Integriertes maschinelles Lernen zur echtzeitfähigen Produktionsoptimierung und Entscheidungsfindung in der Logistik

In den letzten Jahren ist im Bereich der Produktions- und Logistikoptimierung deutlich ein Paradigmenwechsel von Batch-Processing zu echtzeitfähigem Stream-Processing riesiger Datenmengen zu beobachten. Die Fähigkeit eines Softwaresystems, sich adaptiv auf sich ändernde Gegebenheiten mittels integrierter maschineller Lernverfahren und Heuristiken anzupassen, ist ein enormer Wettbewerbsvorteil gegenüber der Konkurrenz und kann so etwa Kosten einsparen oder betriebliche Prozesse nachhaltig automatisiert optimieren. Apache Kafka hat sich dabei als De-Facto-Standard zur skalierbaren, performanten und fehlertoleranten Verarbeitung von Big Data etabliert. Auch in der Logistikoptimierung müssen Optimierungssysteme in der Lage sein, so schnell wie möglich auf sich ändernde Bedingungen zu reagieren und etwaige Lösungskorrekturen durchzuführen. Dabei kommen einerseits wiederum integrierte maschinelle Lernverfahren zum Einsatz, andererseits ist die Synchronisation zwischen echter Welt und Optimierungsmodell von essenzieller Bedeutung. In diesem Beitrag werden zwei praxisrelevante Anwendungsfälle sowie die dafür konzipierten Architekturen näher erläutert. Durch die Anwendung der beschriebenen Verfahren können die vorliegenden Problemstellungen effizienter und zuverlässiger gelöst werden.