Welches Potenzial Künstliche Intelligenz für die Verbesserung der Widerstandsfähigkeit von Lieferketten mit sich bringt, verrät Gardiner von Trapp, Product Manager Analytics & Data Science bei der Alpega Group, im Interview.
Mit einem Doktortitel von der New York University legte Gardiner von Trapps, Product Manager Analytics & Data Science bei der Alpega Group, den Grundstein für eine abwechslungsreiche Reise in die Datenwissenschaft.
Alpega Group
Herr von Trapp, inwieweit stellt die Supply Chain einen fruchtbaren Boden für Künstliche Intelligenz (KI) dar?
Gardiner von Trapp: Damit KI ihr volles Potenzial entfalten kann, muss sie auf ein erhebliches Datenvolumen (Quellen, Diversität, Zeitlichkeit, usw.) zugreifen können. Die Supply Chain und der Transportsektor können sich auf eine Fülle von Informationen stützen, die täglich in verschiedenen Geschäftsanwendungen gesammelt werden, beispielsweise:
- Transport-Management-Systeme (TMS) haben Zugriff auf Transportaufträge, Herkunfts- und Zielorte, Mengen und Arten von Gütern, Fristen sowie die verschiedenen verwendeten Transportarten.
- Tracking-Lösungen bieten einen detaillierten Einblick in den Datenverkehr.
- Frachtenbörsen decken die im Spotverkehr betriebenen Sendungen ab.
- Das Internet of Things (IoT), das derzeit noch wenig eingesetzt wird, aber stark wächst, ermöglicht es, neue Informationen zu verfolgen, z.B. den Standort eines Produkts und seines Behälters in Echtzeit.
Die Schwierigkeit bestand bislang darin, Verbindungen zwischen diesen verschiedenen Elementen herzustellen. Hier wird die KI mit hoher Geschwindigkeit aussagekräftige Schlussfolgerungen ziehen können, die mit den menschlichen Fähigkeiten nicht zu vergleichen sind. Die Anwendung auf den Transportbereich ist umso mehr gerechtfertigt, als der Sektor nach wie vor stark prozessorientiert ist, mit klar definierten Schritten. In einem TMS gibt es beispielsweise einen definierten Ablauf, vom Versand bis zum Bestimmungsort, der die Erstellung eines Transportauftrags, die Auswahl der Transportfirma, die Lieferung, die Ankunft am Dock, etc. beinhaltet. Die KI kann jeden Schritt genau analysieren. Die Supply Chain und insbesondere der Transportsektor sind daher ein besonders fruchtbarer Boden für die KI. Die Künstliche Intelligenz bietet vielversprechende Lösungen, besonders für die Optimierung von Sendungen, die Reduzierung von CO2-Emissionen, die Einhaltung von Kundenverpflichtungen und Kosteneinsparungen. Sie kann umweltfreundlichere Transportmittel empfehlen, das Auftreten von Unwägbarkeiten voraussehen, die besten Routen auf der Grundlage zahlreicher Parameter auswählen, usw. Sie kann auch Prognosen und damit die Bemessung von Ressourcen erheblich verbessern und zur Einhaltung gesetzlicher und regulatorischer Standards beitragen. Ein weiterer Vorteil der KI und insbesondere von fortgeschrittenen Sprachmodellen ist die Möglichkeit, Prozesse und die Nutzung von Geschäftslösungen zu vereinfachen. Es ist wahrscheinlich, dass Benutzer bald in der Lage sein werden, komplexe Abfragen mit einfachen allgemeinen Ausdrücken zu formulieren. Die KI wird dann in der Lage sein, diese zu verstehen und direkt zu beantworten, ohne dass die Mitarbeiter Dateien, Dashboards oder andere spezielle Tools konsultieren müssen. Das ebnet den Weg für eine schnelle Digitalisierung, bei der natürliche Sprache die Prozesse vereinfachen wird.
Für welche Art von Logistikunternehmen ist KI am relevantesten und warum?
Das hängt u.a. von der Größe der Firma ab. Kleine Speditionen oder Familienunternehmen mit wenigen Lkws können derzeit noch nicht in nennenswertem Umfang von KI profitieren. Diese Technologien kommen erst dann zum Tragen, wenn Komplexität und Umfang exponentielle Ausmaße erreichen (z.B. mehrere Standorte, mehrere Variablen). Zweitens spielt der IT-Reifegrad einer Firma eine entscheidende Rolle. Während Modelle wie OpenAI es bereits ermöglichen, Daten zu integrieren und zu experimentieren, denke ich, dass es noch zu früh ist, um zu definieren, in welchem Umfang die Bündelung von Informationen möglich ist und welche Wettbewerbsrisiken damit verbunden sind. Eine starke interne IT-Kompetenz ist daher entscheidend, um solche Projekte durchführen zu können. Der letzte Punkt, den es zu berücksichtigen gilt, betrifft die Verfügbarkeit von Daten (Quantität und Qualität) und die Digitalisierung von Prozessen. Eine große Anzahl von Eingaben und ein leistungsstarkes KI-Modell haben nur begrenzte Auswirkungen, wenn die zugrunde liegenden Prozesse weitgehend manuell bleiben.
Was sind aktuell die größten Herausforderungen bei der Nutzung von KI in der Transportlogistik?
Da KI-Modelle extrem ressourcenintensiv sind, ist eine sorgfältige Organisation der Daten von Anfang an unerlässlich, um die Rechen- und Antwortzeiten zu optimieren. Traditionell "schüttet" jedes Computersystem Daten auf spezifische Weise in einen Speicher. Dadurch entstehen Speicher mit einer Vielzahl unterschiedlicher Modelle, für die dann eine ETL-Schicht (Extraktion, Transformation, Loading) erforderlich ist, um diese Daten in ein anderes Format umzuwandeln. Wir haben diesen Ansatz vor einigen Jahren überdacht und unsere Lösungen so konzipiert, dass sie diese Speicherung vereinheitlichen, sei es für unsere TMS-Plattform oder unsere Frachtenbörsen. Dadurch konnten wir ein einziges, umfangreiches Master Model erstellen und so den Prozess vereinfachen, viele Informationen aus diesen Daten abzuleiten. Die Digitalisierung oder Datenbereitschaft sowie die Übernahme von Best Practices oder die Standardisierung von Prozessen würden ernsthafte technische Herausforderungen mit sich bringen. Organisatorische rechtliche und regulatorische Rahmenbedingungen, Infrastruktur und Widerstand gegen Veränderungen verhindern die Akzeptanz.
Inwieweit nutzen hiesige Mittelständler anno 2024 bereits KI zur Automatisierung ihrer Logistikprozesse?
Der Einsatz von KI zur Automatisierung und Optimierung von Logistik- und Supply-Chain-Management-Prozessen (SCM) durch mittelständische Unternehmen erlebt 2024 ein erhebliches Wachstum und eine hohe Akzeptanz, da KI als Allzwecktechnologie gesehen wird. Die Logistik zeichnet sich als ein Bereich mit hohem Potenzial ab. Bei den betroffenen Bereichen stehen Service und Support im Mittelpunkt, da sich KI-gesteuerte Technologien wie Chatbots, virtuelle Assistenten und personalisierte Erlebnisse immer mehr durchsetzen und es mittelständischen Unternehmen ermöglichen, ihren Kundenservice zu verbessern. Laut Umfragen zu Technologietrends wird KI auch in Logistik- und SCM-Lösungen eingesetzt, um Aufgaben zu automatisieren, Routen zu optimieren, Kosten zu senken und die allgemeine betriebliche Effizienz zu verbessern. Dadurch werden umweltfreundliche oder nachhaltige Praktiken gefördert. Insbesondere wird KI für die effiziente Lagerverwaltung, die Optimierung der Lieferkette, prädiktive Analysen, die Verfolgung und Überwachung von Sendungen, die dynamische Preisgestaltung, die Ladeplanung und die Lieferantenauswahl eingesetzt. Die Auswirkung von KI auf die Revolutionierung von Supply-Chain-Abläufen ist offensichtlich. Early Adopters berichten von reduzierten Logistikkosten, verbesserten Lagerbeständen und verbesserten Service-Levels. Das Potenzial von KI zur Verbesserung der Widerstandsfähigkeit von Lieferketten wird ebenfalls erkannt. KI-Tools werden eingesetzt, um Lieferketten abzubilden, die Transparenz zu verbessern und Änderungen der Lieferkettenrichtlinien zu empfehlen. Deshalb werden mittelständische Unternehmen 2024 verstärkt auf Künstliche Intelligenz setzen, um ihre Logistik- und SCM-Prozesse zu rationalisieren und zu optimieren.
Inwiefern unterscheiden sich die KI-Aktivitäten vom üblichen Prozess der Erstellung einer Produkt-Roadmap?
Im traditionellen Modell, das wir nach wie vor anwenden, kann der Ansatz als vertikal bezeichnet werden. Wir interagieren mit unseren Kunden, um deren Erwartungen zu verstehen und die notwendigen Produktentwicklungen zu identifizieren. An diesem Prozess sind Firmen beteiligt, die unsere Lösungen nutzen sowie unsere Vertriebsabteilung und das Produktteam, das die Anforderungen umsetzt. Der Ansatz im Zusammenhang mit Künstlicher Intelligenz ist horizontaler, bereichsübergreifender. Auf Daten spezialisierte Produktteams integrieren sich auf allen Ebenen. Auch wenn sie nicht immer in direktem Kontakt mit dem Kunden stehen, versuchen sie, Einfluss auf die Implementierung von Datenstrukturen zu nehmen. Ziel ist es, insgesamt eine gewisse Konsistenz und die Standardisierung – auch bei manchmal unterschiedlichen, sogar widersprüchlichen Kundenbedürfnissen – zu gewährleisten. Auch auf technologischer Ebene führt KI zu erheblichen Veränderungen, indem eine datenorientierte Schicht über der Infrastrukturschicht geschaffen wird. Anstatt isolierte Plug-ins zu haben, die unabhängig voneinander Daten hinzufügen und extrahieren, senden die Lösungen (TMS, Frachtenbörsen, usw.) ihre Elemente an einen dedizierten Prozessor, der sie gründlich analysiert.