KITL - KI in der Transportlogistik

Die Weber Data Service IT GmbH entwickelt seit mehr als 45 Jahren innovative Speditions- und Logistiksoftware für Speditionen, Verlader, Transport- und Logistikdienstleister. Damit gehört das Unternehmen zu den erfahrensten Anbietern der Branche. Kernprodukte bilden die kompakte Speditionssoftware DISPONENTgo sowie das Transport Management System DISPONENTplus mit integriertem Lager für große mittelständische Unternehmen. Das Familienunternehmen mit 38 Mitarbeitern hat seinen Sitz in Bielefeld.

Verfahren der künstlichen Intelligenz bieten große Chancen zur Optimierung in allen Branchen und Unternehmensbereichen - so auch in der Logistik. Weber Data Service möchte die Möglichkeiten der KI in ihre Produkte integrieren und KI-basierte Funktionalitäten und Lösungen als allgemeine Standardsoftware anbieten. In einem Vorprojekt wurden dazu bereits verschiedene Anwendungsfälle identifiziert und bewertet.

Ein Anwendungsfall beschreibt die datengetriebene Routenoptimierung, insbesondere in der Nahverkehrslogistik. Ein typisches Szenario in diesem Kontext wäre die Planung und fortlaufende Optimierung einer Route, um etwa zehn Destinationen in einer Region anzufahren und Waren anzuliefern. Bei der Planung und Optimierung müssen nicht nur Entfernungen der einzelnen Ziele berücksichtigt werden. Weitere Faktoren sind bspw. zeitliche Restriktionen der Empfänger der Ware oder die Anordnung der Ware auf dem LKW.

In dem Forschungsprojekt soll dieser Anwendungsfall aus dem Bereich des Machine Learning (ML) vollständig bearbeitet werden. Ziel ist die Entwicklung eines Prototyps. Dazu sollen historische Daten zu Routen aufbereitet und für das Training eines ML-Modells verwendet werden.

Zur Bearbeitung des Forschungsprojekts erscheint es sinnvoll sich an einem bewährten Vorgehensmodell zu orientieren. Die Auswahl eines Vorgehens kann im Exposé dargelegt und begründet werden.
Folgende Aufgaben sind zu bearbeiten: 

Business Understanding: Der im Vorprojekt grob beschriebene Anwendungsfall muss verstanden, konkretisiert und in verschiedene Szenarien aufgebrochen werden.

Data Understanding & Preparation: Die Daten müssen entsprechend der Szenarien untersucht werden. Die vorhandenen Daten werden aus abgeschlossenen Speditionsaufträgen und -touren der Vergangenheit gezogen. Diese Auftrags- und Tourdaten enthalten viel mehr Informationen als für die Modellierung erforderlich. Es ist ein Verfahren zur Auswahl und Bearbeitung der zielführenden Daten zu entwickeln und umzusetzen.

Modelling & Evaluation: Es sind geeignete Modelle zu identifizieren und im Sinne des Transferlearning Ansatzes weiterzuentwickeln. In einem iterativen Verfahren wechseln sich Modelling und Evaluation ab.

Bezug zum Thema Data Science
Die Analyse und Aufbereitung der Daten ein Kernthema von Data Science und wird – wie auch die Entwicklung von Machine Learning Lösungen – in den Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen
Das Forschungsprojekt ist eingebunden in die KI-Aktivitäten des Unternehmens Weber Data Service. Es steht ein Ansprechpartner auf der operativen Ebene (KI-Entwickler) und auf der administrativen Ebene (Leiter Entwicklung) zur Verfügung. Rechenressourcen können begrenzt vom Unternehmen bereitgestellt werden. Sie werden ergänzt durch FH-interne Ressourcen (Arbeitsgruppe Angewandte KI und Projekt YourAI). Weber Data Service hat aufgrund ihrer langjährigen Tätigkeit die Möglichkeit, auf einen enormen Datenbestand zum Thema des Forschungsprojekts zuzugreifen und stellt die erforderlichen historischen Daten zu Aufträgen und Touren bereit.

Projektplan
Erstes Semester: Erstellung des Forschungsexposés, Erarbeitung des Business und Data Understanding.
Zweites Semester: Data Preparation und erstes Modelling (Recherche, Analyse und erste Versuche)
Drittes Semester: Iteratives Modelling und Evaluation
Viertes Semester: Zusammenfassung der Erkenntnisse und Erstellung des Prototyps unter Berücksichtigung der IT-Architektur von Weber Data Service.

Eignungskriterien
Zwingend: Erste Erfahrungen in KI-Projekten, Programmierkenntnisse
Optional: Tiefergehende ML-Erfahrungen

Erwerbbare Kompetenzen
Das Projekt ermöglicht den Erwerb von Methodenwissen von der ersten Idee bis zum Prototypen einer KI-Lösung: Datenaufbereitung, Modellierung, Evaluation.

Ein geeigneter Kandidat wird sich um einen Studienplatz und auf dieses Projekt bewerben.