Der optimale Materialfluss und die Planung von Ressourcen, egal ob Mensch oder Maschine, wird immer komplexer und ist mit herkömmlichen Mitteln kaum mehr beherrschbar. Künstliche Intelligenz und neuronale Netze helfen PBW hier in kurzer Zeit optimale Ergebnisse zu erzielen.

Mit Hilfe von KI erstellen wir Vorhersagen in Abhängigkeit der bereitgestellten Daten, um bspw. die Ressourcenplanung und die Auslastung eines Logistikstandorts zu optimieren. Mittels rekurrenter neuronaler Netze (RNN, LSTM) können Abfolgen/Sequenzen verarbeitet werden.

Steigende Datenmengen und Rechenleistung werden den Einsatz von KI in Zukunft in diversen Feldern aus Industrie und Gesellschaft begünstigen. Hierbei können – genug Rechenleistung vorausgesetzt – auch unstrukturierte oder unvollständige Daten verwendet werden.

In einer Deep-Learning-Architektur kann die Relevanz der Datenpunkte, sowie deren Beziehungen untereinander durch die Daten-nahen Schichten gelernt werden. Diese können somit als Filter für die tieferen Schichten dienen.

So lassen sich beispielsweise auf Basis historischer und aktueller Daten Vorhersagen zum Transportbedarf erstellen. Diese können genutzt werden, um Empfehlungen zur Anzahl und dem Typ der benötigten Fahrzeuge zu geben und um diese an den gewünschten Standorten bereitzustellen.

Zudem kann die Routenplanung unter Einbeziehung aktueller Wetter- und Verkehrsdaten unterstützt werden. Ein weiteres potenzielles Anwendungsgebiet für die öffentliche Hand betrifft die Optimierung von Ampelschaltungen durch den Einsatz von Reinforcement Learning.

Ein weiteres Feld betrifft die Fahrerassistenz. Unter Ausnutzung der in den Fahrzeugen vorhandenen Sensoren können individualisierte Fahrerprofile erstellt werden. So können personenbezogene Empfehlungen und Voreinstellungen getroffen werden, die den Fahrer unterstützen.