Mit Machine Learning präzise Vorhersagen treffen

Viele Unternehmen haben das Potenzial selbstlernender Systeme, die Machine Learning benutzen, erkannt. Dieser Teilbereich der künstlichen Intelligenz basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Mithilfe neuronaler Netze lassen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen. In vielen Branchen bereits etabliert, findet Machine Learning als Analyse- und Steuerungsinstrument nun auch zunehmend Anwendung in der Logistik. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Mit diesen Lösungen lassen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse erheblich verbessern.
Bild: ©PhonlamaiPhoto/istockphoto.com

Künstliche Intelligenz ist auf dem Vormarsch. In Zeiten von Big Data und Cloud-Plattformen bilden die mittlerweile enormen Rechenkapazitäten eine perfekte Grundlage, um intelligente Anwendungen, wie Machine-Learning-Systeme, zu entwickeln. Dabei lernt eine Software, indem sie selbstständig neues Wissen generiert – ohne explizite Programmierung. Zum Einsatz kommen Algorithmen, die komplexe Zusammenhänge zwischen den vorhandenen Daten verstehen, Muster erkennen und daraus nach einer Lernphase allgemeingültige Modelle ableiten. Ob der Algorithmus zuverlässige Ergebnisse liefert, hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab.

Ein exaktes Modell entsteht

Auch die Sievers-Group setzt bei Kundenprojekten zunehmend auf Machine Learning, um Informationen noch besser zu interpretieren,  präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren. „Wir nutzen die Cloud-Lösung Microsoft Azure Machine Learning Studio“, erklärt Hendrik Ohlms, Teamleiter Vertrieb Business Solutions ERP bei der Sievers-Group. „Zunächst greifen wir damit auf die vorhandenen Datenmengen zu, bereiten diese auf, analysieren sie und stellen den Kunden schließlich die Ergebnisse zur Verfügung.“ Das Machine-Learning-System identifiziert dabei auf der Basis von neuronalen Netzen wiederkehrende Muster, Gesetzmäßigkeiten oder Anomalien. Dabei nutzt die Sievers-Group das sogenannte überwachte Lernen. Das System zieht z.B. 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. Stimmt es größtenteils mit der Realität überein, können präzise Aussagen oder Handlungsempfehlungen getroffen werden. Im Ergebnis ermöglicht Machine Learning Anwendern, durch die Analyse großer Datenmengen realistische Prognosen zu treffen und geeignete Maßnahmen abzuleiten.

Vielfältige Anwendungsbereiche

Durch die Verbindung der Cloud-Computing-Plattform Microsoft Azure Machine Learning Studio mit Lagerverwaltungs- oder ERP-Systemen erschließt die Sievers-Group Anwendungsmöglichkeiten für Machine Learning ihren Kunden. Mit der künstlichen Intelligenz lassen sich z.B.  Retouren verringern, Bestände optimieren oder ganze Lagerprozesse automatisieren. Da durch Machine Learning Absatzkurven prognostiziert werden können, weiß der Anwender ziemlich genau, zu welchem Zeitpunkt welche Artikel bestellt werden sollten und, ob z.B. eine Abhängigkeit vom Wetter oder von saisonalen Gegebenheiten sowie weiteren Einflussfaktoren besteht. Auch kann Machine Learning zur Bestelloptimierung genutzt werden. Aus der Analyse von Verkaufsaufträgen berechnet und prognostiziert die Software, wann welcher Kunde welche Artikel bestellen wird. Somit können Abläufe im Verkaufs- und Bestellwesen automatisiert werden. Muss ein Unternehmen jeden Tag eine gewisse Anzahl von Bestellungen mit einer bestimmten Artikelkombination zusammenstellen, kann es sich außerdem lohnen, diese Artikel vorzukommissionieren. Machine Learning ermöglicht darüber hinaus eine Prognose von Retouren. In einem konkreten Fall werden für einen Kunden aus der Logistikbranche zunächst die Verkaufsaufträge, Artikel, Debitoren und Retouren analysiert. „Durch Machine Learning konnten wir mit einer hohen Wahrscheinlichkeit voraussagen, welche Artikel nach der Auslieferung wieder zurückgeschickt werden“, so Hendrik Ohlms. Unternehmen können diese Information nutzen, um proaktiv Maßnahmen zu ergreifen, die zu einer Verringerung der Retourenquote führen. Weitere Anwendungsmöglichkeiten für Machine Learning ergeben sich bei der Lagerung von Artikeln. Bislang ordnen häufig Mitarbeiter die einzulagernden Einheiten den vorgesehenen Lagerplätzen zu. Ist der Wareneingang nicht optimal konzipiert oder unterlaufen dem Mitarbeiter Fehler, kann dies zu Verzögerungen bei der Auslagerung führen und hohe Kosten verursachen. Auch muss die Lagerfläche optimal genutzt werden, um einen Mangel an Stellplätzen zu vermeiden. Somit ist eine zielgerichtete Strategie unerlässlich, um ein effizientes Einlagern von Waren zu gewährleisten. Mit Machine Learning können Anwender ihre Einlagerstrategie optimieren und damit das Lager bestmöglich auslasten.

Anwendungen einfach entwickeln

Das Microsoft Azure Machine Learning Studio bietet einen interaktiven, visuellen Arbeitsbereich, in dem Nutzer ein Analysemodell entwickeln und  testen. „Für uns als IT-Architekturhaus liegt der große Vorteil der Cloud-Lösung von Microsoft darin, dass wir sofort mit den Algorithmen arbeiten können, ohne Programmierarbeiten durchführen zu müssen“, sagt Hendrik Ohlms. „Wir entwickeln auf der Basis der vorliegenden Algorithmen intelligente Anwendungen, die aus einem frei wählbaren Datenbestand lernen. Aufgrund unseres Knowhows in den Bereichen Mathematik und Statistik sowie der umfangreichen Fachkenntnis über Logistikprozesse kennen wir dabei alle relevanten Parameter. Unsere Kunden erhalten eine umfassende Beratung sowie eine kompetente Unterstützung bei der Projektumsetzung“, erläutert der Teamleiter Vertrieb Business Solutions ERP.

Seiten: 1 2Auf einer Seite lesen

Sievers-SNC Computer & Software GmbH & Co. KG

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige