SIEVERS-GROUP auf der LogiMAT 2018: Mit Machine Learning logistische Prozesse optimieren

Welche Potenziale bieten selbstlernende Systeme für die Logistik? Antworten auf diese Frage gibt die SIEVERS-GROUP auf der LogiMAT 2018 in Halle 8 an Stand B64. Das IT-Architekturhaus stellt das Thema Machine Learning in den Fokus seines Messeauftritts und zeigt Anwendungsmöglichkeiten für die Intralogistik, insbesondere im Bereich Lagerverwaltung. Ein Beispiel ist die Verknüpfung des Microsoft Azure Machine Learning Studio mit Lagerverwaltungssystemen (LVS) oder ERP-Systemen. Anwender erhalten ein Analyseinstrument, mit dem sich aus Massendaten neues Wissen zur Optimierung von Material- und Informationsflüssen generieren lässt.

Anzeige

Immer mehr Daten in immer kürzerer Zeit – auch in der Logistik spielt Big Data eine zunehmend größere Rolle. Um vorhandene Informationen noch besser zu nutzen, setzt die SIEVERS-GROUP ab sofort auf Machine Learning. Zum Einsatz kommt dabei unter anderem die Microsoft-Azure-Anwendung Machine Learning Studio. Das IT-Architekturhaus verknüpft die Cloud-Lösung mit dem LVS oder ERP-System eines Unternehmens. Das Machine-Learning-System wird anschließend auf der Basis von vorliegenden Daten trainiert. Ein erlerntes Muster kann dann mit den in Echtzeit generierten Daten des LVS genutzt werden, um zukunftsorientiert die bestmöglichen Entscheidungen zu treffen. Dies ist ein wesentlicher Unterschied zu herkömmlichen Business-Intelligence-Ansätzen, bei denen eine Situation nur rückwirkend analysiert wird. Aufbauend auf den Erkenntnissen des Machine Learning lassen sich viele logistische Prozesse im laufenden Betrieb optimieren. Ein Beispiel ist die Verbesserung von Einlagerstrategien durch die Analyse von Kundenaufträgen. Werden bestimmte Artikel auffallend oft in Kombination bestellt, sollten diese in geringer Entfernung voneinander eingelagert werden. Auch für das Multi-Order-Picking liefert Machine Learning wertvolle Erkenntnisse. Das System berechnet beispielsweise, für welche Art von Aufträgen sich Multi-Order-Picking lohnt und wie viele Bestellungen mit wie vielen Positionen ein Mitarbeiter idealerweise parallel kommissionieren sollte. Muss ein Unternehmen jeden Tag eine gewisse Anzahl von Bestellungen mit einer bestimmten Artikelkombination zusammenstellen, kann es sich außerdem lohnen, diese künftig außerhalb der Spitzenzeiten vorzukommissionieren. Das verkürzt die Lieferzeiten und verbessert damit einhergehend die Wettbewerbsfähigkeit. Weitere Einsatzgebiete für Machine Learning, die die SIEVERS-GROUP auf der LogiMAT diskutiert, sind die Bestandsoptimierung und eine intelligente Personalplanung.  

Die SIEVERS-GROUP auf der LogiMAT in Halle 8, Stand B64.