Zurecht sind die Begriffe Künstliche Intelligenz und Machine Learning in aller Munde: Die Anwendungsbereiche sind endlos, die Technologien entwickeln sich rasant. Auch entlang Ihrer Supply Chain bietet Machine Learning großes Potential. Optimieren und beschleunigen Sie Ihre Prozesse mithilfe von Bilderkennung, Sprachverarbeitung oder einer computergestützten Automatisierung, zum Beispiel bei der Robotersteuerung oder Qualitätssicherung. Künstliche Intelligenz verschafft Ihnen den entscheidenden Vorsprung vor Ihren Wettbewerbern.

Was ist Machine Learning?

Machine Learning und Künstliche Intelligenz (KI) werden häufig wie austauschbare Begriffe verwendet, dabei handelt es sich bei Machine Learning um einen Teilbereich von KI. Künstliche Intelligenz beschreibt eine sehr breite und schwer zu fassende Thematik, nämlich das Nachbilden von dem, was wir Menschen als Intelligenz verstehen, mit künstlichen Mitteln – zum Beispiel das Imitieren menschlicher Entscheidungsstrukturen. Dagegen ermächtigt maschinelles Lernen IT-Systeme dazu, aus Daten Schlüsse zu ziehen, ohne dass ein explizites Regelwerk programmiert werden müsste. Mithilfe verschiedener Machine Learning-Verfahren können große Datenmengen (Big Data) für verschiedene Zwecke ausgewertet und Antworten auf Fragen gegeben werden. Maschinelles Lernen wird schon heute häufig eingesetzt und findet auch in unseren IT-Projekten immer wieder Anwendung.

Passende Artikel rund um das Thema Digitalisierung

Mehr erfahren

Wie funktioniert Machine Learning?

Beim Machine Learning generiert ein Computer analog zu Lernstrukturen beim Menschen selbstständig Wissen aus Erfahrung. Ein bekanntes Beispiel von maschinellem Lernen sind Schach- oder Go-Computer. Tatsächlich gab es in dieser Disziplin erst vor wenigen Jahren einen Durchbruch als der selbstlernende Algorithmus AlphaZero innerhalb von nur vier Stunden eine extreme Spielstärke im Schach erreichte. Zusätzlich lernte die Software auch das chinesische Go und das japanische Shogi. Im Gegensatz zu den meisten anderen Schachprogrammen wurde der Algorithmus nicht jahrelang auf das Spiel programmiert, sondern lernt, indem er ausgehend von Zufallszügen gegen sich selbst antritt.

Dieser Erfolg ist deshalb so beeindruckend, weil es sich bei AlphaZero um eine sogenannte generalisierte künstliche Intelligenz handelt. Anstatt auf eine einzige Anwendung (Schach) spezialisiert zu sein, kann AlphaZero verschiedene Anwendungen lernen. Auch für Industrie und Logistik ist die generalisierte Intelligenz das erklärte Ziel, zum Beispiel bei der Programmierung von Robotern: Anstatt einen Roboter langwierig für eine einzige Tätigkeit zu programmieren, würde die generalisierte Intelligenz es ermöglichen, Roboter schnell für verschiedenste Anwendungen bereitzustellen – in Zeiten von Losgröße 1 und größtmöglicher Produktionsflexibilität ein entscheidender Zeitvorteil.

Machine Learning kann für unterschiedliche Zwecke eingesetzt werden. Es geht aber immer darum, dass mithilfe von Algorithmen eigenständig Lösungen für Probleme gefunden werden – auf Basis von Big Data. Je nachdem ob diese bereits eine Logik beinhalten, die man auf ein neues Datenset anwenden möchte oder keine angereicherten Daten zum Üben zur Verfügung stehen, werden verschiedene Verfahren angewendet.

Supervised Learning

Supervised Learning ist die heute gebräuchlichste Form des Machine Learning. Dabei werden verschiedene Einflussfaktoren (Input) mit einer bekannten Zielgröße (Output/Logik) abgeglichen. Beispielsweise kann man mit dieser Methode einem Computer beibringen, verschiedene Faktoren so auszuwerten, dass er in der Lage ist, eine Vorhersage zu treffen. Trainingsgrundlage sind dabei historische Daten.

Unsupervised Learning

Bei dieser Form des maschinellen Lernens werden keine Output-Daten verwendet. Stattdessen sind Algorithmen hierbei in der Lage, unstrukturierte Daten zu ordnen. So lassen sich mithilfe von Ähnlichkeitsstrukturen Gruppen in großen Datensätzen bilden. Solche Algorithmen werden beispielsweise für die Bildverarbeitung eingesetzt oder um Abweichungen in Datenbeständen zu identifizieren.

Reinforcement Learning

Reinforcement Learning bildet die dritte Form. Diese Methode ist den Lernstrategien menschlicher Intelligenz am nächsten, denn hier wird ähnlich des Prinzips „Trial and Error“ vorgegangen. Für erfolgreiche Aktionen wird der Mensch belohnt oder bestraft – im übertragenen Sinne, denn meist handelt es sich um soziale Bestärkungen.

In einer ähnlichen Art und Weise lernt auch ein Algorithmus beim Reinforcement Learning. Über Belohnungen wird erfolgreiches Verhalten gefördert, über Bestrafungen wird Verhalten, dass zu unerwünschten Ergebnissen führt, unterdrückt. Auch wenn die Forschung in diesem Bereich große Fortschritte gemacht hat, kann man davon ausgehen, dass das volle Potential des Reinforcement Learning erst in den kommenden Jahren voll ausgeschöpft werden wird.

Vorteile und Chancen von Machine Learning

Der größte Vorteil im Einsatz von Machine Learning liegt in der Automatisierung. Gerade in Produktions- und Logistikanwendungen gibt es unzählige Anwendungsszenarien, da hier viel Optimierungs- und Automatisierungspotential steckt:

  • Effiziente und schnelle Auswertung großer Datensätze (Big Data)
  • Komplexe Aufgaben präziser ausführen (zum Beispiel in der Krebserkennung)
  • Genaue und valide Prognosen erstellen

Anwendungen von Machine Learning entlang der Supply Chain

Das Optimierungspotential mithilfe von Machine Learning ist entlang der gesamten Supply Chain groß. Die Experten von SALT Solutions haben einige erfolgreiche Projekte umgesetzt, die zeigen, dass Machine Learning Prozesse verbessern und automatisieren kann. Neben Prototypen und Forschungsprojekten in einem internen Innovation Lab, arbeiten wir für verschiedene Lösungen mit Machine Learning-Verfahren. Die Anwendungen sind in den meisten Fällen höchst individuell und können extrem unterschiedlich aussehen. Im Folgenden finden Sie einige Beispiele, die zeigen, welche Möglichkeiten maschinelles Lernen schon heute bietet und wie Sie davon profitieren können:

Bilderkennung

Bilderkennung ist ein klassischer Anwendungsfall von künstlicher Intelligenz. In der Produktion kann Machine Learning beispielsweise verwendet werden, um Produktionsfehler zu erkennen, ohne lange Prüfverfahren einsetzen zu müssen. Bilderkennung kann auch die Lösung sein, wenn verschiedene Produkte anhand optischer Eigenschaften für die Distribution verschiedenen Versandarten zugeordnet werden sollen (wie beispielsweise in unserem Logimat Showcase).

Natural Language Processing

Das typische Beispiel von Sprachverarbeitung sind Sprachassistenten wie Alexa oder Siri. In dem Kommissionierverfahren Pick-by-Voice findet Sprachverarbeitung schon heute vielfach Anwendung. Damit der Lagermitarbeiter für seine Arbeit die Hände frei hat, wird er in diesem Verfahren per Stimme durch den Kommissionierprozess geleitet und bestätigt seine Handlung auch selbst per Spracheingabe.

Roboterprogrammierung

Mit dem ansteigenden Automatisierungsgrad in der modernen Fertigung werden Roboter für immer komplexere Tätigkeiten eingesetzt, womit auch der Programmieraufwand wächst. Beispielsweise wird die Programmierung von Greifern immer komplexer und zeitaufwendiger, je komplizierter der Greifer aufgebaut ist. Mithilfe von Machine Learning kann ein Roboter jedoch selbst lernen, wie er Gegenstände greift – unabhängig von der Form und ohne, dass jede einzelne Bewegung programmiert werden muss. Das Ziel ist eine möglichst kurze Lernphase für Roboter, die dann möglichst variabel eingesetzt werden können.

Vorhersagemodelle

Auch für Predictive Maintenance und Predictive Quality verwendet man Machine Learning. Mithilfe historischer Daten lernt ein System aktuelle Daten so auszuwerten, dass es eine Vorhersage über die kommende Entwicklung machen kann. So kann das System beispielsweise aus vergangenen Störungen einer Maschine lernen, wann es in Zukunft mit hoher Wahrscheinlichkeit wieder zu einer Störung kommt. Der Maschinenbediener kann also rechtzeitig eingreifen und die Störungsursache beheben oder rechtzeitig Wartungsintervalle einplanen.

Supply Chain Management

Ähnliche Vorhersagemodelle können selbstverständlich auch entlang der gesamten Supply Chain für Prognosen verwendet werden. Mithilfe von Machine Learning lassen sich präzise Aussagen über Entwicklungen von Lagerbeständen, Bestellungen, Lieferungen und Bedarfe erstellen. Die Auslastung von Lagern und Transportdienstleistern lassen sich so präzise abschätzen. Fehlerhafte Schätzungen werden reduziert und die Kosten optimiert.

Künstliche Intelligenz für Ihre IT-Lösungen

Machine Learning-Verfahren

Künstliche Intelligenz hilft Ihnen dabei, Prozesse zu automatisieren und Daten auszuwerten. Wir unterstützen Sie dabei, Machine Learning dort einzusetzen, wo Ihre Mitarbeiter und Prozesse unterstützt werden können. Dabei profitieren Sie von unserem Prozesswissen entlang der gesamten Supply Chain. Für unterschiedliche Kunden haben wir Projekte sowohl für Produktionsanwendungen als auch für logistische Prozesse umgesetzt.

Dank unserer langjährigen Erfahrung mit Big Data-Lösungen, verfügen wir über das nötige Methoden- und Technologiewissen, um passgenaue Anwendungen für Sie zu entwickeln. Wir unterstützen Sie mit IT-Lösungen, mit denen Sie Ihre individuellen Prozesse mithilfe von Machine Learning optimieren, automatisieren und analysieren.

Projektbericht:

Effektive Planung in der Praxis: SAP IBP bei Falken Tyre Europe

SAP IBP kombiniert klassische Funktionen der Planung und Prognose mit innovativen Machine-Learning-Algorithmen.

Wenn man für mehrere Absatzmärkte mit sehr unterschiedlichen Bedingungen Bedarfsprognosen erstellen muss, ist es sehr schwierig, passende Vorhersagen zu treffen. Die Experten von SALT Solutions haben Falken Tyre Europe bei dieser Herausforderung mit SAP IBP unterstützt und passende Vorhersagemodelle bestimmt. Falken Tyre Europe ist jetzt in der Lage, die Bedarfe der einzelnen Absatzmärkte besser vorherzusagen, und hat zudem Bestände reduziert und die Lieferbereitschaft erhöht. Mehr dazu erfahren Sie im Projektbericht!

Download

Wir kümmern uns um Ihren Weg zur Digitalisierung.

Beratungstermin vereinbaren