Kommentar von Dr. Philipp Lies, zeroG KI reduziert Lebensmittelverschwendung an Bord von Flugzeugen

Anbieter zum Thema

Lufthansa Systems AG

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Prozesse effizienter gestalten, Ressourcen schonen und Kosten einsparen – das sind weit verbreitete Ziele in der Wirtschaft. Viele arbeiten bereits daran, andere fragen sich, wie Künstliche Intelligenz (KI) und Machine Learning (ML) dabei unterstützen können. Die belgische Fluggesellschaft Brussels Airlines traf sich mit den Datenspezialisten von zeroG, die zum Airline-IT-Provider Lufthansa Systems gehören, zu einem Hackathon, der genau dieses Potenzial von KI für die Luftfahrtindustrie ausloten sollte. Wie dabei vorgegangen wurde, zeigt dieser Beitrag am Beispiel Lebensmittelverschwendung.

Fluggesellschaften, die an Bord frische Lebensmittel zum Kauf anbieten, stehen vor einer großen Herausforderung: Sie müssen für jeden Flug die richtige Menge benötigter Mahlzeiten vorhersagen. Denn Passagiere erwarten, dass angebotene Mahlzeiten auch vorrätig sind. Allerdings führt diese Bevorratung zu großer Mengen zu Verschwendung und unnötigen Kosten. Der Kühlraum ist begrenzt und nicht verkaufte verderbliche Produkte müssen nach einem Tag entsorgt werden. Wie sich das Catering an Bord durch die strategische Integration von KI und ML verändern lässt, um die Versorgung zu optimieren, die Verschwendung zu minimieren und das Erlebnis für die Passagiere zu verbessern, untersuchten die Datenspezialisten von zeroG und Brussels Airlines bei einem Hackathon.

Die Macht der Daten entschlüsseln

Bei der Veranstaltung mit dem Titel „Unlock the Power of Data“ standen Schlüsselthemen der Luftfahrt auf dem Programm, darunter Nachhaltigkeit, Effizienz und Kundenkomfort mit konkretem Blick auf Aspekte wie Kraftstoffeinsparung, Abfallreduzierung und Kundenfeedback.

Insgesamt ging es darum, zu erforschen, wie mit KI und ML das enorme Potenzial von Daten in der Luftfahrtindustrie freigesetzt werden kann. Als größte belgische Fluggesellschaft steuerte Brussels Airlines wertvolle Daten und Erkenntnisse bei. Das Team bestand aus rund 70 Datenwissenschaftlern und KI-Experten von zeroG, die mit 20 Analysten und Datenexperten von Brussels Airlines an den zwei Hackathon-Tagen je rund zehn Stunden intensiv zusammenarbeiteten.

Daten als Kern zur Lösung der Catering-Herausforderungen

Das Hackathon-Team zum Thema Bordcatering bestand aus acht Mitgliedern, die Schlüsselrollen in den Bereichen Data Engineering, Data Science, Geschäftsanalyse und Produktverantwortung übernahmen. Als konkretes Beispiel für ihren Proof-of-Concept nahmen sie sich Sandwiches vor. Und selbst da sind die Unterschiede groß: Während auf Kurzstrecken zu Zeiten, die vor allem von Geschäftsreisenden genutzt werden, wenige bis gar keine Sandwiches verkauft werden, liegen Spitzenwerte bei Urlaubsflügen bei über 50 Stück.

Die Fluggesellschaft belädt ihr Bordcatering ausschließlich am Heimatflughafen in Brüssel und verfolgt die Lieferkette akribisch, indem sie Einkäufe, Verkäufe und den Verbrauch pro Flug detailliert aufzeichnet. Flüge, die vom ersten Zielflughafen noch ein weiteres Ziel anfliegen, bevor sie an den Startflughafen zurückkehren – sogenannte dreibeinige Flüge – erhöhen die Komplexität im Beschaffungsprozess ebenso wie die unterschiedlichen Vorlieben der Passagiere während Geschäftsreisen oder typischer Urlaubsverbindungen.

Traditionell verließ sich Brussels Airlines auf manuelle Eingaben in Excel, die auf historischen Verkaufs- und Einkaufszahlen basierten. Diesem Ansatz fehlte jedoch die nötige Granularität für differenzierte Betrachtungen, wie zum Beispiel saisonale Schwankungen. Durch die Einführung von ML sollte dieser Prozess verfeinert und automatisiert werden, um die Genauigkeit und Anpassungsfähigkeit zu verbessern.

Die Datenqualität ist entscheidend

Für die Datenexploration nutzte das Team während des Hackathons Tools wie Excel und Python. Da der Fokus auf das Beispiel Sandwiches eingegrenzt war, konnte die Komplexität inklusive negativer Lieferungen und Währungsschwankungen gut entschlüsselt werden. Zur Verbesserung der Datenqualität kamen auch Tools wie Pandas und Jupyter Notebooks zum Einsatz. Dabei verbrachten die Data Scientists und Data Engineers von zeroG fast 90 Prozent der Zeit mit Coding, entweder um die Daten aufzubereiten und auszuwerten oder um Modelle zu implementieren und zu testen. Die Data Analysts waren zudem auch mit Design und Umsetzung der Dashboards beschäftigt, was teilweise auch Coding in Tableau erforderte.

Die Datenmodellierung umfasste die Visualisierung und Verknüpfung von Flugdaten. Der Schwerpunkt dabei lag auf Rotationen – also allen Flügen, bis das Flugzeug zurück an der Basis ist –, bei denen eine bestimmte Menge an Sandwiches benötigt wurde. Das Team entwickelte Python-Skripte, um irrelevante Daten herauszufiltern, denn die Qualität der Daten spielt immer die entscheidende Rolle bei ML-Modellen. Die Experten wandten verschiedene ML-Modelle an, einschließlich Regression und Entscheidungsbäume (Random Forest und XG Boost), wobei sich letztere als die effektivsten herausstellten, da ihre Vorhersagen noch mal präziser waren.

ML reduziert Lebensmittelverschwendung deutlich

Im ersten Lauf sagte das ML-Modell etwas weniger Sandwiches voraus, als im Abgleich mit den Vergleichsdaten tatsächlich nachgefragt waren. Gleichzeitig zeigte es aber an, dass die geladenen Mengen auf den Flügen deutlich geringer waren. Das führte zu einer bemerkenswerten Reduzierung der Lebensmittelabfälle um 75 Prozent. Um sicherzustellen, dass auch bei unerwarteten Nachfragespitzen ausreichend Sandwiches an Bord sind, probierten die Experten ein zusätzliches Modell aus. Sie addierten ein Sandwich auf die vorhergesagte Anzahl. So konnten im Abgleich mit den realen Daten nahezu immer alle Passagiere bedient werden. Die Reduzierung der Verschwendung lag dabei immer noch bei 50 Prozent, während nur ein geringer Teil des Umsatzes (-8 Prozent) verloren geht. Das wiederum senkt die Kosten für verschwendete Sandwiches erheblich und steigert die Gesamteinnahmen um mehr als 150 Prozent.

Zur Verdeutlichung hier ein fiktives Beispiel: Die Airline lädt immer 20 Sandwiches à 3,50 Euro Einkaufspreis in den Flieger. Werden elf Stück für je sieben Euro verkauft, macht sie 77 Euro Umsatz und hatte 70 Euro Kosten, also bleiben sieben Euro Gewinn. Das Modell sagt jetzt, dass nur zehn Sandwiches eingeladen werden sollen. Wenn auch hier elf Stück nachgefragt werden, kann sie nur zehn Stück verkaufen und macht entsprechend auch nur 70 Euro Umsatz (-9 %). Sie hatte aber vorab auch nur 35 Euro Kosten und damit am Ende 35 Euro Gewinn (+400 %).

Allein bei den Sandwiches zeigen die Modelle ein Einsparpotenzial von 15,2 Tonnen Lebensmittelabfälle im Jahr (ca. 75.000 Stück à 200g). Das entspricht über 500 normalen Hausmülltonnen (60 Liter), mit einer Nutzlast von 30 Kilogramm. Diese unerwarteten Ergebnisse unterstreichen, dass sich selbst mit einfachen KI-Modellen schnelle und wirkungsvolle Ergebnisse erzielen lassen.

Integration von ML in betriebliche Prozesse

Im nächsten Schritt sollen die Modelle auf weitere Speisen im Portfolio zugeschnitten sowie auf die Vorlieben der Passagiere abgestimmt werden. Getränke sind hier weniger relevant, da sie nicht so schnell verderben. Um diese ML-Lösungen in den täglichen Betrieb integrieren zu können, muss Brussels Airlines zunächst parallele Systeme aufbauen, damit die Nutzer schrittweise Vertrauen zum neuen System fassen können, ohne ihre alten Prozesse direkt aufzugeben. Eine eigenständige Lösung, die parallel zu Excel läuft, könnte innerhalb von drei Monaten implementiert werden und dann einen nahtlosen Übergang gewährleisten.

Diese konkreten Ergebnisse des Proofs-of-Concept zeigen, dass mithilfe von KI und ML nicht nur Kosten gesenkt und Abfall reduziert werden können. Datengesteuerte Lösungen können vielmehr einen wichtigen Beitrag für eine nachhaltigere Zukunft der Luftfahrtindustrie leisten. Auch die anderen Themengebiete des Hackathons brachten aufschlussreiche Ergebnisse, die Brussels Airlines zeigten, auf welchem Datenschatz sie sitzen und wie sich dieser mithilfe von KI-basierten Lösungen nach und nach heben lässt.

(ID:49881652)