Selbstlernende Systeme, die das so genannte Machine Learning benutzen, sind ein Teilbereich der künstlichen Intelligenz. Das Prinzip basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Über neuronale Netze sollen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen lassen.

Machine Learning findet als Analyse- und Steuerungsinstrument zunehmend auch Anwendung in der Logistik. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Mit diesen Lösungen sollen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse verbessern lassen.

In Zeiten von Big Data und Cloud-Plattformen bilden die mittlerweile enormen Rechenkapazitäten die Grundlage für intelligente Anwendungen wie Machine-Learning-Systeme. Dabei lernt eine Software ohne explizite Programmierung, indem sie selbstständig neues Wissen generiert. Die verwendeten Algorithmen sollen selbst komplexe Zusammenhänge zwischen den vorhandenen Daten verstehen, Muster erkennen und daraus nach einer Lernphase allgemeingültige Modelle ableiten. Ob der Algorithmus zuverlässige Ergebnisse liefert, hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab.

Interpretieren, vorhersagen, optimieren

Die IT-Spezialisten der Sievers Group beispielsweise setzen bei Kundenprojekten zunehmend auf Machine Learning, um Informationen besser zu interpretieren, präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren.

„Wir nutzen die Cloud-Lösung Microsoft Azure Machine Learning Studio“, erklärt Hendrik Ohlms, Teamleiter Vertrieb Business Solutions ERP bei Sievers. „Zunächst greifen wir damit auf die vorhandenen Datenmengen zu, bereiten diese auf, analysieren sie und stellen den Kunden schließlich die Ergebnisse zur Verfügung.“

Das Machine-Learning-System identifiziert dabei auf der Basis von neuronalen Netzen wiederkehrende Muster, Gesetzmäßigkeiten oder Anomalien. Dabei nutzt das Unternehmen das sogenannte überwachte Lernen. Das System zieht beispielsweise 60 Prozent der verfügbaren Daten heran, um Zusammenhänge zu erkennen und daraus zu lernen. Anhand der restlichen 40 Prozent der Daten prüft die Software, mit welcher Wahrscheinlichkeit die aus der Lernphase ermittelten Ergebnisse zutreffen.

Der Trainingsprozess dauert im Idealfall so lange, bis alle Beispiele richtig berechnet werden. So nutzt der Algorithmus die Daten, um sein erstelltes Modell ständig anzupassen und zu verfeinern. Je mehr Daten zur Verfügung stehen, desto genauer wird das Modell. Stimmt es größtenteils mit der Realität überein, können präzise Aussagen oder Handlungsempfehlungen getroffen werden.

Mit der künstlichen Intelligenz sollen sich beispielsweise Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren lassen. Da auch Absatzkurven prognostiziert werden könnten, so die IT-Spezialisten, wisse der Anwender relativ genau, zu welchem Zeitpunkt welche Artikel bestellt werden sollten und ob beispielsweise eine Abhängigkeit vom Wetter oder von saisonalen Gegebenheiten sowie weiteren Einflussfaktoren besteht.

Auch kann Machine Learning zur Bestelloptimierung genutzt werden. Aus der Analyse von Verkaufsaufträgen berechnet und prognostiziert die Software, wann welcher Kunde welche Artikel bestellen wird. Somit könnten Abläufe im Verkaufs- und Bestellwesen automatisiert werden. Muss ein Unternehmen jeden Tag eine gewisse Anzahl von Bestellungen mit einer bestimmten Artikelkombination zusammenstellen, könnte es sich außerdem lohnen, diese Artikel vorzukommissionieren.

Retouren vorhersagen

Machine Learning ermöglicht darüber hinaus eine Prognose von Retouren. In einem konkreten Fall analysierte die Sievers-Group beispielsweise für einen Kunden aus der Logistikbranche zunächst die Verkaufsaufträge, Artikel, Debitoren und Retouren.

„Durch Machine Learning konnten wir mit einer hohen Wahrscheinlichkeit voraussagen, welche Artikel nach der Auslieferung wieder zurückgeschickt werden“, so Hendrik Ohlms.

Unternehmen können diese Information nutzen, um proaktiv Maßnahmen zu ergreifen, die zu einer Verringerung der Retourenquote führen.

Weitere Anwendungsmöglichkeiten für Machine Learning ergeben sich bei der Lagerung von Artikeln. Bislang ordnen häufig Mitarbeiter die einzulagernden Einheiten den vorgesehenen Lagerplätzen zu. Ist der Wareneingang nicht optimal konzipiert oder unterlaufen dem Mitarbeiter Fehler, kann dies zu Verzögerungen bei der Auslagerung führen und hohe Kosten verursachen. Auch muss die Lagerfläche optimal genutzt werden, um einen Mangel an Stellplätzen zu vermeiden. Somit ist eine zielgerichtete Strategie unerlässlich, um ein effizientes Einlagern von Waren zu gewährleisten. Mit Machine Learning können Anwender ihre Einlagerstrategie optimieren und damit das Lager bestmöglich auslasten.

Kein Machine Learning ohne manuelle Vorarbeit

Trotz eines hohen Automatisierungsgrades im Machine Learning – ohne manuelle Vorarbeit geht es nicht. Das ist beispielsweise dann der Fall, wenn notwendige Daten nicht in der geeigneten Qualität verfügbar sind und zunächst aufbereitet werden müssen.

„Den IT-Beratern kommt im gesamten Prozess des Machine Learning eine essenzielle Bedeutung zu. Sie müssen die für das Unternehmen relevanten Fragestellungen genau definieren und entsprechende Datenmengen bestimmen sowie vorbereiten, um ein brauchbares Ergebnis zu liefern“, erklärt Hendrik Ohlms.

Bevor der Computer präzise Prognosen treffen kann, muss also der Mensch zunächst in Vorleistung gehen. Doch die KI-Anwendung verbessert sich kontinuierlich und wird als zukunftsorientiertes Werkzeug immer mehr an Bedeutung gewinnen, ist sich Hendrik Ohlms sicher. Machine Learning bietet Unternehmen schon heute einen echten Wettbewerbsvorteil: indem es Produkte und Services nutzerfreundlicher macht, Prozesse effizienter gestaltet und Geschäftsstrukturen positiv beeinflusst. Liefern die intelligenten Systeme künftig noch zuverlässigere Prognosen, wird sich dieser Effekt weiter verstärken.