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 Intralogistik-Experte der CIM GmbH 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 Intralogistik-Systems 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%, sodass das neuronale Netz die Unterschiede erkennt und die Artikel entsprechend 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. 

Vielversprechende Daten und große Herausforderungen

Die Schwierigkeit ist es einerseits, die Parameter im Algorithmus des Künstlichen neuronalen Netzes anzupassen, um die Effizienz zu erhöhen. „Das ist die Aufgabe der angewandten Forschung“, so Engelmayer. „Für uns ist die praktische Umsetzbarkeit viel relevanter,“ fährt er fort. Um zu testen, ob sich tatsächlich eine höhere Effizienz bei der Verwendung des neuronalen Netzes einstellt, gilt es nicht nur die Ergebnisse der KI-Tests zu betrachten. Sondern diese sind auch mit den bestehenden Möglichkeiten zur Optimierung der Intralogistik zu kontrastieren. „Da muss man schon ehrlich sein“, sagt Engelmayer. „Das, was CIM in PROLAG World bisher hat, ist in meinen Augen so ziemlich das Beste, das auf dem Markt ist.“ Die Effizienz-Analyse, die PROLAG World in zahlreichen bestehenden Lagern bereits nutzt, wird zum Kontrast mit den gleichen Daten gefüttert, wie der Algorithmus des Künstlichen neuronalen Netzes. Dabei wird deutlich, dass das neuronale Netz durchaus zu einer beachtlichen Leistung in der Effizienz-Analyse fähig ist. „Man kann das Potential der Technologie deutlich erkennen, insbesondere bei den Zusammenhängen zwischen den Artikeln“, fügt der Intralogistik-Experte an. Trotzdem gibt es Faktoren, die an anderen Stellen die Leistungsfähigkeit der KI negativ beeinträchtigen. „Da ist zum Beispiel das Thema der Rechnerkapazitäten und der Response-Zeit des neuronalen Netzes“, so Engelmayer. „Hier ist unser bisheriger Algorithmus einfach weniger anspruchsvoll.“

Weitere Tests und Forschungen versprechen neue Ergebnisse

Von einem Fazit oder auch nur einem deutlichen Zwischenergebnis in den Bemühungen wagt Andreas Engelmayer aber noch nicht zu sprechen. „Wir sind eigentlich noch ganz am Anfang“, gibt er zu bedenken. Wirklich spannend, so Engelmayer, seien die kommenden Wochen und Monate, in denen komplexere Testdaten zur Anwendung kommen sollten. „Bislang haben wir nur mit einem gering bestückten Lagern gearbeitet“, gibt Engelmayer zu. „Um näher an die Praxis zu rücken, werden wir demnächst mit hoher und sehr hoher Lagerbelegung arbeiten. Dann werden wir sehen, ob die KI noch immer so gute Ergebnisse in der Effizienz der Intralogistik erzielt.“
Bevor er also evaluieren möchte, gilt es abzuwarten. Ein Test dauert in der Regel zwei Wochen und die Daten sind daraufhin erst noch auszuwerten. Bevor ein vorläufiges Urteil gefällt werden kann, sind zudem noch weitere Artikeldaten einzupflegen, sodass die Ergebnisse ein realistisches Bild einer KI-gesteuerten Intralogistik abliefern.
Fragt man Andreas Engelmayer, was er für Ergebnisse erwartet, weicht er der Frage geschickt aus und lacht. „Es ist unglaublich aufregend, mit dieser Technologie zu arbeiten. Und ich bin sehr gespannt, was da im nächsten halben Jahr auf uns wartet.“ Die Forschungskooperation zwischen der Technischen Universität München und CIM wird noch bis Juli 2023 andauern. Bis dahin ist noch viel Zeit für weitere Tests und Optimierungen geplant. Spannend bleibt es in jedem Fall.