KI für die Tourenoptimierung nutzen – Vorteile, Grenzen und Risiken

In diesem Interview teilt An de Wispelaere, Chief Product Officer bei PTV Logistics, ihre Perspektive auf reale Chancen, Vorteile, Grenzen und Risiken beim Einsatz von KI in der Tourenoptimierung. Sie erklärt, wie PTV Logistics akademische Forschung mit eigenen Studien kombiniert, um Innovationen zur Lösung des Vehicle Routing Problem (VRP) voranzutreiben und kontinuierlich die Grenzen des Machbaren im Bereich KI für die Logistik zu erweitern. Zusammen ergeben diese Einblicke ein klares Bild davon, wie sich KI zu einer praktischen und vertrauenswürdigen Entscheidungshilfe für die Zukunft der Logistik entwickelt.

F: Wird PTV Logistics KI oder Reinforcement Learning einsetzen?

„Unser grundlegendes Ziel ist es, kontinuierlich Innovationen voranzutreiben und einen Wettbewerbsvorteil zu erhalten. Zu diesem Zweck nutzen wir alle verfügbaren Methoden und modernsten Techniken, darunter KI oder Reinforcement Learning. Diese sollten immer anderen verwendeten Verfahren überlegen sein. Nach dem Zusammenschluss von der PTV Group und Conundra sind wir in der Lage, unsere Innovationsbestrebungen weiter zu verstärken und dem Wettbewerb noch stärker voraus zu sein.“

F: Was sind die Vorteile von KI im Kontext des VRP?

„KI kann umfassend im Bereich Learn eingesetzt werden. (Learn bedeutet: Ausführungsdaten nutzen, um Erkenntnisse zu gewinnen und die Qualität unseres Tourenoptimierungsplans zu verbessern, indem die für die Planung verwendeten Stammdaten angereichert werden.) Beispielsweise wird KI und Machine Learning genutzt, um Lieferzeiten der Kund:innen zu analysieren, die zeitabhängig sein können und sogar fahrer-, ressourcen- oder standortbezogen.

Geocoding: KI ist ein leistungsstarkes Werkzeug zur Verbesserung der Genauigkeit und Effizienz des Geocodings und unterstützt präzisere und effektivere Karten- und Standortdienste. Beispiele:

• Adressanalyse: KI kann genutzt werden, um einzelne Bestandteile einer Adresse – wie Straßenname, Stadt, Bundesland oder Postleitzahl – zu erkennen. Dies verbessert die Genauigkeit des Geocodings, indem jedes Element korrekt identifiziert und dem richtigen geografischen Ort zugeordnet wird.
• Natural Language Processing: KI kann handgeschriebene oder gesprochene Adressen interpretieren. Natural Language Processing (NLP) hilft, Fehler oder Unklarheiten wie Rechtschreibfehler, fehlende Angaben oder missverständliche Abkürzungen zu erkennen und zu korrigieren.

Service Levels: Die Bewertung von Service Levels auf Basis der Nähe von Kund:innen zum Depot ist wichtig. Die Lieferkosten hängen nicht nur von der Entfernung ab, sondern auch von der Dichte im Liefergebiet. Eine genaue Prognose des gesamten Liefernetzwerks eines Tages ist erforderlich, um schnelle Einschätzungen bestimmter Lieferkosten für Kund:innen und Zeitfenster vorzunehmen. KI-Techniken haben sich bei Prognosen bewährt und sind hier äußerst relevant.

Planungsrobustheit: Straßentransport ist anfällig für Echtzeitänderungen wie Verkehrsstaus oder kurzfristige Nachfrageveränderungen. Machine-Learning-Algorithmen können aus vergangenen Daten lernen und zukünftige Trends vorhersagen. So können Touren und Zeitpläne angepasst werden, um robustere Pläne zu erstellen.

Ressourcenzuweisung: KI kann helfen, Ressourcen wie Fahrzeuge und Fahrer:innen effizient zuzuweisen. Machine Learning analysiert historische Daten und prognostiziert die Nachfrage, was Entscheidungen über benötigte Ressourcen unterstützt.

Zufriedenheit von Kund:innen und Fahrer:innen: KI kann die Zufriedenheit steigern, indem Lieferpläne optimiert und Lieferzeiten reduziert werden. Dies gelingt durch die Analyse von Verhalten und Präferenzen und deren Integration in den VRP-Algorithmus.“

F: Was sind die Grenzen und Risiken von KI im Kontext des VRP?

„Unternehmen, die KI zur Optimierung des VRP einsetzen möchten, sollten die Grenzen und Risiken sorgfältig berücksichtigen. Wir beleuchten diese Faktoren und geben Einblicke, um mögliche Nachteile zu verstehen.“

Grenzen:

• Datenmenge: Um wertvolle Erkenntnisse zu gewinnen, werden große Mengen historischer Daten benötigt.
• Rechenressourcen: KI benötigt erhebliche Rechenleistung, was bei großen VRP-Fällen zu Engpässen führen kann.
• Datenqualität: Die Qualität der eingespeisten Daten ist entscheidend. Unvollständige oder inkonsistente Daten führen zu ungenauen Ergebnissen.
• Komplexität des Problems: VRP ist besonders komplex – insbesondere mit realen Faktoren wie Verkehr, Wetter oder Fahrzeugkapazitäten. Die Komplexität kann die Wirksamkeit von KI-Modellen begrenzen. Wir sehen zufriedenstellende Ergebnisse bei einfacheren Fällen, die jedoch vielversprechend für zukünftige Entwicklungen sind. was vielversprechend für zukünftige Weiterentwicklungen ist.
• Abwägung zwischen Lösungsqualität und Rechenzeit: KI muss zwischen guter Lösung und schneller Rechenzeit balancieren. Teilweise kann die optimale Lösung nicht in angemessener Zeit gefunden werden.

Risiken:

• Übermäßiges Vertrauen in KI: Ein übermäßiges Vertrauen in KI zur Lösung komplexer Optimierungsprobleme wie VRP kann zu Selbstzufriedenheit und einer verringerten Innovation bei traditionellen Problemlösungsmethoden führen.
• Black-Box-Problem: KI-Modelle können schwer interpretierbar sein, was es herausfordernd macht, zu verstehen, warum bestimmte Routen empfohlen werden. Diese mangelnde Transparenz kann es schwierig machen, Fehler oder Voreingenommenheit im Algorithmus zu identifizieren und zu korrigieren.
• Übermäßiges Vertrauen in historische Daten: KI-Modelle werden in der Regel mit historischen Daten trainiert, was problematisch sein kann, wenn sich die Bedingungen ändern.

“Insgesamt ist es wichtig, diese Risiken sorgfältig abzuwägen, damit der Nutzen von KI die möglichen Nachteile überwiegt.“

KI funktioniert nur, wenn Teams sie wirklich nutzen können.

Die eigentliche Herausforderung ist nicht der Algorithmus – sondern aus Daten, Restriktionen und täglichen Störungen klare, nachvollziehbare Entscheidungen zu machen. PTV Mira schließt diese Lücke. Sie verwandelt alltägliche Logistikfragen in echte Optimierungsszenarien mit transparenten, erklärbaren Ergebnissen. So können Teams schneller und sicherer handeln.

F: Wie geht PTV Logistics mit Aufgaben um, die Wettbewerber angeblich mit KI lösen?

„Einige Wettbewerber behaupten, KI bereits vollständig in ihre Lösungen integriert zu haben. Wir zeigen, wie wir mit solchen Herausforderungen umgehen und bessere Ergebnisse erzielen.

• Ein Beispiel: Nehmen wir zum Beispiel die Aussage, dass man aus den manuell vorgenommenen Änderungen an den geplanten Touren durch Disponent:innen lernen sollte, da „nicht alles in den Stammdaten bekannt ist und niemals bekannt sein wird“.
• In diesem Fall nutzen wir KI, um Stammdaten automatisch zu verbessern, statt die VRP-Lösung direkt zu manipulieren. Dafür gibt es zwei Gründe:

1. Unser VRP-Algorithmus ist so konzipiert, dass er die bestmögliche Lösung auf Basis vollständiger und korrekter Daten liefert.
   Eingriffe an der Lösung selbst verbessern diese nicht zwingend.
2. Das Black-Box-Argument unterstreicht die Bedeutung von Transparenz.
   Wenn Disponent:innen verstehen, warum bestimmte Touren gewählt werden, treffen sie fundierte Entscheidungen. Veränderungen an der Lösung könnten die Kosten erhöhen – was wiederum wertvolle Einblicke in die Entscheidungslogik liefert.“

F: Was unterscheidet unseren Ansatz und warum ist er überlegen?

„Wir verbessern unseren VRP-Algorithmus kontinuierlich durch akademische Forschung und eigene Studien. Unser Anspruch ist es, führende Ergebnisse zu liefern. Dafür vergleichen wir unsere Anpassungen streng mit Benchmarks und Wettbewerbern. Unser Algorithmus liefert heute bereits exzellente Resultate. Wenn das Ergebnis einmal unerwartet ist, liegt das Problem meist in den Eingabedaten, nicht im Algorithmus. KI kann genutzt werden, um zu lernen, welche manuellen Anpassungen Menschen vorgenommen haben. So kann sie helfen, bessere Fragen zu stellen, etwa indem sie aufzeigt, wo Eingabedaten verbessert werden sollten oder wo es Lücken im Algorithmus gibt.“

Da KI inzwischen in vielen Bereichen des Logistikalltags angekommen ist, fragen sich viele Teams, wie sich diese Prinzipien eigentlich in echte, nutzbare Werkzeuge übersetzen lassen. Das führt zu einer naheliegenden Frage:

F: Wie hilft PTV Mira dabei, KI in der Praxis der Tourenplanung einzusetzen?

„PTV Mira ist unsere interaktive Logistik-Intelligence-Lösung, die komplexe Fragen zur Touren- und Netzwerkplanung durch einfache natürliche Sprache beantwortet. Statt Dashboards, Tabellen oder manueller Analyse stellen Planer:innen oder Entscheider:innen Fragen wie:

• „Was passiert, wenn das Auftragsvolumen nächsten Montag steigt?“
• „Warum ist dieser Auftrag ungeplant?“
• „Welcher Depotstandort performt am besten – und warum?“

Sie übersetzt diese Fragen in Optimierungsszenarien, führt echte Simulationen über die PTV Developer APIs aus und vergleicht Alternativen in Kosten, Service und CO₂-Emissionen.

Basierend auf mehr als 40 Jahren Fachwissen in der Routenplanung und Optimierung führt PTV Mira echte Optimierungen aus, erklärt Ergebnisse transparent und zeigt Zielkonflikte auf. Das macht KI im Alltag der Tourenplanung und strategischen Entscheidungen praktisch und vertrauenswürdig.

PTV Mira ist für die Realität von Unternehmen entwickelt:
Keine autonomen Entscheidungen, vollständige Transparenz über Annahmen, Benutzerfreigabe für jede Aktion. Sie reduziert manuelle Analysen, beschleunigt Entscheidungen und hilft Teams, Ursachen zu verstehen, Szenarien zu prüfen und operative sowie strategische KPIs zu verbessern.“