MASCHINELLES LERNEN UND KÜNSTLICHE INTELLIGENZ

NEWS, PRODUKTUPDATES UVM.

5.
Oktober

| Welchen Nutzen bieten Maschinelles Lernen und Künstliche Intelligenz in der Lieferlogistik? |

Begriffe wie „Künstliche Intelligenz“ und „Maschinelles Lernen“ sind in den letzten Jahren und Monaten immer häufiger zu hören und zu lesen. Jeder von uns wird inzwischen eine gewisse Vorstellung von diesen technologischen Trends bekommen haben. Wir wollen diese Themen, vor allem in Bezug auf konkrete Anwendungen in unserer „Heimat-Branche“, der Lieferlogistik, nachfolgend etwas näher beleuchten.

Gerade Gespräche über „Künstliche Intelligenz“ bringen immer wieder futuristische Szenarien hervor. Man denkt gerne an Roboter, die menschliche Funktionen und Aufgaben übernehmen und neu geschaffene, sich selbst programmierende, menschenähnliche Wesen. Der Weg führt vielleicht auch in diese Richtung. Grundsätzlich geht es dabei aber erst einmal darum, dass Computer intelligente Verfahren verwenden, die sich an menschlichem Verhalten orientieren. Dadurch sollen die Maschinen Probleme nicht bei jeder Ausführung (wie bei „klassischen“ Algorithmen üblich) immer auf 100 % gleiche Weise lösen, sondern jedes Mal lernen, wie das Problem beim nächsten Mal besser und effizienter gelöst werden kann. Dazu nutzt man anwendungsbezogene Daten, mit denen das System lernen kann.

Diese Eigenschaften eines selbstlernenden Systems können wir uns in der Lieferlogistik zunutze machen. Folgendes Beispiel soll das verdeutlichen:

Wenn wir zeitlich optimierte Touren planen, müssen wir die Fahrtzeit zum Kunden und die Aufenthaltszeiten der Fahrer  möglichst genau schätzen.

Stellen wir uns den Lieferfahrer vor, der täglich beim gleichen Kunden ein Paket abgibt. Schätzen wir eine pauschale Aufenthaltszeit von ca.  2 Minuten, kann es passieren, dass der Fahrer nachfolgend schnell in Verzug kommt. Denken wir z. B. an eine Lieferung an eine große Behörde oder eine Universität, wo der Weg vom Parkplatz zur Lieferstelle schon mehrere Minuten dauert: So werden aus den geschätzten zwei Minuten schnell 15. Beim nächsten Besuch kommen vielleicht noch Wartezeiten dazu, weil beispielsweise eine Nachnahmegebühr fällig ist.

Mithilfe von maschinellen Lernverfahren können diese Wartezeiten automatisch besser geschätzt werden. Ein lernendes Software-System kann verschiedene Faktoren in ein statistisches Verfahren einspeisen. So können z.B. Aussagen getroffen werden wie folgende:

„Beim Eichamt in der Schillerstr. 6 dauert die Lieferung von 1 bis 3 Paketen dienstags mit hoher Wahrscheinlichkeit 14 Minuten, mittwochs sind es 17 Minuten, ab 5 Paketen dauert es 5 Minuten länger.“

Natürlich gibt es hier noch wesentlich mehr und kompliziertere Fälle, wie beispielsweise Zeiten für die Parkplatzsuche, erschwerte Verkehrslage oder gar eine Abwesenheit des Empfängers.

Grundlage für all diese Fragestellungen ist immer eine ausreichend große Datengrundlage. Die Anlieferung an das Eichamt müsste daher weitaus öfter als drei mal erfolgt sein, um hier eine sehr zuverlässige Aussage treffen zu können. Andernfalls ist der Zufallsfaktor noch zu groß.

Die Smartlane-Experten forschen in diesem Bereich sehr aktiv, wodurch wir bereits in unserer Software auf viele dieser Faktoren reagieren können. Und da wir intern auch Daten auswerten und analysieren, wird diese Datengrundlage immer größer. Damit kann die Intelligenz von Smartlane immer präziser lernen und für Sie planen. Wir freuen uns immer auf neue Anregungen und Herausforderungen, die die Intelligenz und den herausragenden Mehrwert dieser lernenden Verfahren kontinuierlich erhöhen.

#Smartlane #KI #künstlicheIntelligenz #AutomatischeTourenplanung #Tourenoptimierung #maschinellesLernen

Social Media