, um verdeckte Regeln zu iden­ti­fi­zie­ren. Auswahl eines geeig­ne­ten Modells: Evalua­tion eines Miss­Fo­rest, welcher die Daten durch ein itera­ti­ves Verfah­ren vervoll­stän­digt (impu­tiert).
  2. Auswahl von Featu­res, basie­rend auf der Date­n­ana­lyse, sowie Trai­ning und Testen des Modells.
  3. Plau­si­bi­li­täts­test der Ergeb­nisse, um sicher­zu­stel­len dass Einga­ben zuein­an­der passen. Bereit­stel­lung des Modells als API und finale Evalua­tion des Proto­typs durch den Kunden.

Das Ergebnis

Das Ergeb­nis werden mehrere trai­nierte Modelle sein, die mittels einer API zur Verfü­gung gestellt werden und verschie­den große Daten-Tupel zur Vervoll­stän­di­gung entge­gen nehmen können. Der Proto­typ soll bewei­sen, dass eine Vervoll­stän­di­gung von Sendungs­da­ten möglich ist und Dispo­nen­ten durch fach­lich stim­mige Vorschläge unter­stützt werden können.

Die Projektdetails auf einen Blick

  • Auto­ma­ti­sche Anlage von Sendun­gen
  • Impu­ta­tion mittels KI
  • Unter­stüt­zung von Dispo­nen­ten

Die eingesetzten Technologien

  • Python
  • Jupy­ter Lab
  • Multi­va­ri­ate Impu­ta­tion by Chai­ned Equa­ti­ons
Projektbericht herunterladen