Mit Hilfe künstlicher Intelligenz können digitale Logistikplattformen die Muster hinter den abgeschlossenen Frachtaufträgen erkennen. Ist das Datenvolumen groß genug, lassen sich daraus marktkonforme Preisvorschläge errechnen, mit denen Verlader, Spediteure oder Transporteure ihre Verhandlungsposition deutlich verbessern können. Als eine der größten digitalen Logistikplattformen Europas zählt Trans.eu hier zu den Vorreitern.
Künstliche Intelligenz kann glücklich machen: Partnerbörsen haben das maschinelle Lernen schon vor langer Zeit für sich entdeckt, um die Suchergebnisse einsamer Herzen zu verbessern. Mit massiven Investitionen in Werbung und Technologie haben sich in diesem Segment die führenden Anbieter hohe Marktanteile und Nutzerzahlen erarbeitet. Allein Parship soll über mehr als 4,5 Mio. Mitglieder verfügen, was den Algorithmen eine solide Datenbasis beschert.
Doch nicht nur das private Glück profitiert von den Errungenschaften der Digitalisierung. Auch die Suche nach passenden Transportpartnern und das Ermitteln fairer Frachtpreise lässt sich durch smarte Algorithmen optimieren. Die Qualität der Ergebnisse hängt auch hier von der verfügbaren Masse an Daten ab. Je größer die Zahl der täglich abgeschlossenen Frachtaufträge, umso mehr Informationen kann der Algorithmus für seine Arbeit nutzen – und umso genauer werden seine Ergebnisse.
Lernen aus Daten der Vergangenheit
Die europaweit agierende Logistikplattform Trans.eu schöpft hier aus den Daten und täglichen Anfragen von 40.000 Nutzern. Dieser Datenpool wird durch maschinelles Lernen analysiert. Trans.eu hat einen leistungsfähigen Algorithmus entwickelt, der das Verhalten der Marktteilnehmer mit Hilfe von Daten aus der Vergangenheit „lernt“. Auf dieser Basis entsteht ein Modell, mit dem Preisvorschläge für künftige Touren anhand der erlernten Regeln ermittelt werden können.
Für die Praxis bedeutet das: Intelligente Algorithmen vergleichen die hinterlegten Angebote und Vereinbarungen und erstellen auf dieser Basis Vorschläge für aktuelle Frachtpreise. Diese berücksichtigen Faktoren wie die jeweiligen Routen, zeitliche Aspekte, Spot- und Standardangebote sowie weitere Faktoren. Alle Beteiligten erhalten dadurch eine fortlaufende Einsicht in die sich ständig ändernden Marktpreise – eine ideale Basis für Preisverhandlungen. Auch die weiteren Vorteile der Preisfindung mit Hilfe des maschinellen Lernens liegen auf der Hand: Der Einsatz des Algorithmus bringt dem Auftraggeber (Verlader oder Spediteur) eine deutliche Zeitersparnis, hilft beim Vermeiden von Fehlern und steigert die Effektivität. Ein weiterer Pluspunkt ist, dass das Wissen bei einem Mitarbeiterwechsel nicht mehr verloren geht. Da der Algorithmus von Trans.eu das Verhalten auf Grundlage von Daten aus der Vergangenheit erlernt hat, wird auch ein neuer Mitarbeiter von diesem Wissen profitieren.
Der Begriff „Künstliche Intelligenz“
Künstliche Intelligenz (KI) gehört zu den Megatrends der Digitalisierung, doch die genaue Bedeutung von KI ist vielen Beteiligten unklar: Im menschlichen Gehirn befinden sich etwa 100 Milliarden Neuronen, die miteinander vernetzt sind. Die Übertragung von Informationen zwischen den Neuronen findet über elektrische Impulse statt. Dadurch ist der Mensch in der Lage zu lernen, Schlussfolgerungen zu ziehen und abstrakt zu denken. Bei der sogenannten „Künstlichen Intelligenz“ werden die Neuronen durch künstliche Neuronen ersetzt und mittels Algorithmen trainiert. Die menschliche Intelligenz wird jedoch nicht nachgebildet – mittels Machine Learning wird eine Mustererkennung anhand einer Vielzahl von Daten erlernt.
Machine Learning kann zum Beispiel ein Regelwerk auf der Grundlage von Trainingsdaten automatisch erlernen. Damit ersparen sich Unternehmen das manuelle Erstellen eines Modells und den damit verbundenen Aufwand, wie das Definieren von Regeln, Prüfungen und Interpretationen. Die Qualität der Trainingsdaten ist dabei für den Erfolg entscheidend.
Lernen, ohne auswendig zu lernen
Bei der Entwicklung eines Machine Learning-Modells sind zwei Aufgaben besonders anspruchsvoll. Dazu zählt die sogenannte Feature Selection, womit die Auswahl einer Teilmenge von relevanten Merkmalen eines Datensatzes aus den zahlreichen Eigenschaften vergangener Transportaufträge gemeint ist. Hier geht es zum Beispiel um die Auswahl des Zielortes, Gewichts oder Transporttyps. Die zweite anspruchsvolle Aufgabe ist das sogenannte „Overfitting/Underfitting“. Das Modell muss mathematisch komplex genug sein, um das menschliche Verhalten zu erlernen. Es sollte jedoch nicht auswendig lernen. Die erwünschte Lösung wird von Machine Learning – Ingenieuren als Generalisierendes Modell bezeichnet.
