KI-gestützte Sendungsvervollständigung

KI-gestützte Sendungsvervollständigung in der Logistik

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

Projektbericht herunterladen

Die eingesetzten Technologien
  • Python
  • Jupy­ter Lab
  • Multi­va­ri­ate Impu­ta­tion by Chai­ned Equa­ti­ons

Ihre Ansprechpartner

Softwareentwicklung