Die Nutzung künstlicher Intelligenz (KI) zur Routenoptimierung: Vorteile, Grenzen und Risiken

Stellungnahme von An de Wispelaere

In diesem Artikel behandelt An de Wispelaere, Chief Product Officer (CPO) unseres Unternehmens, einige wichtige Fragen zur Nutzung künstlicher Intelligenz (KI) zur Routenoptimierung. Da KI in der Softwareentwicklung immer beliebter wird, liefert An wertvolle Einblicke in ihre Vorteile, Einschränkungen und Risiken. Darüber hinaus erklärt sie, wie PTV Logistics akademische Forschung mit eigenen Studien kombiniert, um innovative Lösungen zur Routenoptimierung im Bereich der Fahrzeugroutenprobleme (VRP) zu entwickeln, die über branchenübliche Standards hinausgehen. Lesen Sie weiter, um mehr über die potenziellen Vorteile und Nachteile der Verwendung von KI oder des verstärkten Lernens in VRP zu erfahren.

F: Wird PTV Logistics KI oder verstärkendes Lernen nutzen?

Antwort An: Unser grundlegendes Ziel ist es, kontinuierlich zu innovieren und einen Wettbewerbsvorteil zu halten. Um dieses Ziel zu erreichen, sind wir bestrebt, alle verfügbaren Methoden und modernsten Techniken zu nutzen, einschließlich KI oder verstärkendem Lernen. Diese sollten immer anderen Techniken, die wir verwenden, überlegen sein. Nach der Fusion von PTV und Conundra sind wir bereit, unsere Innovationen weiter zu verbessern.

Take control of your logistics with our powerful SaaS route optimization software OptiFlow.

F: Was sind die Vorteile von KI im Kontext der Fahrzeugroutenprobleme (VRP)?

Antwort An: KI kann umfangreich im Bereich des Lernens eingesetzt werden. (Lernen = die Nutzung von Ausführungsdaten, um Erkenntnisse zu gewinnen und die Qualität unseres Routenoptimierungsplans zu verbessern, indem die zur Erstellung des Plans verwendeten Stammdaten erweitert werden). Zum Beispiel wird KI und maschinelles Lernen verwendet, um Kundenlieferzeiten zu analysieren, die zeitabhängig und sogar fahrer-/ressourcen-/standortbezogen sein können.

Geokodierung: KI ist ein leistungsstarkes Werkzeug zur Verbesserung der Genauigkeit und Effizienz der Geokodierung und trägt dazu bei, präzisere und effektivere Kartierungs- und standortbasierte Dienste zu ermöglichen. Beispiele sind:

• Adressanalyse: KI kann verwendet werden, um die einzelnen Komponenten einer Adresse, wie Straßenname, Stadt, Bundesstaat und Postleitzahl, zu analysieren. Diese Analyse kann dazu beitragen, die Genauigkeit des Geokodierungsprozesses zu verbessern, indem sichergestellt wird, dass jede Komponente korrekt identifiziert und ihrer entsprechenden geografischen Position zugeordnet wird.
• Natürliche Sprachverarbeitung: KI kann auch zur Interpretation von natürlichsprachlichen Eingaben wie handschriftlichen oder gesprochenen Adressen verwendet werden. Die natürliche Sprachverarbeitung (NLP) kann dabei helfen, Fehler oder Mehrdeutigkeiten in der Adresse zu identifizieren und zu korrigieren, wie beispielsweise Rechtschreibfehler, fehlende oder falsche Komponenten oder unklare Abkürzungen.

Service Levels – Die Bewertung von Servicelevels basierend auf der Kundennähe zum Depot ist wichtig. Die Lieferkosten hängen offensichtlich von der Entfernung ab, aber auch die Dichte im Liefergebiet spielt eine entscheidende Rolle. Eine genaue Vorhersage des gesamten Liefernetzwerks an einem bestimmten Tag ist notwendig, um spontane Schätzungen oder Vorhersagen spezifischer Lieferkosten für einen Kunden und Zeitfenster zu treffen. KI-Techniken haben eine bewährte Erfolgsbilanz bei der Vorhersage und sind in diesem Zusammenhang äußerst relevant.

Planungsrobustheit: Der Straßentransport ist anfällig für Echtzeitveränderungen wie Verkehrsstaus oder plötzliche Nachfrageänderungen. Maschinelles Lernen kann aus vergangenen Daten lernen und zukünftige Trends vorhersagen, was bei der Anpassung von Routen und Zeitplänen hilfreich sein kann, um einen robusteren Plan zu erstellen.

Ressourcenzuweisung: KI kann zur effizienten Zuweisung von Ressourcen wie Fahrzeugen und Fahrern verwendet werden. Maschinelle Lernalgorithmen können historische Daten analysieren und die Nachfrage vorhersagen, was bei der Entscheidung über die Anzahl der für einen bestimmten Zeitraum benötigten Ressourcen hilfreich sein kann.

Kunden-/Fahrerzufriedenheit: KI kann verwendet werden, um die Kundenzufriedenheit bzw. die Zufriedenheit der Fahrer zu verbessern, indem die Lieferpläne optimiert und die Lieferzeiten reduziert werden. Dies kann erreicht werden, indem das Verhalten und die Vorlieben von Kunden/Fahrern analysiert und in den VRP-Algorithmus eingebunden werden.

F: Was sind die Grenzen und Risiken von KI im Kontext der Fahrzeugroutenprobleme (VRP)?

Antwort An: Wenn Unternehmen künstliche Intelligenz (KI) zur Optimierung von Fahrzeugroutenproblemen (VRP) einsetzen, ist es wichtig, die Grenzen und Risiken einer KI-Implementierung sorgfältig zu berücksichtigen. Wir untersuchen diese Faktoren und bieten Einblicke, um Unternehmen dabei zu helfen, mit den potenziellen Nachteilen der Verwendung von KI in VRP umzugehen.

Grenzen:

• Benötigte Datenmenge: Um wertvolle Erkenntnisse zu gewinnen, werden enorme Mengen an historischen Daten benötigt.
• Rechenressourcen: KI erfordert erhebliche Rechenressourcen, um ihre Berechnungen durchzuführen, was bei großen VRP-Instanzen zu Engpässen führen kann.
• Datenqualität: Die Qualität der in KI-Modelle eingespeisten Daten ist entscheidend für ihre Wirksamkeit. Wenn die Daten unvollständig, falsch oder inkonsistent sind, kann dies zu ungenauen Lösungen führen.
• Komplexität des Problems: VRP kann ein sehr komplexes Optimierungsproblem sein, insbesondere wenn man reale Einschränkungen wie Verkehr, Wetter und Fahrzeugkapazität berücksichtigt. Die Komplexität des Problems kann die Wirksamkeit von KI-Modellen bei der Lösung einschränken. Wir sehen, dass KI-Ansätze zufriedenstellende Ergebnisse für einfachere Fälle liefern, was vielversprechend für zukünftige Weiterentwicklungen ist.
• Abwägung zwischen Lösungsqualität und Rechenzeit: KI-Algorithmen müssen die Lösungsqualität mit der Rechenzeit abwägen, insbesondere bei Echtzeitanwendungen. Manchmal kann der KI-Algorithmus innerhalb eines angemessenen Zeitrahmens keine optimale Lösung finden.

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 und Grenzen sorgfältig zu berücksichtigen, wenn KI in der Routenoptimierung implementiert wird, um sicherzustellen, dass die Vorteile die potenziellen Nachteile überwiegen.

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

Antwort An: Da KI kontinuierlich die Geschäftswelt verändert, geben einige unserer Wettbewerber an, Meister darin zu sein, KI in ihre Lösungen zu integrieren. Wir prüfen, wie unser Unternehmen dieser Herausforderung begegnet und danach strebt, überlegene Ergebnisse zu erzielen.

• Nehmen wir zum Beispiel die Aussage, dass man aus den manuell vorgenommenen Änderungen an den geplanten Routen durch den Disponenten lernen sollte, unter Berücksichtigung der Tatsache, dass „nicht alles in den Stammdaten bekannt ist und es auch nie sein wird.”
• In diesem speziellen Fall können wir KI nutzen, um die Stammdaten automatisch zu verbessern, zu erweitern oder zu korrigieren, anstatt KI zur Manipulation der VRP-Lösung zu verwenden. Es gibt zwei Hauptgründe für diesen Ansatz.

Erstens wurde unser VRP-Algorithmus speziell entwickelt, um die bestmögliche Lösung auf der Grundlage eines Datensatzes zu generieren, der als vollständig und genau angesehen wird. Daher kann das Anpassen oder Manipulieren der Lösung nicht unbedingt zu Verbesserungen führen, da der Algorithmus bereits davon ausgeht, dass die Daten zuverlässig sind.

Zweitens betont das Argument der „Black Box“ die Bedeutung von Transparenz im Entscheidungsprozess. Durch das Verständnis, warum bestimmte Routen basierend auf einem zugrunde liegenden Kostenmodell gewählt werden, können Planer fundierte Entscheidungen treffen. Eine Änderung der Lösung könnte zu einem teureren Plan führen und wertvolle Einblicke in die Entscheidungsgrundlage des Algorithmus liefern.

F: Was zeichnet unseren Ansatz aus und wie übertrifft er andere?

Antwort An: Wir verbessern kontinuierlich unseren VRP-Lösungsalgorithmus durch eine Kombination aus akademischer Forschung und eigenen Studien. Unser Ziel ist es, erstklassige Ergebnisse zu liefern, die branchenübliche Standards übertreffen. Um dies zu erreichen, unterziehen wir unsere Modifikationen strengen Vergleichstests mit unseren Wettbewerbern. Wir sind stolz darauf, dass unser Algorithmus derzeit herausragende Ergebnisse liefert. Wir werden weiterhin innovieren und die richtige Mischung aus Algorithmen nutzen. Daher neigen wir dazu, wenn unser Algorithmus ein unerwartetes Ergebnis liefert, anzunehmen, dass das Problem eher bei den Eingabedaten als bei den Ausgabedaten liegt. KI kann als Lernwerkzeug genutzt werden, um die Anpassungen zu untersuchen, die Menschen in der Vergangenheit vorgenommen haben, und dieses Wissen zu nutzen, um in der Zukunft bessere Fragen an den Algorithmus zu stellen. Dies könnte die Verbesserung der Eingabedaten durch Vorschläge von Änderungen oder die Identifizierung von Lücken in den Fähigkeiten des Algorithmus umfassen.