Interview mit Sarah Schaumann, leitende Forscherin am MIT CTL

„Mit unseren Systemen können sich die Unternehmen auf die Zukunft vorbereiten“

Über das Forschungsprojekt

Die Optimierung der Auftragsverteilung durch das Training selbstlernender KI-Modelle ist eines der Ziele der 2024 gestarteten Forschungszusammenarbeit zwischen dem Massachusetts Institute of Technology und Mecalux. Sarah Schaumann vom MIT Center for Transportation & Logistics ist die Leiterin dieser Initiative des Intelligent Logistics Systems Lab. Sie konzentriert sich auf präskriptive Intelligenz, die Unternehmen bei der Optimierung der Auswahl von Versandstellen für ihre Waren helfen soll.

Mecalux interviewt Sarah Schaumann, Forschungsleiterin am MIT CTL, um mehr über das Projekt der präskriptiven Intelligenz zu erfahren, das sie im Rahmen der Forschungszusammenarbeit zwischen dem MIT und Mecalux leitet.

Sie nehmen an einem gemeinsamen Forschungsprojekt von MIT und Mecalux teil. Was möchten Sie mit dieser Arbeit erreichen?

Ziel des Forschungsprojekts ist die Entwicklung eines Orchestrierungsmodells für Verwaltungssysteme zur Auftragsverteilung auf der Grundlage von Maschinellem Lernen. Es geht also darum, die derzeit angebotene regelbasierte Strategie zu ersetzen und die Aufträge über eine intelligente Orchestrierungsstrategie mit selbstlernender KI den Einrichtungen und Transportunternehmen zuzuweisen. Wir wollen ein System schaffen, das nicht nur die betriebliche Effizienz verbessert, sondern sich auch durch den Einsatz von Maschinellem Lernen im Laufe der Zeit an die sich verändernden Umgebungen anpassen kann.

Ziel ist die Entwicklung eines Orchestrierungsmodells für Verwaltungssysteme zur Auftragsverteilung auf der Grundlage von maschinellem Lernen
Welches Potenzial hat die Initiative, um die nächste Generation von Verwaltungssystemen zur Auftragsverteilung zu entwickeln?

Wir hoffen, künftige Generationen von intelligenten und anpassungsfähigen Strategien zur Orchestrierung von Aufträgen entwickeln zu können. Das heißt, statische, regelbasierte Strategien werden durch intelligente, dynamische Strategien ersetzt, die sich an veränderte Kundenanforderungen, Einschränkungen oder sogar Marktbedingungen anpassen können. Wir wollen insgesamt die Grundlagen für die Entwicklung von autonomen, selbstlernenden Auftragsverteilungssystemen schaffen, die in dynamischen Umgebungen immer wichtiger werden.

Der Vorteil des Modells des verstärkenden Lernens ist, dass es sich im Laufe der Zeit verändert
Wie werden Sie das verstärkende Lernen zur Ausarbeitung optimaler Orchestrationsstrategien nutzen?

Wir wollen das verstärkende Lernen anwenden, um sie zu erreichen. Das bedeutet, dass das Modell seine Orchestrierungsprozesse durch das Zusammenspiel mit einer Umgebung erlernt und verfeinert. Das Modell erstellt verschiedene Orchestrierungsstrategien und erhält je nach dem Ergebnis der Entscheidung eine Belohnung oder eine Strafe. Die Entscheidungen werden dann iterativ angepasst. Es handelt sich also um eine Art von kontinuierlichem Lernen, bei dem die Belohnung von der Philosophie des Unternehmens abhängt. So könnte sich ein Unternehmen auf die Kosten konzentrieren und ein anderes auf die Lieferzeiten.

Wir wollen intelligente und dynamische Strategien entwickeln, die sich an veränderte Kundenanforderungen, Einschränkungen oder sogar Marktbedingungen anpassen können
Wie nutzt das Intelligent Logistics Systems Lab Simulationen für diese Art von Forschung?

Mithilfe von Simulationen können wir reale Szenarien in einer sicheren und kontrollierten Umgebung nachstellen. Das bedeutet, dass das Modell nicht mit dem realen System interagiert, sondern mit einer simulierten Umgebung. Dadurch verringern sich die Kosten und das Risiko für das Testen und Trainieren dieser Modelle, und auch die Prüfung ihrer Robustheit und Skalierbarkeit wird vereinfacht.
Welche Auswirkungen wird dieses Projekt auf die Logistikbranche haben?

Das Umfeld, in dem Unternehmen arbeiten, wird immer dynamischer und komplexer. Der große Vorteil von Modellen des verstärkendes Lernens ist jedoch, dass sie sich mit der Zeit anpassen. Das bedeutet, dass sich die Unternehmen mit unseren Systemen besser auf die Zukunft vorbereiten können.