Künstliche Intelligenz in der Logistik - Hype oder Schlüsseltechnologie? - Dr. Sebastian Erdenreich - Digitale ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Künstliche Intelligenz in der Logistik
Hype oder Schlüsseltechnologie?
Dr. Sebastian Erdenreich
trinnovative GmbH
1
Was ist Künstliche Intelligenz?
artificial intelligence:
“the theory and development of computer systems able to
perform tasks normally requiring human intelligence, such as
visual perception, speech recognition, decision-making, and
translation between languages.”
[http://www.oxfordreference.com/view/10.1093/oi/authority.20110803095426960]
© 2019 trinnovative GmbH 2
Entwicklung Künstliche Intelligenz (1)
Deep Blue
John McCarthy: besiegt
Artificial Garry Kasparov
Intelligence im Schach
1950 1955 1964 „KI Winter“ 1997 2011
Siri (Apple)
Alan Turing: ELIZA (iPhone4S)
Turing Test Erster Chatbot
Watson (IBM)
gewinnt
Jeopardy
© 2019 trinnovative GmbH 3
Entwicklung Künstliche Intelligenz (2)
Alexa
Erstes
(Sprach-
KI Kunstwerk
assistent)
2014 2014 2017 2018 2019
Eugene AlphaGo KI Assistenten
Goostman besiegt Ke Jie
(Chatbot) in Go Transparenz
AutoML
© 2019 trinnovative GmbH 4
Taxonomie der Künstlichen Intelligenz
Experten- Kunden-
Clustering segmentierung
systeme
Maschinelles Unüberwachtes Merkmals- Klassifikation Diagnose
KI
Lernen Lernen extraktion
Überwachtes Absatz-
Lernen Regression
Prognose
© 2019 trinnovative GmbH 5
Status quo Künstliche Intelligenz
[https://www.gartner.com/smarterwithgartn
er/5-trends-emerge-in-gartner-hype-cycle-
for-emerging-technologies-2018/]
© 2019 trinnovative GmbH 6
Deep Learning
[https://www.edureka.co/blog/what-is-deep-learning]
© 2019 trinnovative GmbH 7
Rasante Entwicklung
mehr Daten
AI as a Service
mehr Spezialisten
mehr Rechenpower
(GPU, TPU)
bessere Algorithmen
© 2019 trinnovative GmbH 8
Anwendungsfälle in der Logistik © 2019 trinnovative GmbH 9
Use Case 1: Absatzplanung
SKU 4711
1200
„Genauso viel Bestand im Lager
Nachschub
1000 wie notwendig:
nicht mehr, nicht weniger“
800 Nachschubauftrag
Inventory
Zeit bis zur Ankunft des Nachschubs
600
400
Vorteile:
Wenig Bestand • geringere Lagerkosten
200
• Reduzierter Out-of-Stock
0
1 2 3 4 5 6 7
Time
© 2019 trinnovative GmbH 10Funktionsweise: Absatzplanung © 2019 trinnovative GmbH 11
Umsetzung in der Praxis Beispiele: • Otto: 90% genaue Vorhersage für 30 Tage [1] • Konsumgüterindustrie (u.a. eigene Projekte): bis 95% genau [1: https://www.ssi-schaefer.com/resource/blob/504700/ec6d618fc32d0544d280b5f5ffd312e6/white-paper-artificial-intelligence-in-logistics--dam-download-en-16560--data.pdf] © 2019 trinnovative GmbH 12
Use Case 2: Predictive Maintenance
Preventive Predictive
Maschine 1
Maschine 2
Maschine 3
Maschine 4
© 2019 trinnovative GmbH 13Funktionsweise: Predictive Maintenance
Predictive Maintenance
4
Data Analytics
Monitoring
1 2
3
Machine
Sensor- Daten Daten speichern Learning
daten senden
Edge Cloud
© 2019 trinnovative GmbH 14Beispieldaten „Turbine“
[https://www.svds.com/predictive-maintenance-iot/]
© 2019 trinnovative GmbHUmsetzung in der Praxis Beispiele: • Union Pacific Railroad, Einsparung 100 Mio Dollar pro Jahr [1] • United Parcel Service (UPS), Einsparungen im Millionenbereich [2] • Deutsche Bahn wird bis 2020 Zustandsdaten aller Güterloks erfassen[3] [1: https://www.t-systems.com/de/de/ueber-uns/unternehmen/newsroom/news/news/predictive-operations-optimiert-die-logistik-254924] [2: https://www.forbes.com/sites/gregsatell/2013/12/03/yes-big-data-can-solve-real-world-problems/#e0a215b88969] [3: https://www.computerwoche.de/a/ge-digitalisiert-250-gueterloks-der-deutschen-bahn,3330236] © 2019 trinnovative GmbH 16
Use Case 3: Chatbots
Wo ist mein
Paket mit „ Arbeitsabläufe vereinfachen,
Nummer 123 beschleunigen und automatisieren“
Hallo,
wie kann
ich helfen?
Vorteile:
• Schnelle Antwortzeiten
• Permanent Verfügbar
• Beliebig Skalierbar
• Kostengünstig
© 2019 trinnovative GmbH 17Funktionsweise: Chatbots [ https://www.wordstream.com/blog/ws/2017/10/04/chatbots ] © 2019 trinnovative GmbH 18
Umsetzung in der Praxis Beispiele: • Nahverkehr (Amtrak): Kundenservice [1] • Flugverkehr (Lufthansa): Umbuchung[2] • Transportlogistik (UPS + DPD): Tracking [3][4] [1: http://nextit.com/case-studies/amtrak] [2: https://www.lufthansa.com/xx/de/chatbot] [3: https://www.ups.com/us/en/services/tracking/chatbot.page] [4: https://www.eurotransport.de/artikel/mit-google-assistent-dpd-pakete-steuern-kep-dienst-setzt-auf-intelligenten-chatbot-10381781.html] © 2019 trinnovative GmbH 19
Pro und Kontra
Stärken Schwächen
• Automatisierung von • Trainings-Datenqualität entscheidend
Routineaufgaben • Expertenwissen erforderlich
• Geringer Kosten (teilweise)
• Höhere Produktivität
Chancen Risiken
• Mensch Fokus auf „anspruchsvolle“ • Black Box
Tätigkeiten • „Diskriminierung“
• Mehr Jobs entstehen als abgebaut • Datenschutz
werden
© 2019 trinnovative GmbH 20Fazit KI ist eine derzeit gehypte, aber zukünftige Schlüsseltechnologie © 2019 trinnovative GmbH 21
© 2015 trinnovative GmbH 22
Wir sind …
Dr. Andreas Beer Dr. Johann Schenkl Dr. Sebastian Erdenreich Dr. Sebastian Schierenberg
IT-Berater IT-Berater IT-Berater IT-Berater
… trinnovative:
Dienstleister für Maschinelles Lernen und
Softwareentwicklung aus Regensburg
Raffaela Schierle Andreas Zinkl Kevin Preischl
IT-Beraterin Werkstudent Masterand
© 2019 trinnovative GmbH 23Credits:
• Icons made by Eucalyp/Freepik/Kiranshastry/mavadee/
Smashicons https://www.flaticon.com is licensed by CC 3.0
BY
• Photos made by Daniel Cheung/David Clode/Pete Pedroza/
Franck V./Lovely Shots/S O C I A L . C U T on
https://unsplash.com
© 2019 trinnovative GmbH 24Sie können auch lesen
