, ,

Wie Künstliche Intelligenz den Wareneingang im Versandhandel revolutioniert

Wie Künstliche Intelligenz den Wareneingang im Versandhandel revolutioniert

KI lässt sich hervorragend dazu einsetzen, Unternehmen im Bereich ihrer Lagerhaltung und insbesondere bei der Bearbeitung von Retouren zu unterstützen. Ein Blick in den Alltag eines Online-Versenders für Schmuck zeigt wieso.

Welche Probleme sind im Retoureneingang zu bewältigen?

Wer mit Schmuck handelt, muss eine Vielzahl kleinteiliger Retouren verwalten: Produkte, die nicht ordnungsgemäß und originalverpackt zurückgehen, haben oft keine Artikelnummer. Also werden sie manuell ins System gebucht. Das geht allerdings nur, wenn zweifelsfrei festgestellt werden kann, um welchen Artikel es sich handelt. Saisonal wechselnde Kollektionen und eine starke Ähnlichkeit zwischen einzelnen Schmuckstücken erschweren die Identifikation des richtigen Produkts. Eine Suche im Katalog dauert lange und ist darüber hinaus extrem fehleranfällig.

Wie lässt sich der Prozess der Retourenbearbeitung innovativer gestalten?

Wie jeder manuelle Prozess bietet auch der Vorgang der Retourenbearbeitung ein erhebliches Potential für Effizienzsteigerungen. Ein erster Ansatz könnte sein, die Lagermitarbeiter dabei zu unterstützen, die möglichen Zuordnungen eintreffender Artikel einzugrenzen. Praktisch wären ja sogenannte Selektionsdialoge, die auf einer Schlagwortsuche zu bspw. Material, Objektart und Größe basieren. Die Krux dabei: Die Mitarbeiter müssen die genauen Schlagworte kennen. Eine permanente und gewissenhafte Katalogpflege sowie intensive Schulungen der Lagermitarbeiter sind essentiell. Der Ansatz ist zwar hilfreich, führt aber weder zu schnellen Ergebnisse noch zu einer konstanten Verbesserung des Prozesses.

Objekterkennung mit KI löst das Problem

Denken wir einen Schritt weiter: Maschinen müssen nicht nur helfen, die Artikel zuzuordnen, sondern vor allem sicherstellen, dass jeder Artikel zweifelsfrei erkannt wird. Erst dann wird die Retourenverarbeitung wirklich beschleunigt.

Mit Hilfe von maschineller Bilderkennung kann ein Abgleich der im Onlineshop vorhanden Katalogbilder mit den Retouren vorgenommen werden. Damit ist die Artikelnummer feststellbar und das Schmuckstück kann ins System zurückgeführt werden.

Soweit die Theorie. In der Praxis zeigt sich jedoch, dass ein einfacher Bilderabgleich nicht ausreicht: Reflektionen der glänzenden Materialien, unterschiedliche Perspektiven und Lichtverhältnisse führen zu Fehlern bei der Bilderkennung.

Hier kommen die Potentiale der KI zum Einsatz – konkret künstliche Neuronale Netze. Ähnlich zum menschlichen Gehirn verfügen diese über Synapsen und Nervenzellen und sind in der Lage, Teile menschlichen Denkens zu simulieren – und zwar genau die Teile, die für die Lösung des Problems notwendig sind, das Abstrahieren und das Klassifizieren.

Neuronale Netze optimieren den Retoureneingang

Der Prototyp, der für die Lösung dieses Problems gebaut wurde, hatte die Funktion, Videos aufzunehmen und diese dann live zu analysieren. Innerhalb weniger Millisekunden berechnet das System Wahrscheinlichkeiten für jeden Artikel. Der Vorteil dieses Vorgehens besteht darin, dass die Retoure auch bei unterschiedlichen Lichtverhältnissen, Blickwinkeln und Hintergründen erkannt wird, weil keine genaue, sondern lediglich eine wahrscheinliche Übereinstimmung benötigt wird.

Künstliche Intelligenz, Training, Neuronale Netze

Wird ein zuvor definierter Wert erreicht, gilt das Ergebnis als so wahrscheinlich, dass es möglich ist, die Retoure korrekt zu verbuchen und ebenfalls automatisiert an den passenden Platz des Lagersystems zu leiten. Kommt das System in Einzelfällen nicht zu einem ausreichend sicheren Ergebnis, unterbreitet es dem Lagermitarbeiter Vorschläge, aus denen dieser dann das richtige Schmuckstück mit einem einfachen Klick auf das entsprechende Bild auswählt. In diesem Fall setzt der Mitarbeiter den Prozess fort.

Es ist natürlich denkbar, neben optischen Attributen weitere Merkmale wie das Gewicht zu analysieren. Mit dieser Information ließen sich Rückschlüsse auf das Material ziehen. Dafür müsste eine Waage integriert werden und dem neuronalen System die entsprechenden Details gegeben werden, die es benötigt, um zu lernen, welche Ausprägung des Merkmals "Gewicht" zu welchem Artikel gehört.

Gehirnjogging für Neuronale Netze

Damit das Neuronale Netz aufgebaut werden kann, muss es mit Bildern trainiert werden. Auf diese Weise "lernt" es und kann eigenständig Klassifikationen vornehmen.

Die skizzierte Lösung ist auf nahezu jedes Sortiment übertragbar. Da Onlineshops i.d.R. über eine Vielzahl von Fotos ihrer Produkte verfügen, die das Neuronale Netz als "Trainingsmaterial" verwenden kann, sind alle Voraussetzungen für eine schnelle Umsetzung des automatisierten Retoureneingangs gegeben. Auch ein Kollektionswechsel oder die Hinzunahme neuer Produkte und ganzer Produktgruppen kann auf diese Weise problemlos bewältigt werden. Die KI schafft dabei einen erheblichen Zeitvorteil, denn das Neuronale Netz benötigt viel weniger Zeit, Erfahrungen zu sammeln als die Mitarbeiter.

Künstliche Intelligenz, Neuronale Netze, Training, Big Data

Ausblick: Anwendungsbereiche von KI in Unternehmen

Intelligente Software und fortschrittliche Algorithmen ermöglichen es uns, Aufgaben an Maschinen zu übergeben, die bis vor kurzem nur von Menschen erledigt werden konnten.

Leistungsstarke Neuronale Netze, sogenannte Deep-Learning-Systeme, sind in der Lage, die Funktionsweise vernetzter Nervenzellen des menschlichen Gehirns nachzubilden. Deep-Learning-Systeme sind besonders bei der Objekterkennung und bei der Verarbeitung natürlicher Sprache (Natural Language Processing) zu außergewöhnlichen Leistungen fähig. Bilder werden auch dann korrekt erkannt, wenn die darauf abgebildeten Objekte verdreht, teilweise verdeckt oder in ungünstigen Lichtverhältnissen aufgenommen wurden. Computer erreichen Fehlerquoten, die nur halb so hoch sind wie die von Menschen.

Neuronale Netze sind dem Menschen überall dort überlegen, wo Muster in Text-, Video-, Bild- oder Audiodateien identifiziert werden müssen. Allerdings wird der Mensch immer noch als Instanz benötigt, die dem Neuronalen Netz sagt, worum es sich bei den erkannten Objekten handelt, die also die Zuordnung vornimmt. In jedem Unternehmen gibt es Anwendungsbereiche für Neuronale Netze, wobei der gesamte Lager- und Logistikbereich besonders stark von der Produktivitätssteigerung profitiert.

Die Identifikation von Mustern ist ein wichtiges Anwendungsgebiet von KI-Technologien, denn in diesen Bereichen können die Maschinen schon heute dank hoher Rechnerleistungen fehlerfreier und schneller arbeiten als der Mensch. Besonders spannend ist, dass Neuronale Netze sogar in der Lage sind, Muster zu entdecken, die bisher nicht bekannt sind. Künstliche Intelligenz (KI) ist besonders für die Übernahme repetitiver Aufgaben geeignet und deshalb in der Lage, im Bereich der Lagerhaltung und im Retoureneingang die Abläufe effizienter zu gestalten und die Produktivität erheblich zu steigern. Die Mitarbeiter hingegen werden von monotonen Aufgaben befreit und können sich planerischen oder kreativen Tätigkeiten widmen.


Über den Autor des Beitrags:

Meikel Bode


Im nächsten Beitrag zum Thema Machine Learning werden wir das Thema Natural Language Processing im Rahmen von automatischer Verarbeitung von Textinformationen vertiefen.

Wenn Sie mehr darüber erfahren wollen, wie Neuronale Netze Ihre Logistikprozesse unterstützen können, besuchen Sie uns auf der LogiMAT 2018 in Stuttgart.

Logistik, Neuronale Netze

Leave a reply

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.