Als Regionen auf der ganzen Welt begannen, sich auf die Pandemie einzustellen, mussten meine Familie und ich, wie Millionen andere auch, nach Alternativen suchen, um einzukaufen und andere Besorgungen zu erledigen. Während der Online-Einkauf bereits seit einiger Zeit einfacher denn je ist – selbst in städtischen Gebieten wie dem, in dem wir leben – wird der Lieferprozess einer Bestellung erst jetzt unkomplizierter und zuverlässiger. Da immer mehr Menschen in ihren Häusern unter Quarantäne standen, verlangsamte sich die Auslieferung vielleicht für ein paar Tage, aber die meisten Einzelhändler konnten geöffnet bleiben und Bestellungen ausliefern. 

Das ist eine bemerkenswerte Leistung. Während die Nachfrage auf ein noch nie dagewesenes Niveau anstieg, mussten die Lagerhäuser, die die Aufträge erfüllten, plötzlich mit weniger Mitarbeitern vor Ort arbeiten, um die erforderlichen Abstandsregeln zu wahren. 

Meine Anerkennung gilt nicht nur den Teams, die die Online-Aktivitäten durchführen, sondern auch einem weniger beachteten Teil des Puzzles: den Prozessoren und der Software, die es den Lagerrobotern ermöglichen, Muster zu erkennen und kontinuierlich aus den um sie herum stattfindenden Aktivitäten zu lernen. Diese Roboter arbeiteten mit ihren menschlichen Partnern zusammen, um Bestellungen aus den Lagerhäusern zu sortieren und an jeden Ort der Welt zu schicken.

Mehr erfahren über TI-Prozessoren für Machine Learning

Machine Learning in Lagern und Fabriken ist schon seit einigen Jahren auf dem Vormarsch, aber die Pandemie war ein Weckruf. Was wir daraus lernen können: Die Anforderungen der Verbraucher ändern sich schneller als die Produktionslinien in vielen Branchen in der Lage sind, damit umzugehen. Einige Unternehmen haben die Produktion heruntergefahren, um das Infektionsrisiko für die Mitarbeiter einzudämmen, die an den Fließbändern nahe beieinander arbeiten. Ohne Arbeiter, die die Produkte zusammenbauen, kamen einige Betriebe zum Stillstand.

Andere Unternehmen haben bessere Erfahrungen gemacht. Unternehmen, die in autonome Roboter investierten, die durch Machine Learning Algorithmen gesteuert werden, konnten kreativ, schnell und produktiv reagieren. In der Lagerhaltungs- und Distributionsbranche zum Beispiel wurden Unternehmen verdrängt, die Menschen zum Bedienen von Gabelstaplern brauchen, während diejenigen, die autonome, von maschinellen Lernalgorithmen „gesteuerte“ Roboter einsetzen, die Lagerhäuser am Laufen halten. 

Machine Learning ist eine Form der künstlichen Intelligenz, die entwickelt wurde, um Muster in enormen Datenmengen zu erkennen, die durch elektronische Bilder, Videos, Text und Sprache erzeugt werden. Algorithmen erkennen Muster und wandeln sie in Regeln um, die Roboter dazu anleiten, intelligente, sichere und autonome Entscheidungen zu treffen, z. B. wo die richtige Niete an der richtigen Stelle mit der richtigen Kraft an einem Fließband eingesetzt wird. Algorithmen können ebenso eine Flotte von Lagerrobotern steuern, um Produkte entgegenzunehmen und zu lagern, die Auftragsabwicklung zu choreografieren, den Bestand zu optimieren und Waren kontinuierlich auszuliefern. Eben diese Technologie ermöglicht auch mehr Autonomie in unseren Automobilen.

Diese Funktionen werden durch die Kombination von Prozessoren, Software und spezialisierten Algorithmen ermöglicht.

Als Leiter für Prozessorstrategie und -produkte, beobachte ich ständig die Trends im Markt und spreche regelmäßig mit unseren Kunden. Hier sind drei Erkenntnisse über den Einfluss von Machine Learning auf unsere Arbeitsweise und wie wir mir Kundenanforderungen umgehen werden.

Mit den richtigen Investitionen können Sie sich auf die Zukunft vorbereiten 

Wenn Unternehmen in die Zukunft blicken, sollten sie in Betracht ziehen, in Tools für Machine Learning zu investieren. Diese können Herausforderungen vorhersehen, bevor sie entstehen. Die “Predictive Maintenance“ kann Unternehmen beispielsweise dabei helfen, Daten aus Sensornetzwerken zu überwachen, zu interpretieren und zu erkennen, wann Geräte ausfallen könnten, sodass sie proaktiv Wartungsreparaturen planen und kostspielige Ausfallzeiten vermeiden können. Netzwerke aus Sensoren und Prozessoren können für die vorausschauende Wartung in Fabriken, der Gebäudeautomation, intelligenten Häusern, Automobil- und Fahrzeugbatteriemanagementsystemen und anderen Anwendungen eingesetzt werden. Unabhängig von ihrer Branche kann eine Investition in die digitale Transformation Unternehmen dabei helfen, den Betrieb aufrechtzuerhalten und agil auf sich verändernde Umstände zu reagieren.

Machine Learning kann helfen, die Abläufe im Einzelhandel zu optimieren

Machine Learning hat Auswirkungen weit über die Fabrik oder das Lager hinaus. Schauen Sie sich zum Beispiel Lebensmittelgeschäfte an. Während es heute noch nicht viele Roboter in den Gängen gibt, beginnen Einzelhändler, diese Möglichkeiten zu erforschen. In einigen Geschäften überwachen Roboter die Regale, verbinden sich mit cloudbasierten Warenwirtschaftssystemen und benachrichtigen die Mitarbeiter:innen, wenn Artikel nicht mehr vorrätig sind, sich am falschen Ort befinden oder der Preis nicht stimmt. Sie können erkennen, wenn irgendwo etwas verschüttet wurde und es dann aufwischen. Ein Beispiel ist eine Lebensmittelmarktkette in China, die Roboter als Einkaufswagen einsetzt. Ein autonomer Einkaufswagen folgt den Kund:innen – ohne andere Personen oder Gegenstände zu berühren – und scannt die Artikel, wenn sie in den Wagen gelegt werden. 

Roboter können die Auftragsabwicklung effizienter machen

In Bereichen wie der Bestandsverwaltung können Machine Learning Algorithmen die Kundennachfrage nach einem bestimmten Produkt berücksichtigen, um einen autonomen Roboter so zu steuern, dass er die Waren in den Regalen lagert, die den Wareneingangsdocks am nächsten sind, wo die Produkte zur Abholung und Lieferung an die Anwender bereitstehen. Wenn eine Bestellung eingeht, weiß der autonome Roboter sofort, wo sich der Artikel im Lager befindet und wie er das Produkt am schnellsten und sichersten aus dem Regal holen kann.

Diese Weiterentwicklungen sind keine Neuheiten. Software und eine neue Generation von Prozessoren erleichtern den Einstieg in das Machine Learning und die Robotik. In einigen Fällen kann sich das Robotersystem mit maschinellen Lerntechnologien bereits ein Jahr nach der Installation amortisieren. Der entscheidende Punkt, um Machine Learning und Robotik mehr in den Mainstream zu bringen, ist die Entwicklung erschwinglicher und praktischer Innovationen.

Durch Machine Learning können Science Fiction Roboter Wirklichkeit werden. Sie sind in der Lage, sich schnell an Veränderungen anzupassen, Kosten zu senken und das Kundenerlebnis zu verbessern. Hersteller und Logistikunternehmen, die es versäumen, sich an den Wandel anzupassen und agilere Systeme aufzubauen, werden weiter hinter diejenigen zurückfallen, die sich diese Technologie zu eigen machen.