Maschinelle Intelligenz für die Optimierung von Wertschöpfungsnetzwerken

Kick Off von Move

In dem im Oktober 2020 mit dem Kick Off gestarteten Projekt MOVE arbeitet das Fraunhofer IML mit einem starken Konsortium aus Forschungs- und Industriepartnern an Methoden und Werkzeugen unter Verwendung von Methoden der KI, welche Unternehmen dazu befähigen, ihre Supply Chain Konfigurationen nachhaltig und fortlaufend zu optimieren. Die hierbei entstehenden Aufgabenmodelle für die Verwendung von KI sowie erarbeitete Vorgehensmodelle und generische Lösungsmuster werden direkt in Unternehmen getestet.

Herausforderungen der immer komplexer werdenden Lieferketten

Das globale Wertschöpfungsnetz produzierender Unternehmen gewinnt durch interne wie externe Faktoren in zunehmendem Maße an Komplexität. Während die Anzahl und Abhängigkeit von verschiedenen Partnern steigt, nehmen somit auch die Einflüsse und Unsicherheiten auf die Supply Chain von außen zu. Zugleich werden die Anforderungen durch einen zunehmenden Kostendruck, steigende Erwartungen hinsichtlich der Termintreue sowie aktuelle Trends und eine hohe Individualisierung mit gleichzeitig sinkendem Produktlebenszyklus in die Höhe getrieben. Hierdurch entstehen für heutige Unternehmer zahlreiche Herausforderungen. Eine zuverlässige Prognose von Kundenbedarfen sowie die Beobachtung der Auswirkungen von Bedarfsschwankungen entlang der Lieferkette sind zwingend notwendig, um diese Herausforderungen zu meistern. Die digitale Transformation der prozessorientierten Wertschöpfungsketten induziert immer größere Datenmengen, die mit herkömmlichen Methoden nicht mehr zu bewältigen sind.

Die Nutzbarmachung enormer Datenmengen mit Hilfe von KI

Der Einsatz von KI-Verfahren hat das Potenzial, diesen Problematiken mittels automatischer Analyse, Auswertung und Optimierung zu begegnen. Im Forschungsprojekt MOVE werden über drei Jahre praxisnahe Methoden und Werkzeuge in engem Austausch mit Partnerunternehmen entwickelt und getestet. Um Verfahren und Methoden an den richtigen Stellen zielbringend einsetzen zu können ist im ersten Schritt die Nutzbarmachung der enormen Datenmengen erforderlich. Anschließend sollen Unternehmen für den Einsatz von KI-Verfahren in ihren Wertschöpfungsnetzen befähigt werden. Der Fokus des Forschungsprojekts liegt auf der Generierung und Integration von Expertenwissen in simulative, datengetriebene und hybride praxisnahe Werkzeuge.

Handlungsfelder der Problemstellung

Das Forschungsprojekt Move berücksichtigt drei Handlungsfelder für die Optimierung von Wertschöpfungsnetzwerken mit Hilfe des erfolgreichen Einsatzes von Künstlicher Intelligenz.

• Spezifikation der Wirkzusammenhänge: Um praxisnahe und nutzengenerierende Modelle zur Optimierung entwickeln zu können, ist das Verständnis und die Spezifikation der logistischen Wirkzusammenhänge im Supply Chain Management grundlegend.
• Spezifikation und Erweiterung der IT-Infrastruktur: Essenziell zur performanten Verwendung der existierenden Datengrundlagen ist die IT-Infrastruktur, die das Bindeglied zwischen physischer und virtueller Supply Chain markiert.
• Auswahl und Entwicklung von KI Methoden: Die Optimierung und Analyse der Wertschöpfungsnetze wird mit Hilfe von Modellen und Verfahren aus den Bereichen Simulation, KI und Operations-Research erzielt.

Umsetzung mit Hilfe von vier Pilotprojekten  

In vier Pilotprojekten werden die Erfahrungen aus der Anwendung der Methodik in einem MOVE-Aufgabenmodell strukturiert und in Form von Lösungsmustern und Vorgehensmodellen für den Transfer aufbereitet. Durch die Zusammenarbeit mit den Anwendungspartnern aus der Industrie wird die Praxistauglichkeit der entwickelten Methoden und Werkzeuge gewährleistet.

Entwicklung von Assistenzmodulen

Ziel des Forschungsprojekts MOVE ist die Spezifikation von dynamischen Wirkzusammenhängen in Wertschöpfungsnetzwerken und die Entwicklung von KI-basierten Assistenzmodulen zur optimalen Orchestrierung der Entitäten. Dies beinhaltet die Beschreibung von Wertschöpfungsnetzen wie auch ihrer zugrundeliegenden rechentechnischen Abbildung im Sinne eines digitalen Zwillings. Die Spezifikation ist Grundlage für die Analyse von typischen Effekten in unterschiedlichen Detaillierungstiefen sowie die automatisierte Analyse und Optimierung mit KI-Verfahren. 

Rolle des Fraunhofer IML:

Das Fraunhofer IML verfügt mit der Abteilung Supply Chain Engineering über umfassende Kenntnisse in der anwendungsorientierten und praxisnahen Forschung zum Supply Chain Management - insbesondere im Bereich der Bedarfsprognose. Auf Basis von technologischen Instrumentarien wie dem abteilungsintern entwickelten OTD-NET setzen wir im Rahmen der Auftragsforschung regelmäßig serviceorientierte IT-Lösungen ein, die im Rahmen der strategischen und taktischen Planung und der operativen Steuerung bspw. im Verfügbarkeitsmanagement oder im Bedarfs- und Kapazitätsmanagement vielversprechende Ergebnisse liefern. Mit Hilfe dieser bereits beständig weiterentwickelten Tools steht das Fraunhofer IML mit fachlicher Expertise und einem breiten Erfahrungshorizont für das Forschungsprojekt MOVE zur Verfügung und wirkt in Beratungsfunktion direkt auf die zu entwickelnden Methoden ein.