Für seine Produktion benötigt unser Kunde ein breites Spektrum unterschiedlicher Materialien. Die manuelle Nachbestellung dieser Artikel durch den Disponenten ist sehr zeitaufwendig. Daher möchte unser Kunde zukünftig noch mehr dieser Artikel automatisiert nachbestellen bzw. deren Lagerbestände softwaregestützt pflegen.
Dabei gibt es Artikel, die sich sehr gut für die Automatisierung eignen. Andere Artikel hingegen müssen aufgrund ihrer Charakteristika auch weiterhin von Disponenten manuell gepflegt und nachbestellt werden.
Aufgrund der großen Anzahl unterschiedlicher Artikel ist eine manuelle Einteilung äußerst zeitaufwendig und setzt ein großes, implizites Wissen des Disponenten voraus. Insbesondere kann sich die Zuordnung eines Artikels durch wechselnde Rahmenbedingungen im Zeitverlauf verändern. Weiterhin gibt es keine einfachen, festen Regeln, wann ein Artikel automatisiert eingekauft werden soll bzw. wann ein Artikel manuell bestellt werden soll.
Wir entwickeln ein KI-Verfahren, das auf Basis von Methoden des Maschinellen Lernens für einen Artikel automatisch bestimmen kann, ob dieser manuell oder automatisch bestellt werden sollte.
Als Basis für das Training der Algorithmen verwenden wir eine von mehreren Disponenten getroffene, repräsentative Auswahl an Artikeln. Diese bildete eine repräsentative Trainingsdatenmenge für die beiden Klassen. Auf diese Weise sind wir in der Lage ein Verfahren aus der Künstlichen Intelligenz so zu trainieren, dass es Artikel zuverlässig in automatisch und manuell zu disponierende Materialien klassifizieren kann.
Das neu entwickelte Maschinelle Lernverfahren erkennt zuverlässig und reproduzierbar Artikel, die sich für die automatische Disposition eignen. Dadurch müssen weniger Artikel als bisher manuell vom Disponenten nachbestellt werden. Für den Disponenten bedeutet dies eine Zeitersparnis und erlaubt eine Fokussierung auf die eigentlichen Kernaufgaben.
