Nutzen von Simulation und Künstlicher Intelligenz in der Intralogistik · 2019. 10. 8. · Nutzen...

Simulation in Produktion und Logistik 2019 Matthias Putz & Andreas Schlegel (Hrsg.) Wissenschaftliche Scripten, Auerbach 2019

Nutzen von Simulation und Künstlicher Intelligenz in der Intralogistik

Benefits of Simulation and Artificial Intelligence for Intralogistic Applications

Markus Klug, Georg Rief, Karina Konrath, SSI Schäfer IT Solutions, Friesach bei Graz (Austria),[email protected], [email protected],

[email protected]

Abstract: Warehousing is facing tremendous changes. E-Commerce is growing by 14 to 17% per year and the expected increase in the flexibility of production (see Industry 4.0) is having large effects on warehouse operations. Due to machine learning (ML) and Artificial Intelligence (AI) based technologies, ‘smart’ sales forecasts parsed into articles, stores and on a daily basis on the customer’s side are becoming hugely reliable. Greater flexibility within production is driving the digital models for creating adaptive warehouse processes. With Supply Chain modelling, predictive maintenance and Internet of Things (IoT), warehousing must become more subtle and adapt appropriately to the volatile surrounding dynamics. Simulation is an essential tool in addressing these new challenges. From the existing application of simulation to validating warehouse layouts together with the intended warehouse processes & approaches, simulation gains greater importance in providing a development & training environment, testbed and validation counterpart for AI & ML approaches. Dedicated ML solutions need to be sufficiently prepared (pre-trained) for their final operational purpose. In addition to showing the benefits of those new possibilities it also becomes necessary to address the possible obstacles and remaining limitations also need to be considered when integrating AI & ML into warehousing.

1 Aktuelle Herausforderungen und Trends in der Intralogistik

Die moderne Intralogistik ist einer enormen Veränderung unterworfen. Diese Veränderung gilt sowohl für Business-to-Customer (B2C), wie auch für Business-to-Business (B2B). Neue Möglichkeiten des 21. Jahrhunderts sind auch mit neuen Anforderungen verbunden, welche im Folgenden für die beiden genannten Bereiche dargestellt werden.

2 Klug, Markus; Rief, Georg; Konrath, Karina

1.1 Herausforderungen auf B2B Ebene

Bei der Tagung Simulation in Produktion und Logistik 2017 in Kassel hat Gottfried Mayer (2017) einen ersten Blick auf die Veränderungen durch Industrie 4.0 gegeben. Die sich daraus ergebenden Möglichkeiten der vernetzen Produktion und Auflösung von klassischen hierarchischen Strukturen aus Industrie 3.0 führen unweigerlich zu neuen Anforderungen an den Lagerbetrieb. Wie in der Abbildung 1 im Vergleich ersichtlich, waren im Industrie 3.0 Ansatz die Strukturen noch klar definiert und damit auch die Ansätze für Planung und Optimierung sowohl innerbetrieblich wie auch betriebsübergreifend gut beschreibbar. Dieser strukturierte Ansatz wird nun zugunsten eines netzwerkzentrieren Paradigmas in Industrie 4.0 aufgegeben. Die flexiblere Produktion bedarf einer reaktionsschnelleren Intralogistik, bzw. vorausschauender Services und Wartung und inkludiert neben dem direkt verbundenen Ersatzteilmanagement entsprechende Lagerbewegungen zur Sicherstellung der Materialverfügbarkeit während der Stillstände

Abbildung 1: Industrie 3.0 (Salari 2018a) vs. Industrie 4.0 (Salari 2018b)

Es kommt nicht von ungefähr, dass die zeitliche Entwicklung der Simulation allgemein und speziell der ereignisdiskreten Simulation mit dem Aufstieg von Industrie 3.0 zusammenfällt. Schon bei Industrie 3.0 hat die Komplexität den Bedarf moderner, computergestützter Lösungsansätze unausweichlich werden lassen. Die einschlägigen Veröffentlichungen zu Lagerlogistik von Garret (1968) und Hillman (1969) unterstreichen diese historische Dimension.

Visionen zum Thema Smart Factory der Zukunft, sind beispielsweise in den Videos von MagnaSteyrTV (2016) bzw. Car TV (2016) ersichtlich. Das Ende des Fließbandes wurde von Audi (2016) ebenfalls schon angekündigt. Diese neuen Konzepte führen hinsichtlich der intralogistischen Unterstützungsprozesse zu enormen neuen Herausforderungen. Adäquate Lösungsansätze, wie ebenen die Simulation zur

Nutzen von Simulation und Künstlicher Intelligenz in der Intralogistik 3

Entwicklung dafür notwendiger intelligenter Planungs-, Steuerungs- und Kontrollmechanismen werden unverzichtbar.

Das Werk von Hillier und Lieberman (2015) bietet einen umfassende Abhandlung der Optimierungsansätze für die bekannten klassischen Aufgabenstellungen in der Logistik. Schon von Arnold et al. (2008, S. 48) wird aber auf die „exponentiell mit der Problemgröße wachsenden Anzahl an Lösungen“, sprich den NP-schweren Aufgabenstellungen bei „kombinatorische Optimierungsprobleme bzw. MIP-Modelle“ hingewiesen. In diese Kategorie fallen Aufgabenstellungen wie beispielsweise eine Tourenplanung, ein Packproblem oder eine Auftragsreihenfolgeplanung. Aufgrund dieser Problemgröße werden Entwicklungen im Bereich des Quantencomputings als Co-Prozessor für zukünftige Lösungsverfahren schon heute beobachtet (vgl. Freedman 1998 sowie Harrow und Montanaro 2017).

Vernetzt sich nun die Produktion und flexibilisiert sie sich zugleich, werden auch die Modelle sofort um ein Vielfaches größer und bedürfen damit neuer Lösungsansätze. Beispielsweise beginnt dies schon beim Zusammenwirken von Transport- und Lagerlogistik: Muss der Transportplan immer die Bereitstellungen dominieren, oder ließe sich mit einer Verbindung beider Aufgabenbereiche global mehr Effizienz erzielen?

1.2 Herausforderungen auf B2C Ebene

E-Commerce ist seit der Etablierung von Amazon die treibende Kraft im B2C-Versandhandel und damit auch in der Lagerlogistik. Der Bundesverband E-Commerce und Versandhandel Deutschland e.V. (2019) hat in seiner Studie ein Wachstum von 11,1% im abgelaufenen Jahr 2018 festgestellt, wobei insbesondere der Lebensmittelversand mit mehr als 20% Zuwachs zum Vorjahr hervorstach. Speziell Lebensmittel gehören zu jenen Produkten, die von der Lager- und Transportlogistik aufgrund der Anforderungen an das Lagerumfeld (tlw. Kühllager) bzw. die Transportkette sowie oftmals beschränkte Haltbarkeit, als herausfordernd zu betrachten sind.

Der e-Commerce Versandhandel ist zusätzlich mit gestiegenen Erwartungshaltungen seitens der Kunden konfrontiert. Immer kürzere Lieferzeiten mit gleichzeitiger Vorgabe einer Komplettlieferung ohne Fehlmengen stellen viele Händler vor erhebliche Probleme. Die Unternehmensberatung Kurt Salomon hat erhoben, dass bei mehr als 60 deutschen Fashion-Händlern die Lieferzeit vor Weihnachten von 3,1 Tage in 2017 auf 4,8 Tage in 2018 gestiegen ist (Lehmann 2019). Zusätzlich diversifizieren alternative Auswahlmöglichkeiten beim Versandweg der Onlinekunden die Logistikabläufe, wie beispielsweise Click & Collect, sprich das Abholen von im Internet bestellten Artikeln im Shop.

Nur ein sehr kleiner Teil der im Einzelhandel etablierten Händler verfügen dabei über die Größe, welche eigene, für den jeweiligen Absatzkanal (Shopbelieferung, e-Commerce, Warenverteilung etc.) spezialisierte Lagerlösungen legitimiert. Die Vielzahl an vor allem neuen Projekten werden jedoch vor dem Hintergrund konzipiert, alle diese Absatzkanäle und die damit verbundenen, hochgradig unterschiedlichen Auftragsstrukturen, Volumina und Versandwege gleichzeitig bedienen zu können.


Diese unterschiedlichen Auftragsstrukturen, mitsamt eventuell verschiedener Verpackungs- / Versandgebinde, stellen entsprechend komplexe Anforderungen an den Lagerbetrieb. Diese Tatsache wird auch noch durch die, über das Jahr gesehen enorm schwankende, Ausliefermenge verstärkt.

Verdeutlicht man sich den „Pulsschlag“ des Einzelhandelsumsatzes, so sind regelmäßigen Jahresspitzen zur Weihnachtszeit üblich. Die ersichtlichen Umsatzspitzen und –täler lassen sich direkt auf die zu kommissionierenden Mengen und den dazugehörigen Durchsatz- sowie Platzbedarf im Lager übertragen.

Die zusätzlich notwendige Intralogistikleistung in Zeiten eines erhöhten Bedarfes kann auf zwei Arten bereitgestellt werden: Einsatz von mehr physischen oder personellen Ressourcen je nach Lagergrundkonzept und/oder intelligenter Lösungen softwareseitig. In Zusammenhang mit Industrie 4.0 und KI fragen die Lagerbetreiber vermehrt nach diesen smarten KI-gestützten Lösungsansätzen. Das Anforderungsspektrum reicht dabei von der Abdeckung der Leistungsspitzen durch eine maximale Ressourcennutzung bis zu einem ökonomischen Lagerbetrieb in Schwachlastzeiten. Ungeachtet der jeweiligen Auftragslage haben die Logistikosten pro Auftragszeile möglichst konstant gehalten zu werden. Permanentes Ausreizen der technischen Komponenten ist aus Verschleiß- und Energieeffizienzgründen nicht empfehlenswert.

1.3 Potentiale

In der Studie von Riemensperger (2016) wurden die folgenden drei Ziele am häufigsten in Zusammenhang mit Industrie 4.0 Anwendungen anteilsseitig genannt:

• 69% Verbesserte Prozesse • 57% Verbesserte Kapazitätsauslastung • 50% Schnellere Umsetzung von individuellen Kundenwünschen

Diese drei meistgenannten Ziele lassen sich auch in der Intralogistik beobachten und sollen daher aus dem Blickwinkel der Intralogistik näher beleuchtet werden.

Verbesserte Prozesse

Um das Ziel der verbesserten Prozesse zu verstehen, soll mit der nachfolgenden Abbildung 3 ein Überblick über die wichtigsten Lagerlogistikprozesse gegeben werden, wobei die Grafik keinen Anspruch auf Vollständigkeit erhebt.


Abbildung 3: Überblick wichtiger Lagerlogistikprozesse

Ausgewählte Beispiele aus der Praxis für derartige Prozessverbesserungen sind:

1. Zeit vom Wareneingang bis zur Verfügbarkeit im Lagersystem: Die physische Ankunft von Ware beim Wareneingang des Lagers und die Verfügbarkeit der gleichen Ware für Kommissionieraufträge ist ein wichtiger Zeitfaktor. Dabei wird fallweise versucht, durch manuelle Priorisierung oder Übersteuerung der aktuellen Bearbeitungsreihenfolge der Ware diesen Zeitbedarf vermeintlich positiv zu beeinflussen. Frühzeitige Übermittlung von Begleitscheinen zur Vereinfachung des Wareneinganges weg von der gesamten Erfassung hin zur Kontrolle wird zu einem Digitalisierungs- und Prozessthema. Besonders wenn mit Cross-Docking konzernintern vom zentralen Wareneingang ausgehend noch ein Verteilverkehr mitberücksichtigt werden muss, hat der zusätzliche Umschlags- und Transportaufwand im Vergleich zur Direktbelieferung durch prozessseitige Effizienzsteigerungen zumindest egalisiert zu werden.

2. Fehlteilhandling: Fehlmengen in der Auftragserledigung werden zum nächstmöglichen Zeitpunkt im Allgemeinen mit höchster Priorität bearbeitet. Diese Abarbeitung, oftmals kleiner Mengen und geringer verbliebener Zeilen pro Auftrag außerhalb des normalen Lagerprozesses, führt zu überdurchschnittlich hohen Aufwänden gemessen an der erbrachten Logistikleistung. Durchgängige Berücksichtigung auch derartiger Abläufe und Integration diesbezüglicher Verfahren in den Lagerbetrieb minimieren dabei auch das Risiko, mit den restlichen Aufträgen des Tages in Rückstand zu geraten.

3. Retourenhandling und Leergutmanagement: Mangels beigemessener Relevanz werden Retouren bzw. Leergebinde nicht immer im zentralen Lagerablauf


integriert. In Konseuquenz kann dies sogar zur Vernichtung zurücklaufender Ware führen, anstatt zur erneuten Bereitstellung im Warenkreislauf. Insbesondere wenn die Prozesskosten den Warenwert übersteigen: Dies widerspricht auch dem Nachhaltigkeitsaspekt. Wenn es sich bei dem Lager nicht um ein e-Commerce Lager handelt, lassen Häufigkeit und Menge an Retouren auch eine Aussage über die Lieferqualität zu. Überstieg die kommissionierte Menge die Bestellmenge oder wenn es zur Bereitstellung falscher Ware kam, so sind Prozessseitige Instabilitäten unübersehbar.

Verbesserte Kapazitätsauslastung

Neben den schon illustrierten Bedarfsschwankungen sind Änderungen im Geschäftsumfeld des Lagerbetreibers prägend für den Lagerbetrieb. Dazu gehören Veränderungen im angebotenen Produktportfolio (z.B.: der Wechsel von Sommer zu Winterkollektion im Fashion-Bereich oder die Weiterentwicklung oder Abkündigung von Erzeugnissen, aber auch Übernahmen von Mitbewerbern. Unausgeglichene Auslastungen sowohl von Automatisierungstechnik (Gassen mit Regalbediengeräten) wie auch Arbeitsplätzen sind die Konsequenz, wenn die veränderten Anforderungsfrequenzen für Artikel lagerseitig nicht entsprechend analysiert und das Lager rekonfiguriert wird. Längere Wege in die hinteren Lagerbereiche oder reduzierte Kommissionierleistung aufgrund geringeren Warendurchsatzes bei der Bereitstellung sind eine Konsequenz daraus. Neben den Optimierungen (vgl. Elbert et al. 2015) bedarf es Schwellwerte zum Erkennen der Zeitpunkte für diese Reorganisationsmaßnahmen.

Schnellere Umsetzung von individuellen Kundenwünschen

Im Bericht von Furmans und Deml (2014, S. 21) wurden bei 21 befragten Unternehmen insgesamt 138 Value-Added Tätigkeiten im Zuge des Lagerbetriebs erhoben. Neben Administrativen Dienste wie Zoll, Transport und rechnungsbezogene Dienste sind es auch materialflussbezogene Dienste, welche mit der Erfüllung von Kundenwünschen einhergehen. Neben einfachen Tätigkeiten, wie die bessere Integration der versendeten Teile in das System des Empfängers durch kundenspezifische Etiketten an der Ware bis zur Kit-Bildung, also der Vormontage von einzelnen Bauteilen zu Halbfertigprodukten, werden dabei weitere, im Allgemeinen einnahmewirksame, Leistungen erbracht. Um gleichzeitig die entsprechenden Versandzeiten einzuhalten muss der operative Lagerbetrieb und die Auftragsplanung und -optimierung mit diesen optionalen Zusatzprozessen umgehen können, ohne dabei die Gesamtperformance zu reduzieren.

Chui et al. (2018) von McKinsey werteten in ihrer Veröffentlichung 400 dem Thema KI zugeordneten Anwendungsfällen aus. Dabei wurden in den Bereichen Transport und Logistik sowie Retail Performancesteigerungen bei Einsatz von Künstlicher Intelligenz (KI) in der Höhe von zusätzlichen 89% bzw. 87% gegenüber den bisherigen analytischen Techniken der Datenauswertung ermittelt. In diesen beiden Bereichen wurde mit dem Einsatz von Künstlicher Intelligenz (KI) eine Wertsteigerung von über 400 Mrd. US$ (Transport und Logistik) bzw. über 600 Mrd. US$ (Retail) erhoben. Diese dezidierten KI-basierenden Auswirkungen erreichen einen Anteil von 40% an den gesamten Verbesserungen durch den Einsatz von analytischen Methoden. Quantitativ wurde ein Wertsteigerungspotential von analytischen Ansätzen im Bereich Supply-Chain Management und Manufacturing mit 3,6 – 5.6 Billionen US$ angegeben, wobei KI davon 1,2 – 2.0 Billionen US$ beiträgt.


1.4 Geänderte Rahmenbedingungen

Neben dem schon erwähnten Anwendungsgebiet Supply-Chain Management und Manufacturing wurde durch die genannten Studienautoren ein weiterer Bereich, mit noch größerem Potential identifiziert: Marketing and Sales. Beide Bereiche haben schon jetzt direkte Auswirkung auf die Intralogistik. In Abbildung 4 ist dargestellt, auf welchen Ebenen schon KI-gestützte Methoden im Einsatz sein können und wo darauf reagiert werden muss.

Abbildung 4: Intralogistikumwelt

Auf Ebene der ERP-bezogenen Absatzplanungstools sind inzwischen KI-gestützte Prognoseverfahren im Einsatz: Die Absatzprognosen werden dabei insbesondere im Einzelhandel auf Tag, Artikel und Absatzkanal / Geschäft heruntergebrochen und errechnet, wobei eine korrekte Prognose mit einer Wahrscheinlichkeit von 90% erzielt wird (Otto GmbH & Co KG 2014). Diese neue Informationsqualität ermöglicht dem Lager grundsätzlich, sich auf die täglich geänderten Anforderungen intelligent einzustellen. Bestehende Zoneneinteilungen und andere früher fixe Zuordnungen werden – wenn nicht obsolet – zumindest in hohem Maße aufgeweicht.

Ebenfalls auf dieser Ebene sind zunehmend sogenannte „Recommender Systeme“ mit integrierten KI Ansätzen vorhanden. Diese impliziten Verbindungen der Artikel über den Webshop führen bei erfolgreich umgesetzten Systemen gleichermaßen zu Häufungen im Kommissionierablauf der Lagerlogistik.

Auf Ebene der Lagerinfrastruktur finden sich intelligente, lernende Lösungen unter dem Stichwort Predictive Maintenance. Die Zusammenführung von Sensor- und Aktuatorinformationen mit Maschinen und Betriebsdaten zur Vorhersage von Ausfällen ermöglicht kosteneffizientere Prozesse bei der Wartungs- und Instandhaltungsplanung (vgl. Oelker et al. 2017). Über den bekannten Zweck des Personal- und Ersatzteilmanagements hinaus bietet die Vorhersage der Restlebensdauer einer Lagerkomponente die Möglichkeit, Ware im verbliebenen Zeitraum vor Beginn der Wartung bzw. dem Ausfallseintritt rechtzeitig in andere Lagerbereiche umzulagern. Somit minimeren sich die Auswirkungen eines Stillstandes. Lagerplatzsuchalgorithmen werden in diesen Fällen auch nur für jene


einzulagernde Ware berücksichtigen, die bis zur Wiederinbetriebnahme mit hoher Wahrscheinlichkeit nicht benötigt wird.

2 Historische Betrachtung

Der Einsatz von KI in Verbindung mit Simulation zur Entwicklung besserer, automatisierter Entscheidungsverfahren ist nicht neu. Die wissenschaftlichen Veröffentlichungen dazu reichen zurück bis in das Jahr 1988 (Wong et al., 1997; Kumar et al., 2014). Beispielsweise diskutieren Bruzzone et al. (2002), Bruzzone und Orsoni (2003) sowie Bruzzone et al. (2004) KI-gestützte Entwicklungen für Logistikaufgaben in Verbindung mit Simulation und Bandinelli et al. (2004) versuchen kritische Ereignisse ebenfalls mittels KI zu antizipieren.

Der um die Jahrtausendwende angewendete klassische, supervised Ansatz, bei welchem Inputdaten und Ergebnisse für den Aufbau eines neuronalen Netzes genutzt werden, führte bei den bekannten Anwendungsfällen der Bild- und Mustererkennung zu guten Ergebnissen (Fausett, 1994; Bishop, 2010; Hinton, 1992). Für die Zweck der Logistik war dieser jedoch unzureichend, da Ergebnisse, im speziellen die gesuchten unbekannten operativen Optima, im sich täglich verändernden Betrieb, im Allgemeinen nicht vorlagen.

Reinforcement Learning nach Sutton und Barto (2017) ermöglicht es, aus den Veränderungen zu lernen, und damit Wissen computergestützt aufzubauen. Darauf aufbauend konnte mit der Hyperparameteroptimierung durch Bergstra et al. (2011) die Lerngeschwindigkeit erheblich verbessert werden.

Um neue, erst in der Realisierung befindliche Lagersysteme mit lernenden Technologien auszustatten, müssen diese zumindest vorangelernt werden. Das Simulationsmodell, im Sprachgebrauch von Industrie 4.0 als Digitaler Zwilling bezeichnet, ersetzt den realen Lagerbetrieb und trainiert frühzeitig die intelligenten Steuerungsansätze.

Das beste Beispiel für diese zwanzigjährige Entwicklung von computergestützten Lernverfahren ist die Anwendung beim Schachspiel. Auch ein Schachspiel hat, wie Logistikabläufe klar definierte und algorithmierbare Grundlagen. Der Suchraum ist überaus groß. Hat 1996 noch der Großmeister Gary Kasparov gegen die erste Version von Deep Blue gewonnen, wurde der beste Schachspieler der Welt ein Jahr später durch eine verbesserte Version des damaligen KI-Systems besiegt (Kasparov, 2018). Das 1997 erfolgreiche KI-System „Deep Blue“ konnte durch seine Rechenleistung von 200 Millionen Stellungen pro Sekunde und mit einer Datenbank aller bisherigen Spiele des Gegners im elektronischen Gedächtnis, mittels einfach gehaltener Ansätzen erfolgreich die Dominanz des Menschen brechen. Etwas mehr als 20 Jahre später hatte sich ein generischer Reinforcement Learning Ansatz, lediglich die Regeln kennend, das Schachspiel selbst beigebracht. Nur gegen sich selbst spielend war es in der Lage nach vier Stunden so viel Information eigenständig anzusammeln, um das aktuell beste aufgabenspezifisch entwickelte Schachprogramm zu schlagen (Silver et al., 2018).


3 Handlungsfelder

Die sich daraus ableitenden Herausforderungen an ein zukünftiges Lagersystem, werden, getrennt nach den drei Ebenen Taktisch, Operativ und Strategisch betrachtet, wobei die nachfolgende Liste keinen Anspruch auf Vollständigkeit erhebt:

Taktisch (täglicher Lagerbetrieb):

• Effiziente Auftragsabwicklung (wobei die zu definierende Zielfunktion anwender- bzw. standortspezifisch ist und sich auch dynamisch verändern kann)

• Homogenisierter Materialfluss: Adaptives Management der Fördertechnikkomponenten im Gesamtkontext der Lagerinfrastrukturkomponenten und vorausschauende Vermeidung von Engpässen

• Flexibilität beim Lagerbetrieb für die Integration von Prioritätsaufträgen

Operativ (Auftragsmanagement):

• Durchsatzmaximale Auftragsreihenfolge • Minimierung von Gleichzeitigkeitseffekten, (Anforderungen von gleichen

Quellbehältern durch mehrere Zielstationen oder gleichzeitiges Aufschalten von Aufträgen an mehreren Zielstationen)

• Balancierung der Stationslasten (auch strategisch zu betrachten) • Ressourcenmanagement (Mitarbeiter, mehrfach verwendbare

Infrastrukturkomponenten) • Maximierung der „Lagerdurchhaltefähigkeit“: Im Militärwesen wird der Begriff

„Durchhaltefähigkeit“ folgendermaßen definiert: „Fähigkeit von Streitkräften, ihren Einsatzwert im Hinblick auf das Operationsziel für eine bestimmte Dauer in ausreichendem Maße zu erhalten.“ (Bundesministerium der Verteidigung, 2001, S. 12). Vergleichbares lässt sich auf den Lagerbetrieb anwenden, wenn die Aufträge mit dem Ziel der Maximierung der bearbeitbaren Aufträge auf Basis der verfügbaren Lagerstände hin berechnet werden. Diese Optimierung unterscheidet sich im Ansatz wie auch im Ergebnis von der Durchsatzmaximalen Auftragszuteilung. Motivation ist, den produktiven Lagerbetrieb möglichst lange aufrecht zu erhalten. Damit können in dem derart maximierten Zeitraum einerseits eine höchstmögliche Anzahl an Aufträgen bearbeitet werden, während gleichzeitig ein zielgerichteter Nachschub die vorhandenen Fehlmengen gemäß gesamtem Auftragsstand ergänzt.

Strategisch (Lagerstruktur):

• Artikelzuordnung zu Bereichen und/oder Stationen • Intelligente Lagerplatzsuche

In diesen Bereichen sind durch die Beobachtungen und Analysen der bestehenden Lagersysteme im Feld Potentiale erkennbar, einige davon bereits umgesetzt.

4 Bisher erzielte Ergebnisse

Es ist schließlich ein orchestriertes Verbinden der im vorherigen Kapitel genannten Handlungsfelder, welches zu einem besseren Ergebnis führt. Die dahinterliegende Vision ist es, dem Kunden ein Lagersystem zur Verfügung stellen zu können, das ausnahmslos nur mehr durch die Leistungsgrenzen der technischen Komponenten


beschränkt wird, nachdem softwareseitig sämtliche Potentiale des Lagers berücksichtigt werden.

Insbesondere automatisierte Systeme sind durch die hohen, sich zu amortisierenden Investitionskosten von besonderem Interesse.

4.1 Lösungen in Teilbereichen

Die ausgewählten Lösungen sind nachfolgend im Kontext des Prozessverlaufes skizziert. Der geneigte Leser möge verstehen, wenn aus Wettbewerbs- und Geheimhaltungsgründen aber auch aus Platzgründen von einer detaillierten Beschreibung der Lösungsverfahren abgesehen wird, wie auch Skalen gegebenenfalls nicht angeführt werden.

4.1.1 Artikelzuordnung

Die Aufteilung von Artikeln innerhalb von mehreren Kommissionierbereichen stellt eine klassische Optimierungsaufgabe dar und wird mit bekannten Metaheuristiken gelöst. Die Anzahl der Artikel liegt dabei im vier bis fünfstelligen Bereich, die Anzahl an Bereichen ist zwei- bis dreistellig.

Oftmals ist mit der Zuordnung aber auch die Frage verbunden, wie eine Abweichung von der erhaltenen Lösung der Zuordnungsoptimierung durch Änderungen im Geschäftsumfeld erkannt werden kann. Es bedarf also ein, der Sensitivitätsanalyse des Simplex-Verfahrens entsprechendes, Analogon bei der Anwendung metaheuristischer Verfahren.

In Abbildung 5 ist ein derartiges Ergebnis dargestellt, welches als gestrichelte Linie den „Grenzwert“ des derzeit gültigen Ergebnisses darstellt, während die Balken die, gemäß der hinterlegten Zeitperiode gemessenen Performancewerte illustrieren. Ein Überschreiten der gestrichelten Linie ist ein Indikator dafür, dass die bestehende Artikelzuordnung voraussichtlich neu optimiert werden muss.

Abbildung 5: Tägliche Schwankungen und Benchmark zur Re-Optimierung, Darstellung anonymisiert


4.1.2 Lagerplatzsuche

Bestehende Lagerplatzsuchansätze für automatisierte Systeme fokussieren auf statische Informationen im Lager, wie beispielsweise Auslastungsgrad, Füllgrad des Einlagerstiches, innere Artikelüberdeckung (Anzahl von Gebinden mit den gleichen Artikeln in einer Gasse etc.). Schieflasten bei den Anforderungen (Kumulierung von Aufträgen in wenigen Gassen) und damit Performanceeinbußen sind a priori unvermeidbar. Mittels intelligenter Algorithmen lassen sich schon bei der Einlagerung derartige Performanceverluste minimieren.

4.1.3 Artikelreihenfolgeanforderungen innerhalb von Aufträgen

Lagerbetreiber stellen zunehmend Anforderungen hinsichtlich der Reihenfolge, in der Artikel in ein Versandgebinde geschichtet werden. Gründe dafür sind beispielsweise gewichtsbezogen (schwere Artikel zuerst) oder eine Aufwandsminimierung bei der Verteilung der Ware im Geschäft.

Daraus ergeben sich konsequenterweise im Lagerbetrieb auf Materialflussebene zusätzliche Restriktionen durch notwendige Wartezeiten der auszulagernden Gebinde.

Algorithmische Lösungen ermöglichen es, diese Zusatzanforderung ohne Leistungsreduktion im Lagerbetrieb zu berücksichtigen.

4.1.4 Bottleneck-Vermeidung

In Abbildung 6 sind die Übergabebereiche zwischen Einebenen-Shuttles für den horizontalen Förderverlauf und Hebern zur Durchführung vertikaler Bewegungen dargestellt.

Abbildung 6: Blick auf ein Shuttle-Lager mit stirnseitig verfügbare vertikale Lagertechnik (Heber) und Übergabeplätze daneben

Derartige Übergabebereiche können sich im Betrieb als Engstellen erweisen. Mittels lernender Verfahren lassen sich gegebenenfalls auftretende längere Aufenthaltszeiten auf den Übergabeplätzen, insbesondere bei Reihenfolgeanforderungen von Gebinden, frühzeitig prognostizieren und folglich die Auslagerungen materialflusstechnisch verstetigen.


4.1.5 Intelligente Packbildgenerierung

Kundenspezifisch zusammengestellte Paletten oder Rollbehälter aus zustapelnder Ware unterschiedlichster Größe implizieren technische Anforderungen an die Reihenfolge, der für die automatisierte Kommissionierung auszulagernden Ware. In Abbildung 7 ist der häufigste Anwendungsfall, die robotergestützte Kommissionierung, ersichtlich. Dieser automatisierte Palettenbau kann nur derart erfolgen, indem die Palette von innen nach außen zusammengestellt wird. Der Roboterarm kann – auch wenn technisch möglich nur sehr zeitaufwändig Lücken mit weiterer Ware befüllen. Damit bedarf es entsprechender Reihenfolgeanforderungen durch die errechnete Packlösung.

Abbildung 7: Kundenspezifisch erstellte Palette – Aufbau

Auch hier bieten aktuelle Verfahren aus dem Data Science Umfeld die Möglichkeit, die Problemgröße intelligent zu reduzieren und die Reihenfolgeanforderungen folglich aufzuweichen. Bei gleicher Qualität wird der Betrieb effizienter unterstützt und die Planungsaufgaben (und damit die Rechenzeit) reduziert.

4.2 Lagerbetrieb

Das erste Lager, welches durch ein Zusammenspiel der oben angeführten Technologien verlässlich den ganzen Tag hindurch an der technischen Leistungsgrenze der installierten Komponenten operiert, ist inzwischen in Betrieb gegangen. Die oben genannte Vision der reinen technischen Begrenzung ist Realität geworden.

Im begleitenden Simulationsmodell wurden die limitierenden technischen Leistungsgrenzen erhöht. Diese Änderung hatte ohne Anpassungen bei den modellseitig enthaltenen Betriebsstrategien den Effekt, dass sich auch die Gesamtleistung erheblich steigerte.

5 Notwendige Rahmenbedingungen

Organisation und Mensch müssen in dieser technologischen Veränderung mit einbezogen werden. Auch KI-Modelle müssen hinsichtlich ihrer Gültigkeit den bestehenden Ansätzen der Validierung und Verifikation genügen.


5.1 Darf ein KI System auch Probleme ungelöst lassen?

Die Gartner Analystin Helen Poitevin hat in einem Gespräch die Frage aufgeworfen, ob ein KI System in der Lage sein soll, eine Problemstellung wieder an den Aufgabensteller ungelöst zurück zu werfen (vgl. Revang et al. 2018). Wie in dem Beitrag geschrieben, wird oft die Meinung vertreten, dass der Computer alles löst. Vergleichbar mit einem Kind, welches Sachverhalte schon gelernt hat, andere aber noch nicht, liegt es in der Verantwortung des Data oder Computational Scientist die Möglichkeit zu berücksichtigen, dass Problemstellungen, für die ein Machine Learning noch nicht vorbereitet wurde auch wieder ungelöst retourniert werden können. Alternativ kann im Zuge einer Eingangsprüfung mittels Vergleich der übergebenen Problemstellung zu den (bisherigen) Trainingsdaten eine IT-gestützte Bearbeitung abgebrochen werden.

5.2 Wie gehen betroffene Management-Ebenen mit dem Verlust der Entscheidungsbefugnis um?

Die Diskussionen mit Kunden, welche sich gewisse Entscheidungen oftmals vorbehalten, obwohl der Computer sehr viel besser in der Lage ist, diese zu treffen zeigt, wie wenig Organisationen sich bis dato vorbereitet haben, mit den neuen Möglichkeiten umzugehen. Dieser Zeitgewinn stünde für Überlegungen zu Innovationen und betrieblichen Verbesserungen zur Verfügung. Es breitet sich sogar manchmal das subjektive Gefühl aus, dass diese Ablehnung, Verantwortung abzugeben auch mit dem Umstand zu tun hat, die dadurch gewonnene Zeit nicht mehr anderweitig sinnvoll und innovativ nutzen zu können. Der tägliche Betrieb hat viel vom Innovationspotential innerhalb der Firmen regelrecht versenkt, welches nun unwiederbringlich verschwunden ist. Beispielhaft lässt sich dies am jährlich erhobenen „Engagement Index“ des Gallup Instituts erkennen (Gallup, 2018).

Diese Frage stellt zu einem erheblichen Grad ein Deja Vu dar. Schon früher mussten mit der Implementierung von simulationsgestützten Lösungen als Decision Support Tool bei Auftraggebern zu diesem Punkt oft intensive Gespräche geführt werden.

5.3 Wie siegt ein Data Science Support außerhalb der Bürozeiten aus und welche Alternativen stehen bereit?

24/7 Betriebszyklen, insbesondere zu Spitzenzeiten bedeuten auch eine permanente Anwendung derartig neuer Ansätze, die nicht mehr vom normalen Support hinreichend bearbeitet werden können. Was tut der Hersteller bzw. Anbieter von smarten Algorithmen, wenn seine Implementierung außerhalb seiner normalen Bürozeiten Probleme die Anlage verursachen?

Die bisherigen, wenn auch weniger performanten Ansätze in der IT werden auch zukünftig nicht obsolet. Sie ganz im Gegenteil immer dann besonders von Bedeutung, wenn ein „Umschalten“ auf die klassischen Verfahren notwendig wird, um den Betrieb aufrecht zu erhalten, bis am nächsten Arbeitstag eine entsprechend berufene Person sich mit den Gründen der Fehlfunktion beschäftigen kann.


5.4 Wie gut kann die computergestützte Entscheidung dem Betreiber plausibilisiert werden?

Schon zu Zeiten der klassischen Bild- und Mustererkennung war das Neuronale Netz oftmals eine Black-Box, die im Allgemeinen korrekt arbeitete und meist nur dann fehlerhafte Ergebnisse lieferte wenn auch die menschliche Beurteilung schwerfiel.

Für den Intralogistikbetrieb ist es absehbar, dass sich der Betreiber in entsprechender Verantwortungsposition mit dem KI System misst und versucht die getroffenen Computerentscheidungen in Frage zu stellen. Wenn nun die KI nicht Auskunft geben kann, warum eine andere Entscheidung getroffen wurde als der bisher dafür verantwortliche Mitarbeiter sie getroffen bzw. erwartet hätte, wird die KI auch bei nur wenigen Fehlern als untauglich ausgesondert.

Die Defense Advanced Research Projects Agency (2016) hat inzwischen ein Programm unter dem Titel „Explainable Artificial Intelligence (XAI)“ ausgerollt, welches mit dem Ziel gestartet wurde auch das computergestütztes Lernen erklärbar zu machen.

Diese Möglichkeit, in die KI hineinzusehen, beinhaltet einen nicht zu unterschätzenden Vorteil: Der Mensch kann vom Computersystem und dessen „Erkenntnissen“ wiederum selbst lernen und damit historisch entstandene (Vor-)Urteile in der Entscheidungsfindung hinterfragen, die sich sonst weiter manifestiert hätten.

6 Zusammenfassung und Ausblick

Die Intralogistik steht an einer neuen Zeitschwelle. Klassische Lagerparadigmen werden sehr bald obsolet und die Komplexität der Lagersysteme nimmt mittels Industrie 4.0 polynomial bis exponentiell zu. Smarte, selbstlernende Systeme werden in Zukunft vom interessanten Feature zur notwendigen Grundlage für einen, die Betreiberbedürfnisse abdeckenden, Lagerbetrieb.

Ergebnisse aus der akademischen Grundlagenforschung, wie der anwendungsbezogenen, Entwicklung sind dafür essenziell. Die illustrierten Aufgabengebiete eröffnen für die Zukunft aber eine Vielzahl an neuen Forschungsfeldern, die es zu erschließen gilt.

Danksagung

Es möge der Vielzahl weiterer Kolleginnen und Kollegen geankt werden, die innerhalb von SSI Schäfer zu dieser Thematik mit zusätzliche Ideen, Ansätzen, Diskussionen und Fragestellungen beigetragen haben. Insbesondere hat die Geschäftsführung der SSI Schäfer IT Solutions schon seit Jahren an dieses Thema geglaubt und entsprechende Handlungsfreiheit und Unterstützung gewährt.

Ebenfalls wird der Tagungsorganisation für die Anregungen zur Qualität und den Themenschwerpunkten gedankt.


Literatur

Arnold, D.; Isermann, H.; Kuhn, A.; Tempelmeier, H.; Furmans, K.: Handbuch Logistik. Berlin: Springer 2008.

Audi (17.11.2016): Audi TechDay Smart Factory: PRESSE–BASISINFORMATION. Feigl, Kathrin. Online verfügbar unter https://audimediacenter-a.akamaihd.net/system/production/uploaded_files /1146/file/ecb5e061b6603d59cb1c753431248e64fbde4ae6/161117_Audi_TechDay_Smart_Factory_DE.pdf, zuletzt geprüft am 08.07.2019.

Bandinelli, R.; Iacono, M.; Orsoni, A.: Anticipating critical events to improve the remote scheduling of coordinated production. In: Al-Dabass, D. (Hrsg.): International Journal of Simulation: Systems, Science, and Technology. Nottingham UK 2004, S. 1–8.

Bergstra, J.S.; Bardenet, R.; Bengio, Y.; Kégl, B.: Algorithms for Hyper-Parameter Optimization. In: Shawe-Taylor, J.; Zemel, R.S.; Bartlett, P.L.; Pereira, F.; Weinberger, K.Q. (Hrsg.): Advances in Neural Information Processing Systems 24, Granada Congress and Exhibition Centre, Granada SPAIN, 12. - 15. Dezember 2011, 2011,

Bishop, C.M.: Neural networks for pattern recognition Oxford: Oxford Univ. Press 2010.

Bruzzone, A.; Orsoni, A.: AI and simulation-based techniques for the assessment of supply chain logistic performance. In: Proceedings 36th Annual Simulation Symposium (ANSS-36 2003), Orlando, FL, USA, 30. März -2. April 2003, 2003, S. 154–164.

Bruzzone, A.; Orsoni, A.; Mosca, R.; Revetria, R.: AI-based optimization for fleet management in maritime logistics. In: Yücesan, E.; Chen, C.-H.; Snowdon, J.L.; Charnes, J.M. (Hrsg.): Proceedings of the 2002 Winter Simulation Conference, Manchester Grand Hyatt San Diego, CA, USA, 8. - 11. Dezember 2002, 2002, S. 1174–1182.

Bruzzone, A.G.; Revetria, R.; Simeoni, S.; Viazzo, S.; Orsoni, A.: Anticipating the Chaotic Behaviour of Industrial Systems Based on Stochastic, Event-Driven Simulations. In: Dubois, D.M. (Hrsg.): Proceedings of the conference CASYS'03 - Sixth International Conference,, Liège (Belgium), 11. -16. August 2003, 2004, S. 557–565.

Bundesministerium der Verteidigung: Wörterbuch der Bundeswehr für Einsätze der Streitkraft: Allgemeiner Umdruck 1/200. Unter Mitarbeit von Führungsstab der Streitkräfte III 6. Hg. v. Generalinspekteur der Bundeswehr, Streitkräfteamt -Abt IV 4 Dv- Bonn (DSK F3433320124), 2001, zuletzt geprüft am 12.07.2019.

Bundesverband E-Commerce und Versandhandel Deutschland e.V., 2019: INTERAKTIVER HANDEL IN DEUTSCHLAND: Ergebnisse 2018, Ausgewählte Studiencharts. Online verfügbar unter https://www.bevh.org/fileadmin/content/05_presse/Auszuege_Studien_Interaktiver_Handel/Inhaltsverzeichnis_fu__r_bevh_Gesamtbericht_Interaktiver_Handel_in_Deutschland_2018.pdf, zuletzt geprüft am 25.06.2019.

Car TV, 2016: Audi Smart Factory - Future of Audi Production. Online. Online verfügbar unter https://youtu.be/sqCbYd8O8MU, zuletzt geprüft am 25.06.2019.

Chui, M.; Manyika, J.; Miremadi, M.; Henke, N.; Chung, R.; Nel, P.; Malhotra, S., 2018: Notes from the AI frontier: Applications and value of deep learning, Discussion Paper. Hg. v. McKinsey & Company. Online verfügbar unter


https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning, zuletzt geprüft am 26.06.2019.

Defense Advanced Research Projects Agency, 2016: Explainable Artificial Intelligence (XAI): Broad Agency Announcement, Information Innovation Office Arlington, VA (USA) (DARPA-BAA-16-53). Online verfügbar unter https://www.darpa.mil/attachments/DARPA-BAA-16-53.pdf, zuletzt aktualisiert am 10.08.2016, zuletzt geprüft am 27.06.2019.

Elbert, R.; Franzke, T.; Glock, C.H.; Grosse, E.H.: Picker Blocking in manuellen Kommissioniersystemen – Eine simulationsbasierte Analyse. In: Rabe, M.; Clausen, U. (Hrsg.): Proceedings ASIM 2015 Conference "Simulation in Production and Logistics 2015": A Simulation-based Analysis of the Effects of Picker Blocking in Manual Order Picking Systems, Dortmund, 23. - 25. September 2015, 2015, S. 621–630.

Fausett, L.V.: Fundamentals of Neural Networks: Architectures, Algorithms and Applications Englewood Cliffs, N.J.: Prentice Hall 1994.

Freedman, M.H.: P/NP, and the quantum field computer. Proceedings of the National Academy of Sciences of the United States of America 95 (1998) 1, S. 98–101.

Furmans, K. Prof. Dr.-Ing.; Deml, B. Prof. Dr.-Ing.: Systematische Bewertung von Value-Added-Services in Distributionszentren: Abschlussbericht. Unter Mitarbeit von Judith Dipl.-Wi.-Ing. Weiblen, Melanie Dipl.-Wi.-Ing. Schwab und Stefan Dipl.-Wi.-Ing. Graichen, Karlsruher Institut für Technologie Karlsruhe, 2014,

Gallup, I., 2018: Zeitverlauf zum Engagement Index 2001-2018. Unter Mitarbeit von Rett Harms. Online verfügbar unter https://www.gallup.de/file/245474/Engagement_Index_2018_im_Zeitverlauf.pdf?g_source=link_intdede&g_campaign=item_183104&g_medium=copy, zuletzt aktualisiert am 29.08.2018, zuletzt geprüft am 08.07.2019.

Garret, R.W.: Simulating Warehouse Layout Patterns in Order to Improve Cube Utilisation. In: Reitman, J.; Ockene, A.; Snyder, J.E. (Hrsg.): Digest of the Second Conference on Applications of Simulation, Hotel Roosevelt, New York, N.Y., 2. -4. Dezember 1968, 1968, S. 266–271.

Harrow, A.W.; Montanaro, A.: Quantum computational supremacy. Nature 549 (2017) 7671, 203-209.

Hillier, F.S.; Lieberman, G.J.: Introduction to operations research New York, NY: McGraw-Hill Education 2015.

Hillman, L.W.: An Order Picking and Shipping Model. In: Kiviat, P.J.; Ockene, A. (Hrsg.): Proceedings of the Third Conference on the Applications of Simulation, International Hotel, Los Angeles, CA, 8. - 10. Dezember 1969, 1969, S. 204–212.

Hinton, G.E., 1992: How Neural Networks Learn from Experience. Scientific American 267, September 1992, S. 144–151. Online verfügbar unter http://www.cs.toronto.edu/~hinton/absps/sciam92.pdf, zuletzt geprüft am 11.07.2019.

Kasparov, G., 2018: Chess, a Drosophila of reasoning. Science 362, Dezember 2018 (6419), S. 1087. Online verfügbar unter https://science.sciencemag.org/content/362/6419/1087, zuletzt geprüft am 27.06.2019.

Kumar, V.; Shukla, O.J.; Soni, G.; Kumar, R.; Vivek Kumar; Om Ji Shukla; Gunjan Soni; Rajesh Kumar: A review on Artificial Neural Network approach in manufacturing systems. In: National Conference on “Paradigms in Mechanical


Engineering" (PME-2014), Manav Rachna International University, Faridabad, India, 20. Dezember 2014, 2014,

Lehmann, S., 2019: Fashionlogistik: Modehändler kommen an ihre Fulfillment-Grenzen: Lieferzeiträume sind einer Studie zufolge 2018 deutlich gestiegen. LOGISTIK HEUTE, Januar 2019. Online verfügbar unter https://logistik-heute.de/news/fashionlogistik-modehaendler-kommen-ihre-fulfillment-grenzen-16632.html, zuletzt geprüft am 25.06.2019.

MagnaSteyrTV, 2016: SmartFactory by Magna Steyr. Online verfügbar unter https://youtu.be/F94LWRMfbG0, zuletzt geprüft am 25.06.2019.

Mayer, G.: Industrie 4.0 – Chance oder Risiko für die Ablaufsimulation. In: Wenzel, S.; Peter, T. (Hrsg.): Proceedings ASIM 2017 Conference 'Simulation in Production and Logistics 2017', Kassel, 20. - 22. September 2017, 2017, S. 1–8.

Oelker, S.; Lewandowski, M.; Freitag, M.: Simulation konträrer Instandhaltungsstrategien für Offshore-Windenergieanlagen. In: Wenzel, S.; Peter, T. (Hrsg.): Proceedings ASIM 2017 Conference 'Simulation in Production and Logistics 2017', Kassel, 20. - 22. September 2017, 2017, S. 269–278.

OTTO; Blue Yonder; Der Deutsche Innovationspreis (07.04.2014): Ausgezeichnet: OTTO ist Deutschlands innovativstes Großunternehmen 2014 Hamburg. Abratis, Ulrike; Steinmann, Katrin; Riehemann, Dunja; Modler, Isabelle, Wandsbeker Straße 3–7 • 22172 Hamburg. Online verfügbar unter https://www.otto.de/unternehmen/wLayout-oc/wGlobal/scripts/php/forceDownload.php?document=/unternehmen/media-oc/docs/PM-pdfs-dt/2014/PM_OTTO_Innovationspreis.pdf, zuletzt geprüft am 11.07.2019.

Revang, M.; Lowendahl, J.-M.; Poitevin, H., 2018: Artificial Intelligence Will Make Us Dumber Unless We Can Teach It to Teach Us Back. Hg. v. Gartner (Maverick* Research, G00373673). Online verfügbar unter https://www.gartner.com/document/3891508, zuletzt aktualisiert am 12.10.2018, zuletzt geprüft am 08.07.2018.

Riemensperger, F., 2016: Industrie 4.0 – wie Sensoren, Big Data und 3D-Druck die Produktion und die Arbeit in der Fabrik verändern, Unterlagen zur Pressekonferenz. Hg. v. Bitkom Berlin. Online verfügbar unter https://www.bitkom.org/sites/default/files/file/import/Bitkom-Pressekonferenz-Industrie-40-21-04-2016-Praesentation-final.pdf, zuletzt geprüft am 25.06.2019.

Salari, A., 2018a: Hierarchie in der Industrie 3.0: Infografik. Hg. v. Plattform Industrie 4.0. Online verfügbar unter https://www.plattform-i40.de/PI40/Redaktion/DE/Downloads/Infografiken/hierarchie-in-der-industrie-3-0.png?__blob=publicationFile&v=1, zuletzt aktualisiert am 30.01.2018, zuletzt geprüft am 25.06.2019.

Salari, A., 2018b: Hierarchie in der Industrie 4.0: Infografik. Hg. v. Plattform Industrie 4.0. Online verfügbar unter https://www.plattform-i40.de/PI40/Redaktion/DE/Downloads/Infografiken/hierarchie-in-der-industrie-4-0.png?__blob=publicationFile&v=2, zuletzt aktualisiert am 30.01.2018, zuletzt geprüft am 25.06.2019.

Silver, D.; Hubert, T.; Schrittwieser, J.; Antonoglou, I.; Lai, M.; Guez, A.; Lanctot, M.; Sifre, L.; Kumaran, D.; Graepel, T.; Lillicrap, T.; Simonyan, K.; Hassabis, D., 2018: A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science 362, Dezember 2018 (6419), S. 1140–1144.


Statistisches Bundesamt (Destatis), 2019: Einzelhandelsumsatz, April 2019: Pressemitteilung Nr. 205, Statistisches Bundesamt Wiesbaden. Online verfügbar unter https://www.destatis.de/DE/Presse/Pressemitteilungen/2019/05/PD19_205_45212.html?nn=206104, zuletzt aktualisiert am 31.05.2019, zuletzt geprüft am 25.06.2019.

Sutton, R.S.; Barto, A.G.: Reinforcement Learning: An introduction Cambridge, Mass.: The MIT Press 2017.

Wong, B.K.; Bodnovich, T.A.; Selvi, Y., 1997: Neural network applications in business: A review and analysis of the literature (1988–1995). Decision Support Systems 19, 1997 (4), S. 301–320.

Nutzen von Simulation und Künstlicher Intelligenz in der Intralogistik · 2019. 10. 8. · Nutzen...

Documents

Transcript of Nutzen von Simulation und Künstlicher Intelligenz in der Intralogistik · 2019. 10. 8. · Nutzen...