Diese Studienarbeit beinhaltet eine umfangreiche Einführung in die Künstliche Intelligenz und Machine Learning. Dabei nimmt sie Bezug auf ihren Nutzen in der Logistikbranche. Im Fokus der Betrachtung liegen technische Anwendungen und Trends in der Branche.
Die Industrie steht in vielerlei Hinsicht an der Schwelle zu einem neuen Zeitalter. Es ist gerade einmal dreißig Jahre her, dass ERP Systeme 4 ihren Weg in den Unternehmensalltag fanden. Heute sind sie kaum noch wegzudenken – kein Arbeitsplatz in einer verwaltenden Position kommt mehr ohne einen Computer aus. Immer mehr Prozesse wurden digitalisiert, die Datenmengen wuchsen enorm und der Optimierungsdrang trieb die Entwicklungen stetig voran. Seit ca. 2011 spricht man von einer industriellen Revolution, die im Gange sei, der Industrie 4.0. Eine Zeit, in der die Dinge so weit vernetzt sind, dass sich bald zu jedem Zeitpunkt jeder Zustand eines jeden Teiles in einem System erfassen lässt.
Daten heißen nun Big Data und das Internet ist nun das Internet of Things. In dieser Zeit des Umbruches ist es selbstverständlich geworden, alle uns bekannten Technologien zu hinterfragen und diese, wenn nötig, radikal auszutauschen.
Es wäre ein Fehler, sich dem zu entziehen. Jede disruptive Technologie brachte in der Vergangenheit Gewinner und Verlierer hervor und selbst die Evolution bestrafte schon immer die mit der geringeren Anpassungsbereitschaft. Betrachtet man den Technologiewandel als ein Rennen, ergeben sich in punkto Digitalisierung für deutsche Unternehmen bereits heute herbe Defizite6. Es gilt also, Schritt zu halten mit den Konkurrenten im Inland und insbesondere mit denen im außereuropäischen Ausland.
Dazu sollte sich zunächst ein Überblick über die Thematik verschafft werden. Ziel dieser Arbeit ist es daher, dem Leser eine umfangreiche Basis für die eigene Recherche zu bieten und praktische Ansätze für die Implementierung einiger dieser Technologien zu liefern.
Inhaltsverzeichnis
1 Einleitung
1.1 Hintergrund und aktuelle Debatten
1.2 Motivation
2 Grundlagen
2.1 KI
2.1.1 Definition und Wortherkunft
2.1.2 Geschichte
2.1.1 Turing-Test
2.1.2 Abgrenzung zu herkömmlichen Algorithmen
2.2 Machine Learning
2.2.1 Funktionsweise
2.2.2 Überwachtes Lernen
2.2.3 Unüberwachtes Lernen
2.2.4 Bestärkendes Lernen
2.3 Big Data
2.3.1 Definition
2.3.2 Rolle im Machine Learning
2.3.3 Datenquellen in der Logistik
3 Stärken und Chancen
3.1 Logistik und KI – eine natürliche Synergie?
3.1.1 Wahrnehmung in der Wirtschaft
3.1.2 Nutzbarmachen von KI durch Zerlegung von Prozessen
3.1.3 Die Logik von Transportproblemen
3.1.4 Das Traveling Salesman Problem
3.2 Einsatzgebiete von KI in der Logistik
3.2.1 Klassifizierung von Aufgabenbereichen
3.2.2 ML für Erkennungsaufgaben
3.2.3 ML für Analyseaufgaben
3.2.4 ML für Planungs- und Entscheidungsaufgaben
3.2.5 ML für Ausführungsaufgaben
3.3 Die Digitale Spedition
4 Schwächen und Gefahren
4.1 Das Zurückbleiben der Digitalisierung
4.2 Fehleranfälligkeit
4.3 Sicherheit und Haftung
4.4 Maschinenethik
4.5 Internationaler Wettbewerb
5 Implementierung von KI im Unternehmen
5.1 Aachener Digital-Architecture Management
5.2 Abschätzung der Wirtschaftlichkeit
6 Schluss
6.1 Zusammenfassung
6.2 Fazit
6.3 Ausblick und Empfehlungen
6.4 Persönliche Schlussbemerkung
Zielsetzung & Themen
Ziel dieser Arbeit ist es, dem Leser eine fundierte Basis sowie praktische Ansätze für die Integration von Künstlicher Intelligenz und Machine Learning in logistische Prozesse zu vermitteln, um die Wettbewerbsfähigkeit von Unternehmen in einem zunehmend digitalisierten Marktumfeld zu stärken.
- Grundlagen von KI, Machine Learning und Big Data
- Analyse von Einsatzgebieten der KI in der Logistik
- Herausforderungen und Gefahren bei der Implementierung digitaler Systeme
- Strategien zur wirtschaftlichen Umsetzung von KI-Projekten
Auszug aus dem Buch
3.1.4 Das Traveling Salesman Problem
Bei Logistikanwendungen geht es zumeist nicht um das Finden von neuartigen Lösungen für komplexe Probleme, sondern um die Optimierung von Lösungen. So auch im Beispiel der Routenoptimierung – in der Mathematik bekannt als das Traveling Salesman Problem (TSP) oder in komplexeren Fällen als Vehicle Routing Problem (VRP).
Das TSP ist eine der ältesten Fragestellungen in der Logistik und beschäftigt sich mit der Bestimmung der kürzesten oder effizientesten Route in einer Tour mit mehreren Stopps. Die Herausforderung besteht darin, die Längen der unterschiedlichen Optionen zu vergleichen und die beste ausfindig zu machen, ohne dafür alle Möglichkeiten einzeln berechnen zu müssen. Letzteres ist extrem unpraktikabel, da die Anzahl der möglichen Strecken in Relation zu der Anzahl der Stopps überproportional ansteigt.
Dies lässt sich gedanklich leicht nachvollziehen: Ausgehend von der Startstation, welche gleichzeitig Endstation ist, stehen n-1 Stationen zur Auswahl (n entspricht der Anzahl der Stationen), von dort aus sind es n-2 weitere Routen, die möglich sind. Verbindet man alle Halte, hat man (n-1)! also (n - 1) * (n - 2) * ... * 1 Routen zur Auswahl. Ist die Fahrtrichtung irrelevant („symmetrisches Problem“), so wird diese Zahl halbiert [27].
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die aktuelle Debatte um KI-Technologien wie ChatGPT ein und motiviert die Relevanz des Themas für die Logistik im Kontext der Industrie 4.0.
2 Grundlagen: Das Kapitel erläutert die technischen und theoretischen Konzepte von KI, Machine Learning und Big Data, die das Fundament für die weiteren inhaltlichen Ausführungen bilden.
3 Stärken und Chancen: Hier werden die Synergien zwischen Logistik und KI analysiert, der Prozess der Aufgabenzerlegung beschrieben und konkrete Anwendungsgebiete des Machine Learnings identifiziert.
4 Schwächen und Gefahren: Dieses Kapitel adressiert kritische Hemmnisse wie Digitalisierungsrückstände, technische Fehleranfälligkeit, Sicherheitsrisiken sowie ethische und wettbewerbsrechtliche Fragestellungen.
5 Implementierung von KI im Unternehmen: Der Fokus liegt hier auf dem praktischen Management-Ansatz ADAM zur strukturierten Einführung von KI sowie auf Methoden zur Bewertung der Wirtschaftlichkeit von KI-Projekten.
6 Schluss: Den Abschluss bilden eine Zusammenfassung der zentralen Thesen, ein Fazit zur Entwicklung der Branche sowie ein Ausblick auf zukünftige Anforderungen an Unternehmen.
Schlüsselwörter
Künstliche Intelligenz, Machine Learning, Logistik, Industrie 4.0, Big Data, Prozessoptimierung, Routenplanung, Traveling Salesman Problem, Digitale Spedition, Automatisierung, Implementierung, Wirtschaftlichkeit, Datensicherheit, Maschinenethik, Transformation
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht das Potenzial und die Herausforderungen von KI und Machine Learning bei der Transformation logistischer Prozesse in Unternehmen.
Was sind die zentralen Themenfelder der Publikation?
Die Schwerpunkte liegen auf den technischen Grundlagen, den spezifischen Einsatzmöglichkeiten in der Logistik, den mit der Digitalisierung verbundenen Gefahren sowie praktischen Strategien zur Implementierung.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, dem Leser ein grundlegendes Verständnis für KI-Technologien zu vermitteln und konkrete Wege aufzuzeigen, wie diese zur Effizienzsteigerung und Zukunftsfähigkeit in der Logistikbranche genutzt werden können.
Welche wissenschaftlichen Methoden werden verwendet?
Die Grundlage bildet eine fundierte Literaturanalyse und theoretische Aufarbeitung aktueller Studien, kombiniert mit praktischen Modellen zur Prozessanalyse und Wirtschaftlichkeitsrechnung.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen des Machine Learnings, die Erläuterung logistischer Anwendungsfelder wie der Routenoptimierung und eine detaillierte Analyse der Risiken und Implementierungsstrategien.
Welche Schlüsselbegriffe charakterisieren diese Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Künstliche Intelligenz, Machine Learning, Logistik 4.0, Prozesszerlegung, Digitale Spedition und Wirtschaftlichkeit geprägt.
Warum ist die Prozesszerlegung für den Einsatz von KI in der Logistik so wichtig?
Da Logistikprozesse als Ganzes zu komplex für eine vollständige KI-Steuerung sind, ermöglicht die Zerlegung in Subsysteme eine isolierte Optimierung einzelner Aufgaben, die dann präzise durch Algorithmen gesteuert werden können.
Welche Rolle spielt der Mensch bei der Einführung von KI-Systemen?
Der Mensch bleibt weiterhin in der Verantwortung, insbesondere bei der Prozessgestaltung und der Kontrolle der KI-Ergebnisse, da KI-Systeme komplexe Aufgaben lösen können, aber keine Verantwortung für ihr Handeln übernehmen können.
Wie unterscheidet sich die "Digitale Spedition" von traditionellen Modellen?
Digitale Speditionen nutzen digitale Werkzeuge zur Vernetzung aller Akteure entlang der Lieferkette, um Effizienzen wie die Reduzierung von Leerfahrten zu erreichen, während traditionelle Speditionen eher von spezifischer Infrastruktur und enger Kundenbindung leben.
- Quote paper
- Fynn Kossak (Author), 2024, Logistik und Künstliche Intelligenz. Chancen und Risiken, Munich, GRIN Verlag, https://www.grin.com/document/1466145
