Kommentar von Hendrik Ohlms, Sievers-Group Machine Learning ist unverzichtbar für die Logistik

Anbieter zum Thema

SIEVERS-SNC Computer & Software GmbH & Co. KG

additiv pr

Vogel IT-Medien GmbH

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Die IDG-Studie „Machine Learning 2020” beweist, dass viele Unternehmen das Potenzial selbstlernender Systeme erkannt haben: 48 Prozent der deutschen Firmen verwenden Machine Learning bereits, z. B. als Analyse- und Steuerungsinstrument in der Logistik. Intelligente Algorithmen helfen dabei, neue Rückschlüsse für eine erfolgreichere Zukunft abzuleiten.

Machine Learning ist in vielen deutschen Unternehmen angekommen. Die diesjährige IDG-Studie zu Machine Learning ergab, dass sich rund 73 Prozent der befragten Unternehmen mit selbstlernenden Anwendungen beschäftigen. Das sind rund 20 Prozent mehr Unternehmen als noch 2019. Von diesen verwenden 48 Prozent die Technologie bereits. Für kleine Firmen dominiert die Kehrseite der Medaille. Denn sie tun sich deutlich schwerer mit der Einführung. Mögliche Erklärungen dafür seien die geringen finanziellen und personellen Ressourcen.

Doch was macht Machine Learning für kleine wie große Organisationen so interessant? Wie äußert sich das „Erlernen“? Eine Software lernt dazu, indem sie ohne explizite Programmierung selbstständig neues Wissen generiert. Dieser Teilbereich der Künstlichen Intelligenz (KI) basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Aus diesen Big-Data-Beständen lassen sich mithilfe neuronaler Netze Rückschlüsse ziehen, allgemeingültige Modelle ableiten und Prognosen treffen. Ob der Algorithmus zuverlässige Ergebnisse liefert, hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab.

Prozesse optimieren und neue Geschäftsmodelle entwickeln

Laut IDG wollen rund 56 Prozent der Unternehmen mithilfe von Machine Learning interne Abläufe verbessern. Dazu gehört auch die Sievers-Group als ein IT-Full-Managed-Service-Dienstleister. Die Spezialisten setzen bei Kundenprojekten zunehmend auf Machine Learning, um Informationen noch besser zu interpretieren, präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren. Ein Beispiel dafür ist die Verknüpfung des Microsoft-Azure-Machine-Learning-Studios mit Bestandsmanagement- oder ERP-Systemen in der Logistikbranche. Mit diesen Lösungen lassen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse erheblich verbessern.

Das Machine-Learning-System identifiziert auf Basis neuronaler Netze wiederkehrende Muster, Gesetzmäßigkeiten oder Anomalien – in diesem Fall in alltäglichen logistischen Prozessen. Dabei nutzt die Sievers-Group das sogenannte „überwachte Lernen“. Das System zieht beispielsweise 60 Prozent der verfügbaren Daten heran, um Zusammenhänge zu erkennen und daraus zu lernen. Anhand der restlichen 40 Prozent der Daten prüft die Software, mit welcher Wahrscheinlichkeit die aus der Lernphase ermittelten Ergebnisse zutreffen. Der Trainingsprozess dauert im Idealfall so lange, bis alle Beispiele richtig berechnet werden. So nutzt der Algorithmus die Daten, um sein erstelltes Modell ständig anzupassen und zu verfeinern. Je mehr Daten zur Verfügung stehen, desto genauer wird das Modell.

Der IDG-Studie zufolge nutzen Unternehmen Machine Learning jedoch auch, um neue Geschäftsmodelle zu entwickeln. So heißt es darin, dass deutlich mehr Großunternehmen als kleine und mittlere Firmen mithilfe von Machine Learning neue Geschäftsmodelle (51 Prozent) und Produkte (55 Prozent) entwickeln. Die Voraussetzung für die Implementierung von Machine Learning ist ein umfangreiches Fachwissen über die gewünschten Prozesse. Damit und mit Know-how in den Bereichen Mathematik und Statistik sind alle relevanten Parameter bekannt und stellen kein Hindernis dar.

Die Logistik auf ein neues Level heben

Durch die Verbindung der Cloud-Computing-Plattform Microsoft Azure Machine Learning Studio mit Lagerverwaltungs- oder ERP-Systemen erschließt die Sievers-Group neue Anwendungsmöglichkeiten für ihre Kunden. Mit der Künstlichen Intelligenz lassen sich beispielsweise Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren. Da durch Machine Learning Absatzkurven prognostiziert werden können, weiß der Anwender, welche Artikel zu welchem Zeitpunkt bestellt werden sollten. Hierbei wird auch eine Abhängigkeit vom Wetter oder von saisonalen Gegebenheiten sowie weiteren Einflussfaktoren dargestellt.

Machine Learning ermöglicht darüber hinaus eine Prognose von Retouren. Beispielsweise analysiert die Sievers-Group für einen Kunden aus der Logistikbranche zunächst die Verkaufsaufträge, Artikel, Debitoren und Retouren. Durch Machine Learning konnten die IT-Experten mit einer hohen Wahrscheinlichkeit voraussagen, welche Artikel nach der Auslieferung wieder zurückgeschickt werden.

Weitere Anwendungsmöglichkeiten für Machine Learning ergeben sich bei der Lagerung von Artikeln. Ist der Wareneingang nicht optimal konzipiert oder unterlaufen dem Mitarbeiter Fehler, kann dies zu Verzögerungen bei der Auslagerung führen und hohe Kosten verursachen. Um einen Mangel an Stellplätzen zu vermeiden, muss die Lagerfläche optimal genutzt werden.

Warum auch Alexa eine Schlüsselrolle spielen kann

Abgesehen von der Logistik ist Machine Learning in der Sprach- und Bildanalyse gefragt:

„Die Top 4 der eingesetzten KI- und ML-Applikationen sind die Sprachanalyse, gefolgt von Bilderkennung, Textanalyse und dem Übersetzen von Texten. In Planung sind vor allem Anwendungen wie Hyper Targeting sowie die Untersuchung von Verhaltensmustern“, heißt es in der IDG-Studie.

Amazons Alexa ist das Paradebeispiel für den Einsatz von Machine Learning in der Spracherkennung und -analyse. Das Feld der möglichen Anwendungen von Machine Learning vervielfacht sich durch die Top 4 der in der IDG-Studie genannten Einsatzszenarien.

Messbare Erfolge und Wettbewerbsvorteile

Machine Learning bietet Unternehmen einen echten Wettbewerbsvorteil. Denn es macht Produkte und Services nutzerfreundlicher, findet vielseitig Anwendung und optimiert Geschäftsprozesse. Gemessen wird der Erfolg von Machine-Learning-Maßnahmen in Unternehmen anhand der Produktivitätssteigerung und der Kostenreduktion. Trotz eines hohen Automatisierungsgrades im Machine Learning: ganz ohne manuelle Vorarbeit eines Menschen geht es nicht. Das ist beispielsweise dann der Fall, wenn notwendige Daten nicht in der geeigneten Qualität verfügbar sind und zunächst aufbereitet werden müssen. IT-Berater müssen die für das Unternehmen relevanten Fragestellungen genau definieren und entsprechende Datenmengen bestimmen sowie vorbereiten, um ein brauchbares Ergebnis zu liefern.

(ID:46976191)