Künstliche Intelligenz gilt als Game Changer im Softwarebereich und findet zunehmend Einzug in zahlreiche Branchen. Auch in der Intralogistik wird intensiv an der Technologie geforscht. Ganz vorne mit dabei ist CIM, das Intralogistiksoftwarehaus aus Fürstenfeldbruck. In einer Forschungskooperation mit der Technischen Universität München arbeiten die Logistiksoftwareexperten an einem Künstlichen neuronalen Netz in der Intralogistik. Ein Blick hinter die Kulissen des Projekts offenbart Aufregendes und lässt auf künftige Innovationen hoffen.
Fragt man Andreas Engelmayer wie es rund um das Thema künstliche Intelligenz bei CIM steht, kann er sich ein Schmunzeln nicht verkneifen. „Die Erwartungen sind schon sehr hoch“, sagt er dann. Der Intralogistikexperte von CIM weiß, wovon er spricht, denn er arbeitet hautnah mit den KI-Forschern der TUM an einem Künstlichen neuronalen Netz in der Intralogistik zusammen. „Und die Ergebnisse, das sieht man schon jetzt, die sind durchaus aufregend“, fügt er vorsichtig hinzu.
Seit etwa einem Jahr läuft das Projekt gemeinsam mit dem Lehrstuhl für Fördertechnik Materialfluss Logistik der Technischen Universität München. Die Forschungskooperation dient der Entwicklung selbstlernender Software auf Basis neuronaler Netze im Bereich der Intralogistik. Anfangs haben die Forscher der TUM den Algorithmus entwickelt, der das Herz des neuronalen Netzes darstellt. „Es gibt verschiedene Parameter, die hier definiert werden müssen, nach denen das neuronale Netz dann die Daten verarbeitet“, so Engelmayer. Die genauen Parameter sind für CIM gewissermaßen eine Blackbox. Es ist also nie sicher, wie sich die KI in dem jeweiligen Szenario verhalten wird. Die Wissenschaftler der TUM benötigen aus diesem Grund Daten und zahlreiche Testläufe, um nach deren Auswertung die Parameter anpassen zu können. „So verbessert sich Test für Test die Performance der KI“, so Engelmayr.
Massentests als Basis für die ersten Tests
Damit die KI im Rahmen eines Intralogistiksystems Anwendung finden kann, musste ein geeignetes Framework entwickelt werden, das dem neuronalen Netz die Daten zuspielt. „Da kam ich dann ins Spiel“, meint Engelmayer, der bei CIM unter anderem für die Testautomatisierung zuständig ist. „In unserer Teststrategie haben wir unter anderem einen Massentest, der das System mit zahllosen Aufträgen auf Herz und Nieren prüft,“ erläutert er weiter. Diesen Massentest hat Engelmayer als Framework für die ersten Tests der KI umgearbeitet und den TUM Forschern übermittelt. Das Testframework ist in der Lage Auftragszahlen im sechsstelligen Bereich zu erzeugen, die die KI bearbeiten muss. Damit das neuronale Netz sinnvoll mit dem Testframework arbeiten kann, gilt es jedoch einige zusätzliche Faktoren zur Verfügung zu stellen. Die Artikel des generierten Lagers haben Daten, die gewisse Wahrscheinlichkeiten zur Ein- oder Auslagerung beinhalten. „Also beispielsweise Gummistiefel und Wintermützen“, erläutert Andreas Engelmayer. „Da hinterlegen wir dann eine Pick-Wahrscheinlichkeit von beispielsweise 70 und 50 Prozent, sodass das neuronale Netz die Unterschiede erkennt und die Artikel entsprechen behandelt.“ Zudem kennt die KI die Grundzüge des Lagerlayouts, das CIM den TUM-Forschern zur Verfügung gestellt hat. „Ohne diese Daten funktioniert es nicht“, so Engelmayer. Bei allen Warehouse-Management-Systemen geht es maßgeblich darum, den Warenausgang zu beschleunigen und die Effizienz der Intralogistik zu erhöhen. „Die Wege, die im Lager zurückgelegt werden, sind eine zentrale Größe, die man reduzieren möchte“, erläutert Engelmayer weiter. Gelingt es die Wegzeit zu reduzieren, kann man von einer höheren Effizienz der Intralogistik sprechen. „Ganz so leicht ist es nur oft nicht“, gesteht der CIM Experte zu.
