Eine Lagerhalle mit Bluetooth und autonomen Systemen

Referenz

KI-gestützte Vervollständigung von Sendungsdaten

Fehlende Sendungsdaten verkomplizieren den Logistikprozess. Für FMS implementierten wir einen Algorithmus, der die fehlenden Felder im Transportmanagementsystem vervollständigt. Disponent:innen werden so durch fachlich stimmige Vorschläge unterstützt.

Kunde

Fr. Meyer's Sohn (GmbH & Co.) KG

Branche

Logistik

Lösungen

KI-gestützte Lösung für Recherche von Sendungsdaten

Der Kunde

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 Kund:innen die gesamte Trans­port­kette abdeckt.

Fehlende Informationen in E-Mails

Ein wesent­li­cher Teil der Arbeit von FMS besteht darin, Kunden­auf­träge im Trans­port­ma­na­ge­ment­sys­tem (TMS) zu erfas­sen, um Sendun­gen anzu­le­gen. Fehlende Infor­ma­ti­o­nen werden hier­bei von Dispo­nent:innen durch ihr intrin­si­sches Wissen vervoll­stän­digt.

Ziel­set­zung des Projek­tes war eine Lösung, die mittels statis­ti­scher Metho­den und maschi­nel­len Lernens fehlende Infor­ma­ti­o­nen aus E-Mails von Kund:innen möglichst genau schätzt (impu­ta­tion) und eine Schnitt­stelle zum auto­ma­ti­schen Erfas­sen von Sendungs­da­ten in E-Mails ermög­licht.

Beson­dere Heraus­for­de­run­gen entstan­den durch das unre­gel­mä­ßige Fehlen von Daten und durch hete­ro­gene Daten­ty­pen, für die einzelne Modelle trai­niert werden muss­ten. Und darin, die Felder der Maske fach­lich sinn­voll zu befül­len.

Analyse und Implementiation

Das Projekt setz­ten wir in zwei Phasen um:

  1. In der ersten Phase analy­sier­ten wir eine Teil­menge der vorhan­de­nen Daten und erho­ben beste­hende Geschäfts­re­geln. Neben Stan­dard­auf­ga­ben wie der Daten­be­rei­ni­gung legten wir hier ein beson­de­res Augen­merk auf das Asso­cia­tion Rule Mining, um verdeckte Regel zu iden­ti­fi­zie­ren. Wir wähl­ten Miss­Fo­rest als geeig­ne­tes Modell zum Vervoll­stän­di­gen aus. Wir imple­men­tiert und evalu­ier­ten es anhand einer Test­funk­tion mit zufäl­lig fehlen­den Werten. Des Weite­ren konz­pier­ten wir eine Pipe­line zur Daten­vor­be­rei­tung und setz­ten diese mit Hilfe von maßge­schnei­der­ten Trans­for­mern - also einzel­nen Daten­vor­be­rei­tungs­schrit­ten - um.
     
  2. In der zwei­ten Phase des Projek­tes ging es inten­siv um die Auswer­tung und Verbes­se­rung der Ergeb­nisse. Dazu imple­men­tier­ten wir ein weite­res Modell sowie eine Bench­mark zum Verglei­chen. Die Modelle pass­ten wir auf den voll­stän­di­gen Daten­satz an und über­a­r­bei­te­ten die Imple­men­ta­tion der Pipe­line, um die Kompa­ti­bi­li­tät mit beste­hen­den Trans­for­mern aus sklearn zu gewähr­leis­ten. Das Deploy­ment der Modelle wurde beispiel­haft mit Hilfe des Frame­works flask als API aufge­zeigt.

Vervollständigung fehlender Pflichtfelder

Eine unvoll­stän­dige Sendung kann nun als JSON mit einem POST-Request an die API geschickt werden und wird mit allen Pflicht­fel­dern vervoll­stän­digt als JSON zurück­ge­ge­ben. Für die Impu­ta­tion stehen zwei Modelle zur Verfü­gung, welche nun in der Praxis erprobt werden, um Sach­be­a­r­bei­ter:innen zukünf­tig durch fach­lich stim­mige Vorschläge zu unter­stüt­zen.

Die eingesetzten Technologien (Auswahl)

  • Vorge­hen nach CRISP-DM
  • Jupy­ter­Lab (Python 3)
  • scikit-learn, flask, pandas, numpy

Ihr Ansprechpartner für dieses Projekt

Tim Soller

Tim Soller

Künstliche Intelligenz

0421 20750 370 E-Mail senden