Das Machine Learning beziehungsweise die künstliche Intelligenz ist eine Kerntechnologie von Logistik 4.0. Durch die grossen Datenverarbeitungskapazitäten entsteht zurzeit ein neuer Entwicklungsschub. Machine Learning entlastet uns, kann andere Erfahrungen und Sichten systematisch in Entscheidungen einbringen, kann mehrdimensional optimieren, erhöht langfristig unseren Output und so weiter. Anderseits macht es uns eventuell auch etwas denkfaul und übernimmt dabei (noch) keine Verantwortung. Es herrscht Euphorie; Einsatzvisionen kennen keine Grenzen.
Der grosse Vorteil von Anwendungen in der Logistik ist, dass man über sehr viele bestehende Daten, basierend etwa auf Track and Trace, Steuerdaten der Logistikhardware und Verkehrsaufkommen verfügt. Obwohl die Anwendungshäufigkeit in der Logistik breiter ist als in der industriellen Produktion, wird dies in der Öffentlichkeit kaum wahrgenommen. In der Supply Chain stehen entscheidungsunterstützende Anwendungen, vorsorgliche Analysen und Optimierungen im Vordergrund.
Eine schon recht häufig verwendete Anwendung von Machine Learning ist die Zeitplanung zur Festsetzung von spezifischen Fahr und Ladezeiten – statt Mittelwerten, Erfahrung und Arbeitsdruck auf den Fahrer. Dabei werden abgeleitete Werte, abhängig von der erwarteten Situation (Warenart, Anzahl Mitarbeitenden oder Verkehrsprognosen), spezifisch generiert, dynamisch verfolgt und angepasst. Dazu gehören automatisierte Benachrichtigungen bei Terminabweichungen.
Weitere Ansätze zu Anwendungen finden sich entlang der gesamten Supplyund ValueChain: Priorisierung in der Bereitstellung, Lagermengenoptimierung, Personaleinsatzplanung, Optimierung von Frachtraten oder der Wareneingangskontrolle, Notfallplanungen, Maintenanceoptimierung, optimierte Kopplung der Supply Chain, Best Fit bei Prognosen und so weiter.
Keines der Verfahren garantiert richtige Algorithmen.
Maschinelles Lernen steht für die maschinelle Generierung von Wissen. Die Basis hierfür kann auf drei Arten entstehen:
- Mithilfe entsprechender Algorithmen entsteht durch die Maschine selbstgeneriertes Wissen. Für den Anwender steht dabei eine implizite Logik dahinter. Anwendungen sind zum Beispiel Bilderkennung, Diagnoseverfahren, SpamAnalyse. Man spricht von Deep Learning auf der Basis von neuronalen Netzen.
- Ausgehend von definierten Versuchsreihen entstehen maschinell abgeleitete Regeln, die getestet und laufend optimiert werden. Das Wissen steckt in den Regeln. Anwendungen sind zum Beispiel Verkehrssteuerung, Kreditkartenbetrug, Predictive Maintenance. Auch als Cognitive Computing bezeichnet, lernen diese Systeme in der Anwendung laufend weiter.
- Aus einem von Menschen vorgegebenen Regelwerk wird durch maschineneigene Kombination Wissen abgeleitet, etwa adaptive Maschinensteuerung.
Ziel ist jeweils, maschinell Zustände zu beurteilen und Handlungen zu veranlassen. Der Schlüssel aller drei Wege liegt in den internen Algorithmen mit all ihren Abarbeitungsvorschriften. Diese werden in der Regel vom Hersteller nicht offengelegt, das heisst, eine Nachvollziehbarkeit für den Anwender ist nicht gegeben. Nur das Resultat kann beurteilt werden.
Die Varianten 1 und 2 erkennen Muster und Gesetzmässigkeiten in den Daten beziehungsweise Regeln. Die Variante 1 lernt aus Beispielen und kann diese nach Beendung der Lernphase verallgemeinern. Was wie aus den Beispielen beziehungsweise Daten verwertet wird, ist nicht nachvollziehbar.
Die Variante 2 sucht die Lösung durch Kombination sowie Adaption der Einzelregeln und lernt daraus. Dass die unternommenen Versuche die richtigen sind, ist nicht gegeben. Die Variante 3 entspricht dem klassischen ingenieurmässigen Vorgehen.
Allen drei Wegen ist gemeinsam, dass die Ergebnisse kritisch überprüft werden müssen, da es immer Ausreisser geben kann. Generell gilt es, zu jedem Ergebnis Eintrittswahrscheinlichkeiten anzugeben. Die zentrale Frage lautet: Wer hat das letzte Wort, Mensch oder Maschine?
Keines der Verfahren garantiert richtige Algorithmen, Regeln oder zugrunde liegende Versuche. Auch ist nicht sichergestellt, dass alle möglichen Fälle abgedeckt sind. Viele Algorithmen des maschinellen Lernens finden auch in der Datenanalyse Verwendung oder haben dort ihren Ursprung.Wir stehen hier noch am Anfang dieser Entwicklung, ohne zu wissen, wo uns der Weg hinführt. Die Gefahr besteht, dass menschliches Mitdenken aus Bequemlichkeit, anderen Prioritäten oder Verantwortungsscheue abgeschaltet wird. Maschinen und Menschen als Ersteller der Algorithmen und als Anwender sind nicht unfehlbar. Nur die Kombination ist heute (noch) der Königsweg.
Peter Acél, Gründer und Geschäftsführer,Logistikberatungsfirma Dr. Acél & Partner, Zürich.