Die Industrie investiert enorm in Projekte der künstlichen Intelligenz (KI). Die International Data Corporation (IDC) prognostiziert, dass die KI-Ausgaben bis 2021 auf 52,2 Milliarden Dollar ansteigen werden. Es gibt bereits mehrere Implementierungen, bei denen die Effizienz der Lieferkette durch KI und maschinelles Lernen verbessert wird. Hier einige Beispiele:
1. Predictive Maintenance - Durch den Einsatz von Sensoren zum Überwachen der Betriebsabläufe werden Techniker im Voraus über mögliche Instandhaltungsprobleme informiert. Die Werte basieren auf dem tatsächlichen Verschleiß und nicht auf geplanten Serviceeinsätzen und allgemeinen Herstellerempfehlungen.
Siemens beispielsweise setzt Predictive Maintenance bei Kühlsystemen der NASA auf der Edwards US Air Force Base in Kalifornien erfolgreich ein. Dabei wird die Leistung von Ventilatoren, Pumpen, Klimageräten und Kühltürmen überwacht. So lassen sich Erkenntnisse über mögliche Einsparungen bei Wartungs- und Betriebskosten gewinnen. Die Deutsche Bahn (DB) und Siemens starteten schon im Herbst 2016 ein Pilotprojekt für Predictive Maintenance und Instandhaltung bei Hochgeschwindigkeitszügen.
Foto: LeoWolfert - shutterstock.com
2. Intelligenter Versand – Algorithmen werden eingesetzt, um Änderungen in letzter Minute zu verwalten. Dazu gehört die Auswahl des besten alternativen Hafens, sofern der ursprünglich geplante Hafen blockiert ist, das Schätzen der Ankunftszeit und das Messen der Wahrscheinlichkeit, ob ein Spediteur eine Buchung stornieren wird.
Auch die Frage, ob extreme Witterungsbedingungen sich auf die Versandzeiten auswirken, lässt sich mit Hilfe künstlicher Intelligenz (KI) berechnen. IBM und die Tochtergesellschaft „The Weather Company“ nutzen täglich 100 Terabyte Wetterdaten, um ortsabhängige Wettervorhersagen zu erstellen und mögliche Verzögerungen durch Stürme, Hurrikane und Taifune zu messen.
3. Lagerverwaltung – Mit IoT lässt sich jedes Produktteil von der Herstellung bis zur Montage und zum Versand an den Endkunden verfolgen. BMW verfolgt in 31 Montagewerken in mehreren Ländern ein Teil von der Produktion bis zum Fahrzeugverkauf. BMW setzt dabei auf maschinelles Lernen, um die Logistik weiter zu optimieren.
4. Lieferung – Die letzten Kilometer sind entscheidend. Transportunternehmen konkurrieren um die fortschrittlichsten und effizientesten Zustelldienste. Für Lager und Luftfrachtzentren investiert DHL in intelligente Roboter. Halbautonome Lkws fahren mit minimaler menschlicher Hilfe im Fernverkehr selbstständig und „Follow-me“-Roboter befördern Lasten für Zusteller in der Stadt. Bei UPS wird Predictive Analytics zum Planen ständig wechselnder Fahrerrouten und Lieferpläne verwendet, einschließlich Vorhersagen bei bestimmten Routenbedingungen.
5. Lieferantenmanagement – Die Daten, die durch das Verfolgen der Supply Chain aggregiert werden, sind ebenfalls wichtig. Sie ermöglichen Unternehmen, ihre eigenen Produktionspläne anzupassen und Lieferanten zu identifizieren, die sie möglicherweise unnötige Ressourcen kosten. Laut IBM stammen bis zu 65 % des Wertes eines Produkts oder einer Dienstleistung von seinen Lieferanten. Dieser hohe Anteil bietet Unternehmen einen großen Anreiz, die Beziehung effizienter zu gestalten.
Algorithmen stellen sicher, dass die Lieferantenauswahl objektiv ist und qualitativen sowie quantitativen Leistungskennzahlen zugrunde liegt. Durch neue Entscheidungsmodelle auf Basis verschiedener Faktoren ermöglicht künstliche Intelligenz den Unternehmen, ihren Einkauf strategischer auszurichten und über die traditionelle Rolle des „reinen „Preissenkers“ hinauszugehen.
Vorteile von KI in der Supply Chain
Die Nutzung künstlicher Intelligenz zum Verbessern der Supply Chain hat viele finanzielle Vorteile. Sie erfordert aber auch Investitionen. Es gibt bestimmte praktische Anforderungen an ein funktionierendes KI-System. Dazu gehören eine flexible Infrastruktur zum Einhalten von Vorschriften, das Skalieren zum Verwalten großer Datenmengen sowie eine nahtlose Datenintegration zum Einspeisen von Algorithmen des maschinellen Lernens.
Für den effektiven Einsatz künstlicher Intelligenz (KI) ist es notwendig, verschiedene Systeme zu integrieren darunter Product Lifecycle Management (PLM), Enterprise Resource Planning (ERP) und Customer Relationship Management (CRM). Unabhängig von den Infrastrukturkosten amortisiert sich die künstliche Intelligenz (KI) durch eine gesteigerte Effizienz in jeder Phase der Produktlieferung in kürzester Zeit selbst. Bei allen aktuellen Innovationen im Bereich des maschinellen Lernens ist es nur eine Frage der Zeit, bis die künstliche Intelligenz (KI) ein unverzichtbarer Teil des Supply-Chain-Managements ist.