Wie KI das Lagermanagement optimieren kann

SAP EWM durch Machine Learning-Algorithmen des SAP HANA PAL unterstützen

KI optimiert das Lager-Management
© Alexander Limbach - stock.adobe.com
Bewerten
4 Bewertungen,
Durchschnitt 4,0

Wie kann SAP EWM durch Machine Learning-Algorithmen des SAP HANA PAL unterstützt werden? Erfahren Sie in diesem Artikel mehr über die Ergebnisse meiner Masterarbeit, die ich bei SALT Solutions zu diesem Thema angefertigt habe.

Der Digitalisierungstreiber Künstliche Intelligenz (KI) gewinnt in der Lagerlogistik zunehmend an Bedeutung und wird mehr und mehr zu einem zukunftsträchtigen Wirtschaftszweig. Aufgrund der fortschreitenden Entwicklung wird der Einsatz dieser Technologie in praktischen Anwendungen für Firmenverantwortliche immer interessanter. Es ist der Punkt erreicht, an dem KI-basierte Lösungen durch Zeit- und Ressourceneinsparungen einen Mehrwert für Unternehmen generieren.

Dieses Potential wird auch bei KI-Anwendungen zur Unterstützung des SAP Extended Warehouse Management (EWM) gesehen. Deshalb hat sich SALT Solutions der Herausforderung gestellt, im Rahmen meiner Masterarbeit die Slotting-Funktionalität des Warehouse Management Systems (WMS) mittels KI zu optimieren und als Prototyp in einen Use Case zu integrieren. Es gibt dabei schon nennenswerte Ergebnisse, die ich in diesem Artikel vorstellen möchte.

Die richtige Entwicklungsumgebung finden

SAP bietet mit der HANA-Datenbank und der darin integrierten Machine-Learning (ML)-Bibliothek „Predictive Analysis Library“ (PAL) eine Plattform für die Entwicklung von KI. Die PAL stellt dabei unterschiedliche Machine-Learning-Algorithmen zur Verfügung, die für verschiedene Anwendungsfälle eingesetzt werden. Für die Unterstützung der Slotting-Funktionalität werden ML-Algorithmen zur Klassifizierung (z.B. Neuronales Netz, Random Decision Trees oder Naive Bayes) in Betracht gezogen und mit dem Lernverfahren „Supervised Learning“ trainiert. Jedoch erfüllt nicht jeder verfügbare Lernalgorithmus die Anforderungen aller Problemstellungen. Deshalb ist es notwendig, die einzelnen Klassifizierungsalgorithmen anhand der Voraussetzungen der Slotting-Funktionalität zu validieren und den Passenden zu ermitteln.

Entwicklung des Prototyps

Zur Auswahl eines geeigneten ML-Algorithmus wird ein Prototyp eingesetzt. Bei einem Prototyp handelt es sich um eine komprimierte Form des finalen Algorithmus, der schließlich zur Optimierung der Funktionalität beiträgt, in diesem Fall der des Slottings. Eine Komprimierung wird durch die Reduzierung der Datensätze erzielt, die zum Trainieren und Testen der ML-Algorithmen verwendet werden. Auf diese reduzierte Datengrundlage wird zurückgegriffen, um zeitliche Ressourcen bei der Validierung einzusparen. Denn die Beurteilung der einzelnen ML-Algorithmen erfordert zahlreiche Trainingsphasen.

Folgende Tabelle zeigt, wie viel Zeit durch den Einsatz eines Prototyps eingespart wird.

Anzahl der Datensätze Dauer der Trainingsphase
5000 ~ 1 Sek. bis 20 Sek
18.000.000 ~ 30 Min. bis mehrere Stunden

Trotz geringer Datengrundlage ist eine fundierte Aussage über die Leistungsfähigkeit der ML-Algorithmen möglich. Erst bei der Umsetzung in einem Unternehmen wird diese Datengrundlage hochskaliert, um noch präzisere Ergebnisse zu erzielen.

Slotting-Funktionalität des SAP EWM

Es werden exemplarisch zwei Logistikprozesse herangezogen, mit denen der aufgezeigte Validierungsprozess durchlaufen wird, um jeweils einen geeigneten ML-Algorithmus zur Unterstützung der Slotting-Funktionalität zu ermitteln. Das Ziel beider Prozesse ist es, Kosten bzw. Energie einzusparen, indem Kommissionierwege reduziert werden. Beide Ansätze haben wir untersucht und mit Hilfe von ML-Algorithmen der SAP HANA Predictive Analysis Library optimiert.

ABC-Zonung

Das Lager wird in verschiedene Zonen eingeteilt, die sich zum Beispiel in der Entfernung zum Auslagerungspunkt bzw. der Kommissionierzone unterscheiden. Zone A befindet sich bespielweise nahe am Auslagerungspunkt. Produkte die häufig ausgelagert werden, erhalten demnach das Lagerbereichskennzeichen „A“.

Warenkorbanalyse

Mit Hilfe einer Warenkorbanalyse werden Produkte ausfindig gemacht, die mehrfach zusammen verkauft wurden. Diese Artikel werden daraufhin räumlich beieinander gelagert. Denn es besteht eine hohe Wahrscheinlichkeit, dass diese auch zukünftig gemeinsam benötigt werden.

Konzeption der ML-Algorithmen

Die folgende Tabelle zeigt die Vorgehensweise bei der Realisierung eines ML-Algorithmus in Bezug auf eine bestimmte Problemstellung. Bis zur Unterstützung der Funktionalität durch den Digitalisierungstreiber KI werden die folgenden Prozessschritte durchlaufen:

Prozess zur Konzeptionierung eines ML-Algorithmus
Prozess zur Konzeptionierung eines ML-Algorithmus in Anlehnung an Michael Krämer, www.innoq.com, 8.11.2018: Vorgehensweise für maschinelles Lernen als Orientierung

Modellierung der ML-Algorithmen

Für das Training der ML-Algorithmen müssen Daten auf Basis der festgelegten Eingabeparameter erhoben und aufbereitet werden. Die benötigte Datengrundlage kann aus den Steuerungs- und Planungssystemen des Unternehmens extrahiert werden. Aber auch externe Quellen stellen potentielle Daten zur Verfügung, beispielsweise Wetterdaten oder Wirtschaftsprognosen. Dabei gilt, je qualitativ hochwertiger die Daten sind, desto genauer klassifiziert der Algorithmus. Anschließend wird die erhobene Datenmenge aufbereitet, um die Anforderungen des jeweiligen Algorithmus zu erfüllen. Die Aufbereitung kann für die erstmalige Validierung sowohl in einem Aufbereitungs-Tool wie Excel als auch auf der HANA-Datenbank durch einen Programmierer durchgeführt werden. Die bereinigte Datengrundlage wird schließlich in Trainings- und Testdaten im Verhältnis 80 zu 20 aufgeteilt. Beim regelmäßigen Nachtrainieren, das im operativen Prozess mit neu hinzugewonnen Datensätzen verpflichtend stattfinden muss, werden die Daten ohne manuelles Eingreifen aufbereitet. Mit Abschluss des Aufbereitungsprozesses werden die Datensätze an die HANA-Datenbank übermittelt. Im nächsten Schritt werden die Klassifizierungsalgorithmen angebunden, welche für die Optimierung der Slotting-Funktionalität benötigt werden. Hierfür nutzt die HANA-Datenbank die Entwicklungsumgebung „Eclipse“. Die programmierten Algorithmen werden anhand der aufbereiteten Datengrundlage trainiert und liefern für die Testdaten die ersten Resultate. Jeder ML-Algorithmus besteht dabei aus verschiedenen Parametern. Je nach Konfiguration dieser Parameter liefert der Algorithmus unterschiedliche Ergebnisse. Um die Parametereinstellungen mit den besten Ergebnissen zu ermitteln, durchlaufen die ML-Algorithmen mehrere Testphasen. Nachdem die Anpassungen abgeschlossen sind und für jeden betrachteten ML-Algorithmus die Best Practice-Einstellung vorliegt, kann mit dem Bewertungsprozess begonnen werden.

Bewertung der ML-Algorithmen

Die Validierung der betrachteten ML-Algorithmen wird anhand von Bewertungsalgorithmen vorgenommen. Das SAP HANA PAL stellt auch diese zur Verfügung. Mit Hilfe der Bewertungsalgorithmen, zu denen die Area Under Curve und die Confusion Matrix zählen, lässt sich jeweils eine Kennzahl ermittelt. Durch diese Größe kann auf die Leistungsfähigkeit der ML-Algorithmen in Bezug auf eine bestimmte Problemstellung geschlossen werden. Die Bewertungsgrundlage beruht zum einen auf der Trefferquote richtig klassifizierter Datensätze. Zum anderen auf der Höhe der Wahrscheinlichkeit, mit der eine Klassifizierung vorgenommen wird. Wir haben diese Bewertungsalgorithmen verwendet, um die entwickelten Klassifizierungsalgorithmen in Zusammenhang mit der Slotting-Funktionalität einzustufen. Sind all diese Schritte vollzogen, fällt die Auswahl auf den performantesten ML-Algorithmus. Dieser kann schließlich in einem praktischen Anwendungsfall realisiert werden.

Use Case: Anbindung des Prototyps an das SAP EWM

Auf Grundlage dieser Masterarbeit erfolgt im nächsten Schritt die Anbindung des ML-Algorithmus an das SAP EWM. Der Fokus wird auf die ABC-Zonung gelegt. Hierbei werden unbekannte Datensätze aus dem WMS direkt auf der SAP HANA Datenbank abgelegt. Auf dieser findet die Aufbereitung der Daten statt. Die aufbereiteten Datensätze werden daraufhin an den ausgewählten ML-Algorithmus mit den bereits konfigurierten Parametereinstellungen des HANA PAL übergeben. Dort ermittelt der Lernalgorithmus die Klassifizierung, sprich das Lagerbereichskennzeichen, für die einzelnen Datensätze. Das Resultat wird schließlich in der HANA-Datenbank gespeichert und kann vom SAP EWM direkt abgerufen werden. Mit dieser Information ist das SAP EWM nun in der Lage, eine Aktion anzustoßen. Beispielsweise die Umlagerung eines Artikels aufgrund der Veränderung des Lagerbereichskennzeichens. Dieser Prozess findet in Echtzeit ohne Eingriff durch Mitarbeiter statt.

Durch die Unterstützung der Slotting-Funktionalität des SAP EWM mittels ML-Algorithmus lässt sich das Lagermanagement weiter automatisieren. Die Analyse der Datengrundlage des WMS wird genutzt, um systemseitig autonom Entscheidungen zu treffen und Prozesse anzustoßen. Aufgrund der fortlaufenden Generierung neuer Datensätze lernt der ML-Algorithmus eigenständig hinzu und passt sich ohne das erneute Eingreifen eines Programmierers an die veränderten Gegebenheiten an. Bei der ABC-Zonung beispielsweise prognostiziert der Lernalgorithmus auf Basis von Vergangenheitswerten sowie aktuellen Daten die optimale Zone für die Einlagerung eines Artikels. Dieser Prozess wird vom IT-System regelmäßig durchgeführt und infolgedessen werden Lagerplätze neu vergeben. Auf diese Weise kommt es zur Einsparung von Ressourcen. Das gesamte Vorgehen lässt sich neben der Slotting-Funktionalität auch auf weitere Problemstellungen projizieren. KI ist somit ein wirkungsvoller Treiber auf dem Weg zur Digitalisierung intralogistischer Prozesse.

WHITEPAPER: So trägt Logistik zur Wertschöpfung bei - Ein Ratgeber für Handelsunternehmen, die mehr wirtschaftliche Nachhaltigkeit anstreben

Logistik hat viele Aspekte und oft haben Handelsunternehmen noch ein großes Potenzial, die logistischen Prozesse so zu gestalten, dass sie aktiv zur Wertschöpfung beitragen. Aber auch eine gut funktionierende Logistik trägt nicht automatisch zur Wertschöpfung bei. Es sind moderne IT-Lösungen nötig, damit die Logistik bestmöglich zum Geschäftsergebnis und zur Zufriedenheit von Kunden und Mitarbeitern beitragen kann. Dieser Ratgeber soll das Bewusstsein dafür schärfen, dass Logistik weit mehr als ein Kostenfaktor sein kann und beleuchtet die verschiedenen Handlungsfelder.

Keine Updates mehr verpassen: 1
© Alexander Limbach - stock.adobe.com

Zurück