KI als Schlüsseltechnologie im logistischen Umfeld bietet neue Ansätze und Werkzeuge zur Optimierung und gewinnt stetig an Bedeutung.

Informationen werden erstmals nicht nur maschinell auswertbar analysiert und gespeichert, sondern auch die digitalen Inhalte werden durch intelligente Lernverfahren inhaltlich verstanden. Durch die Vielseitigkeit an Anwendungsfeldern ermöglicht die KI eine bislang unerreichte Qualität der Entscheidungsunterstützung und Prozessoptimierung in den Bereichen der Beschaffungslogistik, der Produktionslogistik, der Distributionslogistik und der Entsorgungslogistik. Neben der prädiktiven Analytik zur Simulation zukünftiger Prognosemodelle, dem Einsatz mobiler robotischer Systeme sowie der Verarbeitung repetitiver Tätigkeiten im Back-Office, bieten KI-Methoden unzählige Einsatzmöglichkeiten.

Der Wettbewerb innerhalb der Logistik fordert die unentwegte Analyse effizienzsteigernder Potenziale sowie innovativer Ideen. Innerhalb der Lagerverwaltung und im Transportmanagement wird davon ausgegangen, dass allein hier 64 % aller menschlichen Tätigkeiten durch KI automatisiert werden können. Big Data, die Entwicklung von Algorithmen, Konnektivität sowie Speicher- und Rechenleistung wie Cloud Computing begünstigt die Umsetzung von KI-Lösungen. Die Analyse von Datenmengen zeigt bisher nicht bekannte Zusammenhänge auf, unterstützt realistische Zukunfts-Szenarien und verhilft, den gesamten Warenfluss agiler, schneller und weniger störanfällig zu gestalten. Tausende von Aufträgen können so bspw. automatisch in optimierten Routen unter Berücksichtigung aller Planungsrestriktionen geplant werden.

Die eingesetzten KI-Methoden unterscheiden sich je nach Use Case und setzen teils Cloud-Computing und Sensoren voraus. Mögliche Use Case betreffen:

Drohnen - hier können ähnlich des Autonomen Fahrens zum Einsatz kommen:

• Machine Learning
  • Supervised Learning - für eine geregelte Objekterkennung die auf Datenlabeling basiert wie z.B. Verkehrsschilder.
  • Unsupervised Learning - für die Erkennung von Muster und Strukturen in Umgebungen wie z.B. Fahrbahn oder Nicht-Fahrbahn.
  • Semi-Supervised Learning - für die Optimierung der Genauigkeit in der Objekterkennung, wenn nur ein Teil der Daten gelabelt sind (Kosteneinsparung).
• Deep Learning
  • Convolutional Neural Networks (CNN) - für die Bildverarbeitung und Objekterkennung z.B. Fahrzeuge der Flotte.
  • Recurrent Neural Networks (RNN) - für die Vorhersage des Verhaltens anderer Verkehrsteilnehmer z.B. Signale durch blinken.
  • Autoencoder - für die Erkennung von Anomalien und ungewöhnliche Situationen.

Robotik:

• Symbolische KI
• Machine Learning
• Deep Learning

Augmented Reality: - kann mittels Computer Vision umgesetzt werden:

• Machine Learning
  • Supervised Learning - um in gelabelten Daten Muster zu erkennen, welche Objekte sich im Umfeld befinden, wie z.B. eine Fahrzeughalle.
• Deep Learning - auf Basis der methodischen Ansätze des Machine Learning für große Datenmengen.
  • Convolutional Neural Networks (CNNs) - Bilder werden dabei in Pixel zerlegt die mit Tags oder Labeln versehen sind.
  • Recurrent Neural Networks (RNNs) - angewendet im Falle von Videos und damit größeren Datenmengen.

Optical Character Recognition - zur Verarbeitung von Schrift (z.Bsp. Lieferscheine)

• Natuarl Lanugage - zur Erkennung selbst handschriftlicher Texte
• Maschinelles Lernen/ Machine Learning
• Deep Learning & Neuronale Netze

• Fehlerhafte bzw. unzureichende Datenqualität oder nicht ausgewogener Lernmengen, können bei der Algorithmen zu defizitären Ergebnissen führen.
• Eine transparente Bereitstellung vollständiger Datenmengen ist für die Implementierung unabdingbar.
• Infrastruktur und Rahmenbedingungen müssen vorgehalten werden.
• Effizienzsteigerungen im Bereich des Logistikwesens, insbesondere innerhalb des Lagerbetriebs. 
 

• KI-basierte Anwendungsszenarien versprechen ein großes Potenzial und Wachstumsprognosen in der Logistik.
• Analyse großer Datenströme kann zu einer erheblichen Kosteneinsparung führen.

• Effiziente Logistik dank Künstlicher Intelligenz
• Fachhändler etabliert intelligenten Wareneingang mit Maschinellem Lernen

• Analyse und Bewertung von KI-Logistik Use Cases (Doctoral dissertation, Technische Hochschule Ingolstadt) (2021)
  Thomas Andreas Straßer
• Konzeptionierung von Use Cases für die urbane Logistik in einer Schweizer Smart City mittels Design Thinking (2018)

  Yven Jordan, Christoph von Viebahn, Stephan Haller Nachhaltige Unternehmensführung p391-420

  Springer Fachmedien Wiesbaden DOI:10.1007/978-3-658-22101-0_16
• Wie die künstliche Intelligenz die Welt der Logistik neu definiert (2022)

  Ingrid Göpfert Logistik der Zukunft - Logistics for the Future p323-330

  Springer Fachmedien Wiesbaden DOI:10.1007/978-3-658-37444-0_16