Wie kann maschinelles Lernen in Logistikunternehmen eingesetzt werden? Die Potenziale von maschinellem Lernen werden von einem Großteil der Logistikunternehmen noch nicht genutzt. Während Forschungsinstitute die Weiterentwicklung von Methoden des maschinellen Lernens vorantreiben, stehen viele Industrieunternehmen noch vor der Herausforderung, wenigstens die elementaren Kernfunktionen maschinellen Lernens erfolgreich einzusetzen. Der niedrige Implementierungsstand, die zögerliche Haltung, insbesondere das zähe Investitionsverhalten, begründen sich vor allem durch die Komplexität des Vorhabens, maschinelles Lernen unternehmensweit gewinnbringend einzusetzen, durch bestehende Unsicherheiten und durch fehlende Ressourcen.
In dieser Masterarbeit werden zunächst Erfolgsfaktoren und Barrieregründe von Machine-Learning Projekten, aktuelle Forschungstrends im Bereich des maschinellen Lernens, sowie eine Anzahl an KI- und ML-Reifegradmodellen auf der Grundlage aktueller, wissenschaftlicher Literatur identifiziert. Auf Basis der erarbeiteten Inhalte wird ein Gestaltungskonzept für den Einsatz von maschinellem Lernen in der Logistik konstruiert. Die wissenschaftliche Entwicklung eines solchen Gestaltungskonzepts kann dazu beitragen, Logistikunternehmen bei dem betrieblichen Einsatz von maschinellem Lernen zu unterstützen.
Inhaltsverzeichnis
1 EINLEITUNG
1.1. AUSGANGSSITUATION UND RELEVANZ
1.2. ZIELSETZUNGEN UND FORSCHUNGSFRAGEN
1.3. FORSCHUNGSDESIGN
1.4. AUFBAU DER ARBEIT
2 THEORETISCHE GRUNDLAGEN
2.1. LOGISTIK
2.1.1. Begriffsverständnis und Logistiksysteme
2.1.2. Rahmenwerke
2.2. MASCHINELLES LERNEN
2.2.1. Begriffs- und Prinzipverständnis
2.2.2. Lernformen und Aufgabentypen
2.2.3. Charakteristik eines ML-basierten Softwaresystems
2.3. BUSINESS TRANSFORMATION
2.4. REIFEGRADMODELLE
3 STAND DER FORSCHUNG
3.1. BARRIEREN UND ERFOLGSFAKTOREN FÜR MACHINE LEARNING-PROJEKTE
3.1.1. Literaturbasierte Erhebung von Barrieren und Erfolgsfaktoren
3.1.2. Verwandte Arbeiten
3.2. EXISTIERENDE REIFEGRADMODELLE
3.2.1. Ergebnisse der Literaturrecherche
3.2.2. Analyse bestehender Reifegradmodelle
3.3. AKTUELLE FORSCHUNGSTRENDS DES MASCHINELLEN LERNENS
3.4. ZWISCHENFAZIT
4 DAS REIFEGRADMODELLBASIERTE GESTALTUNGSKONZEPT FÜR DEN EINSATZ VON MASCHINELLEM LERNEN IN DER LOGISTIK
4.1. KONZEPTIONIERUNG DES REIFEGRADMODELLWÜRFELS
4.1.1. Konstruktion von Reifegradstufen
4.1.2. Konstruktion von Gestaltungsfeldern
4.1.3. Struktur des literaturbasierten Reifegradmodellwürfels
4.2. GESTALTUNGSFELDER
4.2.1. IT-Infrastruktur
4.2.2. Daten
4.2.3. ML-basiertes Softwaresystem
4.2.4. Führung & Strategie
4.2.5. Machine Learning-Kompetenzen
4.2.6. Unternehmenskultur
4.2.7. Projektmanagement
4.2.8. Wertschöpfungsnetzwerk
4.3. ZWISCHENFAZIT
5 FAZIT
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, ein ganzheitliches Gestaltungskonzept für den betrieblichen Einsatz von maschinellem Lernen in Logistikunternehmen zu entwickeln. Im Fokus steht dabei die Schließung der Forschungslücke, die sich aus der bisher fehlenden, systematischen Einbettung dieser Technologie in die betrieblichen Abläufe der Logistik ergibt.
- Grundlagen von Logistik und maschinellem Lernen im betrieblichen Kontext
- Analyse bestehender Reifegradmodelle und deren Eignung für ML-Projekte
- Identifikation technischer und organisationaler Barrieren sowie Erfolgsfaktoren
- Konstruktion eines reifegradmodellbasierten Gestaltungskonzepts
- Entwicklung von Maßnahmen zur erfolgreichen Umsetzung und Skalierung
Auszug aus dem Buch
1.1. Ausgangssituation und Relevanz
Digitale persönliche Assistenten wie Alexa, Google Home oder Siri, die durch Spracheingabe das gewünschte Musikstück abspielen, Übersetzungshilfen im Internet wie Google Translate, oder DeepL, sowie Expertensysteme, die MRT-Bilder auswerten sind Beispiele dafür, wie künstliche Intelligenz (KI) heute (2021) fest in unserem Alltag verankert ist, diesen erleichtert und effizienter gestaltet.
In der Geschäftswelt, insbesondere in der Logistik, verspricht der Einsatz künstlicher Intelligenz ebenso Effizienzsteigerungen, sowie beträchtliche Kostensenkungen werden erwartet. Beispielsweise berichtet Zalando zur Berechnung der effizientesten Laufroute von Angestellten in den Lagerhallen durch den Einsatz von Convolutional Neural Networks eine Verkürzung der Laufzeiten zwischen zwei Produkten um 11% zu erzielen. Das japanische Unternehmen Hitachi analysiert mit seiner Deep-Learning-Software H Arbeitsweisen der Angestellten im Detail, indem fortlaufend Daten über Arbeitsabläufe gesammelt und auf Zusammenhänge untersucht werden. Das Unternehmen gibt an, dass mit H ausgestattete Lagerhäuser eine Produktivitätssteigerung von 8% vorweisen. Start-ups wie Loginext nutzen Methoden des maschinellen Lernens zur Optimierung der letzten Meile und versprechen eine Reduzierung der Versandkosten für Unternehmen um durchschnittlich 18%.
Die Geschäftsführung von UPS berichtet, mit der auf maschinellem Lernen basierenden Software Orion zur optimalen Routenplanung 300 bis 400 Millionen US$ jährlich sparen zu können. Das Beratungsunternehmen McKinsey kommt zu dem Ergebnis, dass Nachfragevorhersagen auf Basis von maschinellem Lernen Vorhersagefehler um 30 bis 50 % reduzieren können, so dass zukünftig durchschnittlich 20 bis 50% weniger Inventar gelagert werden müssen. Weiter wird erwartet, dass Transportkosten und Kosten für den Betrieb von Lagerhäusern um 5 bis 10% respektive 25 bis 40% durch den Einsatz von künstlicher Intelligenz sinken werden. Welche weiteren Wertschöpfungspotenziale in der Logistik durch künstliche Intelligenz bzw. maschinelles Lernen in den nächsten Jahren erzielt werden können, hat McKinsey anhand von 400 Use Cases in unterschiedlichen Unternehmen ermittelt. Beispielhaft seien die errechneten Zahlen der zusätzlich erreichbaren Wertschöpfung (Umsatz) für das Beschaffungsmanagement genannt: 100 bis 200 Mrd. US$, sowie für die Nachfragevorhersage und Lagerhausoptimierung jeweils 100 Mrd. US$. Diese Zahlen geben einen ersten Eindruck davon, was durch künstliche Intelligenz erreicht werden kann und welche Bedeutung daraus für die Logistik entsteht.
Zusammenfassung der Kapitel
1 EINLEITUNG: Dieses Kapitel motiviert die Relevanz von maschinellem Lernen in der Logistik, leitet die Forschungsfragen ab und erläutert das methodische Design der Arbeit.
2 THEORETISCHE GRUNDLAGEN: Hier werden die zentralen Fachbegriffe Logistik, maschinelles Lernen, Business Transformation und Reifegradmodelle definiert, um ein gemeinsames Verständnis für die weitere Arbeit zu schaffen.
3 STAND DER FORSCHUNG: Dieser Abschnitt wertet den aktuellen Wissensstand zu Barrieren, Erfolgsfaktoren und existierenden Reifegradmodellen aus und identifiziert technologische Forschungstrends.
4 DAS REIFEGRADMODELLBASIERTE GESTALTUNGSKONZEPT FÜR DEN EINSATZ VON MASCHINELLEM LERNEN IN DER LOGISTIK: Das Kernkapitel entwirft und detailliert das reifegradmodellbasierte Gestaltungskonzept anhand von acht spezifischen Gestaltungsfeldern.
5 FAZIT: Das letzte Kapitel fasst die zentralen Erkenntnisse der Arbeit zusammen, reflektiert die Ergebnisse und gibt einen Ausblick auf künftigen Forschungsbedarf.
Schlüsselwörter
Maschinelles Lernen, Logistik, Reifegradmodell, Digitale Transformation, KI, Data Science, IT-Infrastruktur, Business Transformation, Prozessoptimierung, Künstliche Intelligenz, Gestaltungskonzept, Automatisierung, ML-Pipeline, Supply Chain Management, ML-Kompetenzen
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der systematischen Integration von maschinellem Lernen in logistische Prozesse und Unternehmen.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind die technologische Basis (IT-Infrastruktur, ML-Systeme), die organisationale Struktur (Kultur, Strategie, Kompetenzen) und die Integration in Wertschöpfungsnetzwerke.
Was ist das primäre Ziel der Forschung?
Das Ziel ist die Entwicklung eines wirkungsvollen Gestaltungskonzepts, das Unternehmen bei der stufenweisen Umsetzung von maschinellem Lernen unterstützt.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit folgt dem "Design Science Research"-Ansatz, um ein praxisrelevantes Artefakt in Form eines Reifegradmodells zu erstellen.
Was behandelt der Hauptteil der Arbeit?
Der Hauptteil gliedert sich in eine theoretische Fundierung, eine Literaturanalyse des Forschungsstands und die anschließende Konstruktion des acht-dimensionalen Reifegradmodellwürfels.
Welche Schlüsselwörter charakterisieren die Publikation?
Maschinelles Lernen, Logistik, Reifegradmodell, Digitale Transformation und Business Transformation stehen hierbei im Vordergrund.
Warum ist ein Reifegradmodell für Logistikunternehmen sinnvoll?
Es dient als strategisches Werkzeug, um den aktuellen Status quo zu bestimmen und konkrete Entwicklungspfade für die Implementierung von ML-Lösungen aufzuzeigen.
Welche Rolle spielt die Unternehmenskultur bei der Einführung von ML?
Die Kultur ist entscheidend, da sie die Technologieakzeptanz der Mitarbeiter und die kollaborative Zusammenarbeit zwischen Fachbereichen maßgeblich beeinflusst.
Warum wird der Begriff "Reifegradmodellwürfel" verwendet?
Er beschreibt die drei Reifegradstufen in Kombination mit den acht Gestaltungsfeldern, die zusammen die Gesamtheit der Transformation repräsentieren.
- Quote paper
- Janic Frank (Author), 2021, Das Potenzial von maschinellem Lernen in der Logistik. Ein Gestaltungskonzept für den erfolgreichen Einsatz von Machine Learning, Munich, GRIN Verlag, https://www.grin.com/document/1148146
