Mit KI stockende Lieferketten verbessern

Lieferketten sind in aller Munde, seitdem sie global häufig nicht mehr reibungslos funktionieren. Die Pandemie war aber nur der Auslöser, denn es gibt zahlreiche Trends, die für stetigen Wandel in der Lieferkette sorgen. Wer den Wandel aktiv mitgestalten möchte, braucht nicht nur Erkenntnisse, sondern die passende IT-Infrastruktur und eine Portion operative künstliche Intelligenz.
Bild: ©deagreez/stock.adobe.com

Die wichtigsten Treiber für den Wandel bei Fertigung und Lieferkette lassen sich grob in fünf Bereiche einteilen: Industrie, IT-Technologie, Nachhaltigkeit, Arbeitsmarkt und Cybersecurity. Die ersten beiden Bereiche bieten dabei die größten Verbesserungspotenziale:

Bei der industriellen Produktion erwarten 80 Prozent aller Unternehmen allein aufgrund der besseren Vernetzung und Verzahnung der Produktionspartner deutliche Effizienzsteigerungen. Durch die Einführung von Smart-Factory-Technologien gehen Experten von Kosteneinsparungen von 17 bis 20 Prozent aus. Deutliche Veränderungen stehen aber nicht nur bei Produktion und Logistik, sondern auch bei der Steuerung durch die Software-Plattformen an. Supply-Chain-Anwendungen haben Firmen bereits zu 90 Prozent in die Cloud verlagert, um agiler und flexibler auf Veränderungen reagieren zu können. Künstliche Intelligenz kommt vermehrt zum Einsatz, insbesondere bei der ‚Predictive Analysis‘, die große Datenmengen nutzt, um möglichst exakte Prognosen für die Entwicklungen in der den Lieferketten zu generieren.

Von traditionellen Lieferketten zur resilienten, flexiblen End-to-End-Logistik

Eine traditionelle Lieferkette ist dadurch gekennzeichnet, dass nur ein geringer Informationsaustausch zwischen den einzelnen Abschnitten stattfindet. Diese Silo-Bildung erschwert und verkompliziert nicht nur die zentrale Planung, sondern auch die adäquate schnelle Reaktion auf unvorhergesehene Veränderungen. Sie benötigt daher größere Puffer in Form von Lagern.

Eine zukunftsorientierte Lieferkette stellt die maximale Transparenz und intensiven Datenaustausch in den Mittelpunkt. Sie hofft nicht darauf, dass die Lieferkette so funktioniert, wie sie geplant wurde, sondern ist ein dynamischer Regelkreis, der aufgrund der gesammelten Daten ständig nachsteuert. Sie erkennt Veränderungen frühzeitig und trifft Voraussagen, um darauf schon im Vorfeld zu reagieren und Engpässe zu vermeiden. Diese prädikative Lieferkette ist dynamisch: Steigt etwa die Nachfrage nach einem Produkt an, justiert sie die Herstellung der Teile, das Assembly und auch die Logistik entsprechend nach.

Die Rolle der KI zur Stärkung von Lieferketten

Letztlich lässt sich eine Lieferkette auf drei Ebenen betrachten:

die physische Ebene: Sie beinhaltet die Produktionsplanung, Warehouse Automation, Factory Scheduling, Lagerverwaltung

die Informationsflussebene: Sie regelt, welche Informationen wo gesammelt, konsolidiert, versendet und verarbeitet werden, um eine verbesserte Informationslage herzustellen

die Finanzierungsebene mit Businessplanungen, Bedarfsprognosen, Inventarplanungen und Analysen

Für alle Ebenen fallen eine große Menge an Informationen an, die weit über die Datenmengen eines klassischen ERP-Systems hinausgehen. Künstliche Intelligenz und Machine-Learning-Algorithmen sind dafür geeignet, diese großen Informationsmengen zu verarbeiten, zu analysieren und Prognosen zu stellen. Das bedeutet aber auch, dass Unternehmen dafür andere IT-Infrastrukturen benötigen.

Microsoft liefert z.B. mit Azure Data Lake und Cosmos DB, den Interfaces zu Sensoren, ERP-Systemen und aktuellen Produktionsdaten das passende Backend. Mithilfe von Azure Synapse Analytics können Unternehmen komplexe Datenauswertungen über operationale und transaktionale Daten performant vornehmen.

KI operativ implementieren

Viele Unternehmen haben künstliche Intelligenz als potenzielle Lösungsmethodik für das Lieferketten-Management erkannt, scheitern aber nach einer ersten Validierung und eines erfolgreichen Probelaufs daran, die KI in die operativen Prozesse zu übernehmen. Sie haben für die höheren Anforderungen – verglichen mit Standard-Applikationen ¬ keine etablierten Prozesse: Die zu speichernden und verarbeitenden Datenmengen sind deutlich größer, außerdem müssen die der KI und Machine Learning zugrunde liegenden Daten regelmäßig neu validiert und die KI-Modelle erneut trainiert werden, um sich der veränderten Wirklichkeit regelmäßig anzupassen.

Seiten: 1 2Auf einer Seite lesen

www.blueyonder.com
Blue Yonder, Inc.

Das könnte Sie auch Interessieren

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.