Wo beginnt der konkrete Nutzen von KI im Lager? Wir sprechen mit CIM-CEO und KI-Expertin Hannelore Mayr über ihre Erfahrungen und Erkenntnisse aus Forschung und Praxis sowie darüber, welches Potenzial KI für moderne Lager- und WMS-Lösungen bietet.
Frau Mayr, über Künstliche Intelligenz wird in der Logistik derzeit viel gesprochen. Wo sehen Sie heute bereits einen messbaren Mehrwert von KI in der Intralogistik – und welche Anwendungsfälle sind aus Ihrer Sicht noch eher Zukunftsvision als betriebliche Realität?
Im industriellen Kontext kann KI im Moment dort eingesetzt werden, wo sie „sicher genug“ ist. Large Language Models (LLMs) können als Erklär-Assistenten eingesetzt werden, die beispielsweise Konfigurationen oder Auswertungen erläutern.
Über Bilderkennung kann die Datenerfassung vereinfacht werden. So haben wir einen Kunden, der eine App zur Artikelerkennung einsetzt. Diese übergibt uns anhand eines Fotos die Artikelmengen, die dann am Wareneingang vorbelegt werden.
Optimierungsalgorithmen kommen langsam in diese Richtung. Dabei handelt es sich um Machine-Learning-(ML-) oder Reinforcement-Learning-(RL-)Algorithmen, die beispielsweise eine vorausschauende Wartung von Fördertechnik ermöglichen.
Auch die Auswertung von Daten ist über KI-Methoden vergleichsweise einfach möglich. Dadurch können Potenziale identifiziert werden. LLMs helfen dabei, die Komplexität zu reduzieren.
In der Robotik und Automatisierungstechnik gibt es sicherlich weitere Anwendungsfälle. Inzwischen gibt es neuartige Roboter, deren Funktionsweise durch KI optimiert wird. So haben wir erst kürzlich einen Entladeroboter von Copal angebunden.
PROLAG World verfügt inzwischen über einen digitalen Zwilling für automatisierte Lagerumgebungen. Welches Potenzial sehen Sie in der Verbindung von digitalen Zwillingen und KI – etwa für Simulationen, Engpassanalysen oder die Optimierung von Materialflussstrategien?
Möchte man einen Machine-Learning-(ML-) oder Reinforcement-Learning-(RL-)Algorithmus trainieren, benötigt man zunächst viele Daten. Natürlich sind hier Echtdaten die erste Wahl, da sich über Echtdaten sicherstellen lässt, dass diese der Realität entsprechen. Will man die Algorithmen jedoch auf Situationen trainieren, die nicht so häufig vorkommen, gerät man mit Echtdaten an seine Grenzen.
Ein Beispiel dafür ist unsere Anomalieerkennung im Automatiklager. Der ML-Algorithmus sagt voraus, ob eine Palette voraussichtlich langsamer als andere herauskommen wird oder ob es voraussichtlich Probleme bei der Abarbeitung am K-Platz geben wird und dadurch beispielsweise Paletten kreiseln müssen.
In der Realität kommen natürlich nicht so viele Anomalien vor. Damit wir den Algorithmus richtig trainieren konnten, haben wir in unserer Simulationsumgebung verschiedene Situationen reproduziert und so ausreichend Daten unterschiedlicher Art erzeugt.
Ein weiterer großer Vorteil des digitalen Zwillings ist die Testumgebung. Wir müssen die Algorithmen tiefgreifend testen. Das ist ausschließlich auf dem System beim Kunden nicht möglich. Eventuell müssen noch Parameter angepasst werden. Mithilfe der Simulationsumgebung können wir erkennen, ob die Vorhersagen funktionieren.
CIM beteiligt sich seit vielen Jahren an universitären Forschungsprojekten – was muss passieren, damit aus einem vielversprechenden Forschungsergebnis eine stabile, nachvollziehbare und wirtschaftlich einsetzbare Funktion innerhalb einer WMS-Standardsoftware wie PROLAG World wird?
Ein sehr wichtiger Aspekt sind die Kunden. Wir versuchen bereits während der Forschungsprojekte, eng mit ihnen zusammenzuarbeiten. Beispielsweise stellen uns Kunden Testdaten zur Verfügung oder wir sprechen mit Kunden, die entsprechende Anwendungsfälle zu dem jeweiligen Thema haben.
Sind wir über die erste Phase hinaus, geht es darum, konkreter zu werden. Dafür haben wir mit Kunden bereits Testtermine für KI-Anwendungen durchgeführt.
Natürlich ist es auch eine Frage der Investition. Wir investieren seit Jahren viel in unsere Standardsoftware. Auch der KI-Bereich – egal ob ML, RL oder die Einbindung von LLMs – ist ein wichtiger Bereich, in den wir investieren, damit unsere Kunden durch unsere Software noch effizienter werden und die Digitalisierung für alle einfacher wird.
Ein WMS plant, steuert und überwacht heute die Prozesse im Lager. Wird KI dazu führen, dass solche Systeme künftig zunehmend selbstständig Optimierungspotenziale erkennen, Entscheidungen vorbereiten oder Prozesse dynamisch anpassen? Und wo sehen Sie dabei die Grenzen einer autonomen Lagersteuerung?
Das WMS als solches wird es immer geben, solange der physische Bedarf danach vorhanden ist. Was man nicht vergessen darf: KI in der Intralogistik ist das Ergebnis einer vorhergehenden Aggregation von Daten. Diese Daten werden durch die Verwaltung des Lagers aggregiert, also von WMS-Systemen gesammelt.
Selbst wenn alle Logiken im WMS irgendwann durch KI ersetzt werden könnten, wird das WMS am Ende immer noch das Gleiche machen – nämlich die Ein- und Auslagerung steuern und Übersicht schaffen. Nur eben dann noch besser und stärker auf den Kunden zugeschnitten als auf Basis herkömmlicher Logiken.
In unseren Forschungsprojekten haben wir gesehen, dass die aktuellen KI-Logiken sehr gut ergänzend zur bestehenden Algorithmik verwendet werden können. Einen Machine-Learning-Algorithmus dahingehend zu trainieren, dass Gefahrgutwaren nicht auf bestimmte Regalfächer dürfen, ist sehr viel aufwendiger, als dies zu programmieren.
Dagegen ist es für die klassische Programmierung sehr viel aufwendiger, aufgrund von Daten andere Entscheidungen zu treffen, da es hier häufig viele Sonderfälle gibt. ML- oder RL-Algorithmen können damit deutlich besser umgehen.
KI hilft uns bereits heute und wird uns auch in Zukunft dabei helfen, die Menge an Daten und die Komplexität noch besser zu beherrschen. Ich denke, ML- und RL-Algorithmen, aber auch LLMs werden uns in Zukunft helfen, die Logistik schneller zu digitalisieren, weniger Fehler zu machen und mehr Qualität zu liefern.
Ein Beispiel ist das Erkennen von Optimierungspotenzialen: Wir haben bereits eine „Überwachung“ im Automatiklager implementiert, bei der frühzeitig Verzögerungen gemeldet werden. Dies kann man sich auch im manuellen Bereich vorstellen.
Auch bei der Optimierung der Abarbeitung sehen wir Potenzial für KI – beispielsweise bei der Berechnung von Kommissionierlisten auf Basis von Vergangenheitswerten. Gerade bei komplexen Entscheidungssituationen, die sich mit festen Regeln nur schwer vollständig abbilden lassen, können ML- oder RL-Algorithmen unterstützen.
Unsere Forschungsprojekte zeigen seit vielen Jahren, dass sich neue Technologien dann besonders sinnvoll einsetzen lassen, wenn sie einen konkreten Nutzen für die Lagerlogistik schaffen. Viele Erkenntnisse aus der Forschung fließen deshalb Schritt für Schritt in unsere Warehouse Management Software ein. So können wir neue Ansätze frühzeitig erproben, unter realistischen Bedingungen testen und daraus Lösungen entwickeln, die unsere Kunden in ihren operativen Lagerprozessen tatsächlich unterstützen.
