KI im Transport und in der Logistik | KI im Geschäft #75

Flottenmanagement mit KI im Transportwesen

KI-basierte Systeme können sehr große Datenmengen über Fahrzeuge, Fahrer und Routen analysieren. Dies ermöglicht es, Fahrpläne und Routen anzupassen, Transportressourcen besser zu nutzen und den Kraftstoffverbrauch um bis zu 10-15 % zu senken.

Intelligente Systeme, die mit maschinellen Lernfähigkeiten ausgestattet sind, können potenzielle Pannen Monate im Voraus vorhersagen, basierend auf Daten von in Fahrzeugen und anderen Geräten installierten Sensoren. Dies ermöglicht es, Reparaturen und Wartungen zu günstigen Zeiten zu planen, Ausfallzeiten zu minimieren und ungeplante Stopps auf der Straße zu vermeiden.

Ein Beispiel für den Einsatz von KI im Flottenmanagement ist DB Schenker, ein globaler Marktführer in der Logistikbranche. Das Unternehmen nutzt fortschrittliche KI-Algorithmen, um die Transportplanung, die Nachfrageprognose und das Angebotsmanagement zu optimieren. In Bulgarien beispielsweise hat das Unternehmen die Transmetrics-KI-Lösung eingesetzt, um die Fahrzeugnutzung zu verbessern und die Transitzeiten für Massensendungen zu reduzieren.

Im Lufttransport verwendet das Unternehmen ein hybrides Simulations- und Prognosetool, das eine Anpassung der Simulationen ermöglicht und auf historischen Daten basiert. Durch den Einsatz von KI beschleunigt DB Schenker nicht nur seine digitale Transformation, sondern sichert sich auch einen langfristigen Wettbewerbsvorteil im Logistikmarkt.

Quelle: DB Schenker (https://shippingwatch.com/logistics/article14448745.ece)

Implementierung von KI zur Optimierung von Routen und Senkung der Transportkosten

Moderne KI-gestützte Kartierungssysteme können Verkehrsstaus in Echtzeit analysieren, nach Umleitungen suchen und optimale Routen für Fahrer basierend auf den aktuellen Bedingungen vorschlagen. Darüber hinaus können maschinelle Lernalgorithmen helfen, die Verteilung von Lasten besser zu planen, sodass sie über die kürzesten möglichen Strecken transportiert werden. Dies führt direkt zu niedrigeren Betriebskosten.

Ein Beispiel für ein Unternehmen, das sich auf KI-Lösungen zur Routenoptimierung spezialisiert hat, ist die amerikanische Firma FourKites. Sie haben eine Plattform zur Überwachung der Lieferkette in Echtzeit entwickelt, die Daten und maschinelles Lernen nutzt, um die Transporttransparenz und Effizienz zu verbessern.

Einer ihrer Kunden, Henkel, profitiert von der Nutzung der FourKites-Lösung, indem er Zugang zu Echtzeitdaten über den Standort und die voraussichtliche Ankunftszeit (ETA) von Sendungen hat. Dies ermöglicht es ihnen, ihre Aufgaben besser zu planen und auf mögliche Verzögerungen zu reagieren.

FourKites hat Henkel auch zusätzliche Vorteile gebracht, wie Zeit- und Kosteneinsparungen, Verbesserung der Qualität und Verantwortlichkeit von LSP (Logistikdienstleistern), faire Streitbeilegung und Vermeidung von Strafen bei Verzögerungen. Im Jahr 2024 plant Henkel, fast eine Million Sendungen mit FourKites zu verfolgen.

Quelle: Four Kites (https://www.fourkites.com/platform/)

Bestandsmanagement mit KI im Transportwesen

Künstliche Intelligenz ist in der Lage, massive Datenmengen zu analysieren, um die Nachfrage nach bestimmten Waren und Rohstoffen genau vorherzusagen. Dadurch kann der Bestand effizienter verwaltet, Lager genauer aufgefüllt und Fehlbestände reduziert werden.

Zwei beliebte Werkzeuge, die KI und maschinelles Lernen zur Optimierung der Lieferkette nutzen, sind:

• RELEX (https://www.relexsolutions.com/) – eine umfassende Plattform zur Nachfrageprognose und automatischen Bestandsauffüllung. Das Unternehmen hilft Kunden aus allen Branchen, die Nachfrage zu planen, Bestände zu verwalten, Logistikprozesse zu optimieren und das Umsatzwachstum voranzutreiben.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – Ein fortschrittliches Modul für die Bestandsplanung und Lieferkette, das Teil der SAP-Suite ist. SAP IBP hilft, logistische Prozesse zu optimieren und bietet verschiedene Funktionen, einschließlich Sales and Operations Planning (S&OP), Nachfrageprognose, Reaktion und Lieferung, Bestandsplanung und Transportplanung.

Einführung von KI zur Automatisierung von Lagerprozessen und autonomem Transport

Autonome Roboter, die mit Modulen für künstliche Intelligenz ausgestattet sind, sind bereits in vielen modernen Lagern und Logistikzentren im Einsatz. Sie sind in der Lage, Bestellungen zu kommissionieren, Produkte zu verpacken und Paletten mit Waren zu transportieren. Maschinelle Lernalgorithmen ermöglichen es diesen Robotern, einzelne Waren und Pakete zu erkennen, ihre eigenen Wege durch das Lager zu planen und sogar mit Mitarbeitern zu kommunizieren.

Was passiert, wenn ein Produkt, das von einem Roboter verpackt und vorbereitet wurde, bereit ist, auf die Straße zu gehen? Dies öffnet die Tür für die Implementierung von KI in autonomen Fahrzeugen. Ein Beispiel ist der autonome Lkw T-Pod, der derzeit in den Verteilzentren von DB Schenker getestet wird. Er kann von einem Bediener während der Fahrt auf der Straße gesteuert werden oder, dank der Implementierung von KI, autonom Paletten mit Produkten transportieren und dabei Hindernisse umgehen. Die Navigation wird durch den Einsatz von Kameras, Radar und Tiefensensoren erleichtert.

Der DB Schenker T-Pod ist das erste Fahrzeug seiner Art, das für öffentliche Straßen in Schweden zugelassen ist. Er kann bis zu 20 Tonnen Fracht transportieren und hat eine Reichweite von etwa 200 km mit einer einzigen Ladung.

Quelle: DB Schenker (https://www.dbschenker.com/)

Echtzeitdatenüberwachung und -analyse mit KI im Transportwesen

Daten von Sensorsystemen im Fahrzeug, Automatisierungssystemen im Lager und Sendungsverfolgern können in Echtzeit von Algorithmen der künstlichen Intelligenz analysiert werden. Dies ermöglicht es, sofort genaue Geschäftsentscheidungen zu treffen und die Effizienz der gesamten Organisation zu verbessern. Beispielsweise kann ein System, das mit einem KI-Modul ausgestattet ist, helfen, sofort auf Lieferverzögerungen zu reagieren und Kunden zu benachrichtigen oder präventive Maßnahmen zu ergreifen.

Das OLX-Team hat maschinelles Lernen genutzt, um ein prädiktives ETA-Modell zu erstellen, das im Transport und in der Logistik für Estimated Time of Arrival steht. Das Modell berücksichtigt Faktoren wie:

• Standort,
• Art der Waren,
• Wetterbedingungen,
• Feiertage usw.

Das Modell wurde mit Daten aus über zwei Millionen Transaktionen trainiert und mit Daten aus sechs Ländern getestet. Das ETA-Modell erreichte eine sehr hohe Genauigkeit und Präzision und zeigte die Fähigkeit, sich an Veränderungen der Markt- und Betriebsbedingungen anzupassen. Das ETA-Modell hat dazu beigetragen, das Vertrauen und die Zufriedenheit der Kunden zu erhöhen sowie die Effizienz und Rentabilität des Lieferprozesses zu verbessern.

Sicherheit und Unfallverhütung

Intelligente Überwachungssysteme, die mit KI-Modulen ausgestattet sind, schützen nicht nur die Vermögenswerte von Transportunternehmen. Durch die Analyse von Bildern aus Kameras und Daten von Sensoren können sie das Fahrverhalten bewerten und Anzeichen von Müdigkeit erkennen, was Pausen während der Fahrt vorschlägt. Darüber hinaus können maschinelle Lernalgorithmen, die kontinuierlich eingehende Telemetriedaten von Fahrzeugen analysieren, potenzielle Fehler lange im Voraus vorhersagen.

So hat das israelische Start-up Cortica neuronale Netzwerke angewendet, um Motorengeräusche zur frühzeitigen Erkennung drohender Störungen zu analysieren. Unternehmen wie Continental und ZF Friedrichshafen AG bieten ähnliche Lösungen für prädiktive Fahrzeugdiagnosen für Frachtführer an.

Die Zukunft der KI im Transport und in der Logistik

Experten sind sich einig, dass die TSL-Branche aufgrund der künstlichen Intelligenz innerhalb der nächsten zehn Jahre eine vollständige Transformation durchlaufen wird. Autonome Lkw werden zum Standard auf den Straßen in den Vereinigten Staaten und werden auch in anderen Teilen der Welt häufiger auftauchen. In den Lagern werden der Großteil der Operationen – von der Auftragskommissionierung bis zum Laden – von Robotern übernommen.

Dank KI werden die Transport- und Logistikkosten um bis zu 30-40 % sinken. Auch die Lieferzeiten werden durch Routen- und Ladeoptimierung sowie die Implementierung intelligenter Stadtsysteme, die die Fahrzeugbewegung in den letzten Kilometern der Route erleichtern, verkürzt. Die Integration von KI in die Logistik wird die Qualität des Kundenservice verbessern, und das Risiko menschlicher Fehler wird nahezu eliminiert.

Quelle: DALL·E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

KI im Transportwesen – Zusammenfassung

Zusammenfassend lässt sich sagen, dass Systeme, die maschinelles Lernen und KI-Algorithmen im Transportwesen nutzen, großes Potenzial in der TSL-Branche haben, das gerade erst erschlossen wird. Ihre Implementierung ist eine Gelegenheit, die Kosten erheblich zu senken, die Lieferzeiten zu verkürzen, die Transportsicherheit zu verbessern und die Kunden besser zu bedienen. Um jedoch erfolgreich zu sein, muss die Implementierung dieser Technologien strategisch angegangen werden.

Wenn Ihnen unsere Inhalte gefallen, treten Sie unserer aktiven Community auf Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.