Seit etwa einem Jahr läuft ein gemeinsames Projekt der CIM GmbH mit dem Lehrstuhl für Fördertechnik Materialfluss Logistik der Technischen Universität München. Die Forschungskooperation dient der Entwicklung selbstlernender Software auf Basis neuronaler Netze im Bereich der Intralogistik. Anfangs haben die Forscher der TUM den Algorithmus entwickelt, der nun das Herz des neuronalen Netzes darstellt.
Es gibt dabei verschiedene Parameter, die hier definiert werden müssen, nach denen das neuronale Netz dann die Daten verarbeitet. Die genauen Parameter sind für
CIM gewissermaßen eine Blackbox. Es ist also nie sicher, wie sich die KI in dem jeweiligen Szenario verhalten wird. Die Wissenschaftler der TUM benötigen aus diesem Grund Daten und zahlreiche Testläufe, um nach deren Auswertung die Parameter anpassen zu können. So verbessert sich Test für Test die Performance der KI.
Damit die KI im Rahmen eines Intralogistiksystems Anwendung finden kann, musste ein geeignetes Framework entwickelt werden, das dem neuronalen Netz die Daten zuspielt. Da kam ich dann ins Spiel, da ich bei CIM unter anderem für die Testautomatisierung zuständig bin. In unserer Teststrategie haben wir unter anderem einen Massentest, der das System mit zahllosen Aufträgen auf Herz und Nieren prüft. Diesen Massentest haben wir zu einem Framework für die ersten Tests der KI umgearbeitet und den Forschern der TUM übermittelt. Das Testframework ist in der Lage, Auftragszahlen im sechsstelligen Bereich zu erzeugen, die die KI bearbeiten muss.
Damit das neuronale Netz sinnvoll mit dem Testframework arbeiten kann, gilt es jedoch, einige zusätzliche Faktoren zur Verfügung zu stellen. Die Artikel des generierten Lagers haben Daten, die gewisse Wahrscheinlichkeiten zur Einoder Auslagerung beinhalten. Also etwa "Gummistiefel und Wintermützen". Da hinterlegen wir dann eine Pick-Wahrscheinlichkeit von beispielsweise 70 Prozent und 50 Prozent, sodass das neurona- le Netz die Unterschiede erkennt und die Artikel entsprechend behandelt. Zudem kennt die KI auch die Grundzüge des Lagerlayouts, das CIM den TUM-Forschern zur Verfügung gestellt hat. Ohne diese Daten funktioniert es nicht.
Bei allen Warehouse Management Systemen geht es maßgeblich darum, den Warenausgang zu beschleunigen und die Effizienz der Intralogistik zu erhöhen. Die Wege, die im Lager zurückgelegt werden, sind dabei eine zentrale Größe, die man möglichst reduzieren möchte. Gelingt es, die Wegzeit zu verringern, kann man von einer höheren Effizienz der Intralogistik sprechen. Ganz so leicht ist es nur oft nicht.
Die Schwierigkeit ist es einerseits, die Parameter im Algorithmus des künstlichen neuronalen Netzes anzupassen, um die Effizienz zu erhöhen. Das ist die Aufgabe der angewandten Forschung. Für uns ist die praktische Umsetz- barkeit viel relevanter.
Um zu testen, ob sich tatsächlich eine höhere Effizienz bei der Verwendung des neuronalen Netzes einstellt, gilt es nicht nur die Ergebnisse der KI-Tests zu betrachten. Diese sind auch mit den bestehenden Möglichkeiten zur Optimierung der Intralogistik zu kontrastieren. Deshalb wird die Ef fizienzanalyse, die unsere Software "PROLAG World" in zahlreichen bestehenden Lagern bereits nutzt, zum Kontrast mit den gleichen Daten gefüttert wie der Algorithmus des künstlichen neuronalen Netzes.
Dabei wird deutlich, dass das neuronale Netz durchaus zu einer beachtlichen Leistung in der Effizienzanalyse fähig ist. Man kann das Potenzial der Technologie deutlich erkennen, insbesondere bei den Zusammenhängen zwischen den Artikeln. Trotzdem gibt es noch etliche Faktoren, die an anderen Stellen die Leistungsfähigkeit der KI negativ beeinträchtigen. Da ist zum Beispiel das Thema der Rechnerkapazitäten und der Response-Zeit des neuronalen Netzes. Hier ist unser bisheriger Algorithmus einfach weniger anspruchsvoll.
Von einem Fazit oder auch nur einem deutlichen Zwischenergebnis in den Bemühungen kann man noch nicht sprechen. Wir stehen eigentlich noch ganz am Anfang. Wirklich spannend seien die kommenden Wochen und Monate, in denen komplexere Testdaten zur Anwendung kommen sollten. Bislang haben wir nur mit einem gering bestückten Lager gearbeitet. Um näher an die Praxis zu rücken, werden wir demnächst mit hoher und sehr hoher Lagerbelegung arbeiten. Dann werden wir sehen, ob die KI noch immer so gute Ergebnisse in der Effizienz der Intralogistik erzielt.
Bevor wir also evaluieren, gilt es abzuwarten. Ein Test dauert in der Regel zwei Wochen und die Daten sind daraufhin erst noch auszuwerten. Zudem sind noch weitere Artikeldaten in das System einzu- pflegen, sodass die Ergebnisse ein realistisches Bild einer KI-gesteu- erten Intralogistik abliefern. Es ist unglaublich aufregend, mit dieser Technologie zu arbeiten. Und ich bin sehr gespannt, was da in den nächsten Monaten auf uns wartet.
Die Forschungskooperation zwischen der Technischen Universität München und CIM wird noch bis Juli 2023 andauern. Bis dahin ist noch viel Zeit für weitere Tests und Optimierungen. Spannend bleibt es in jedem Fall, weitere Forschungskooperationen zu diesem Thema sind schon in Planung. ■
PHOTO (COLOR): In einer Forschungskooperation mit der Technischen Universität München arbeiten die Logistiksoftwareexperten von CIM an einem künstlichen neuronalen Netz in der Intralogistik.
PHOTO (COLOR)
By Andreas Engelmayer
Andreas Engelmayer ist Intralogistik-Experte bei der CIM GmbH. Mit dem Lagerverwaltungssystem PROLAG World bietet das Softwarehaus eine modulare und konfigurierbare Warehouse Management Software für einen optimalen Waren- und Materialfluss und individuelle Lagerlayouts.
