English version please see below

Realität und Erwartungshaltung

Immer mehr logistische Softwarelösungen werben mit der Verwendung von „künstlicher Intelligenz“ in Ihren Lösungen. Klingt super und nach dem neuesten Stand der Technik. Doch ist dies auch der Fall? 

Um dies zu beantworten müssen wir bei der künstlichen Intelligenz (KI bzw. AI) erst einmal die klassische Definition und die Erwartungshaltung trennen. In der klassischen Definition bedeutet KI die Nachbildung der Entscheidungsstrukturen des Menschen. Somit sind bereits einfache Algorithmen oder Heuristiken eine Form der künstlichen Intelligenz. Wenn die künstliche Intelligenz aus Fehlern lernen und ohne Zutun eines Menschen das Verhalten ändert, nennt man dies „maschinelles Lernen“ – in der Regel ist dies die Erwartungshaltung der meisten Menschen.

Beispiele für einfache KI und maschinelles Lernen

Ein Unternehmen hat 20 regional tätige Lieferfahrzeuge und muss täglich 200 Aufträge ausliefern. Früher hat ein Disponent die Aufträge im Kopf grob gruppiert (z.B. nach PLZ o.ä.) und dann die Touren nach und nach aufgebaut. Dabei wurden Mengen und die erwartete Einsatzzeit des Fahrers hochgerechnet und die ungefähre Fahrreihenfolge festgelegt. In modernen Softwarelösungen übernimmt eine KI-Lösung diese Aufgabe in einem Bruchteil der Zeit.

Bei Ihnen wird diese Aufgabe durch eine automatische Tourenoptimierung übernommen? Glückwunsch, Sie haben in Ihrem Haus bereits eine Software mit KI im Einsatz. Die Tourenoptimierung bildet, meist über heuristische Verfahren, die Entscheidungsprozesse des Disponenten nach. Darum ist es auch so wichtig, dass Tourenoptimierungen mit möglichst vielen Daten gefüttert werden. Nur so können sie die gleichen Entscheidungen treffen, wie der Disponent – nur eben schneller und weniger fehleranfällig. 

Das maschinelle Lernen geht noch einen Schritt weiter. Innerhalb des obigen Beispiels erkennt das System durch die Livedaten (Telematik), dass an den Rampen einiger Kunden statt der üblichen 15 Minuten Entladezeit immer 25 Minuten benötigt werden. Ohne den Eingriff eines Menschen (auf Wunsch wird dieser jedoch über Änderungen informiert) berücksichtigt das System bei der nächsten Planung diese Zeiten, was potenziell zu einem komplett anderen Tourenplan führt. 

Ist KI nun ein USP?

Nein, ist es nicht. KI ist im Umfeld der Tourenplanung oder der ETA Kalkulation, in diesen Bereichen liest man am häufigsten von KI benutzenden Lösungen, bereits viele Jahre im Einsatz und kein einzigartiges Verkaufsargument. Anders sieht es beim maschinellen Lernen aus. Lösungen, die diese Möglichkeiten bieten sind noch sehr rar und haben definitiv einen USP. Oder anders ausgedrückt: Künstliche Intelligenz in der Logistik ist kein USP, maschinelles Lernen aber schon.


English version

Reality and expectations

More and more logistic software solutions advertise the use of „artificial intelligence“ in their solutions. Sounds great and state-of-the-art. But is this also the case?

In order to answer this, we first have to separate the classic definition from the expectations in regard to artificial intelligence (AI). In the classic definition, AI means replicating human decision-making structures. So simple algorithms or heuristics are already a form of artificial intelligence. When artificial intelligence learns from mistakes and changes behavior without human intervention, this is called “machine learning” – as a rule, this is what most people expect.

Examples of simple AI and machine learning

A company has 20 regional delivery vehicles and has to deliver 200 orders a day. In the past, a dispatcher roughly grouped the orders in his head (e.g. by post code or similar) and then built up the tours one by one. The quantities and the expected deployment time of the driver were extrapolated and the approximate driving sequence was determined. In modern software solutions, an AI solution takes on this task in a fraction of the time.

Do you have this task taken over by automatic route optimisation? Congratulations, you already have software with AI in use in your company. Route optimisation emulates the dispatcher’s decision-making processes, usually using heuristic procedures. That is why it is so important that route optimisations are fed with as much data as possible. This is the only way you can make the same decisions as the dispatcher – just faster and less error-prone.

Machine learning goes one step further. In the example above, the system recognises through the live data (telematics) that 25 minutes are always required at the ramps of some customers instead of the usual 15 minutes unloading time. Without the intervention of a person (who will be informed of changes if requested), the system takes these times into account during the next planning, which potentially leads to a completely different route plan.

Now, Is AI a USP?

No it is not. AI is in the field of route optimisation or ETA calculation, in these areas one reads most often about solutions using AI, in use for many years and is not a unique sales argument. It looks different with machine learning. Solutions that offer these possibilities are still very rare and definitely have a USP. In other words: Artificial intelligence in logistics is not a USP, but machine learning is.