Digitalisierung und KIDigitalisierung und KI

Zusammenfassung

Künstliche Intelligenz ist längst mehr als ein Werkzeug zur Automatisierung von Arbeit – sie dringt in Bereiche vor, die bisher allein dem menschlichen Geist vorbehalten waren.

Der Vortrag zeichnet nach, wie sich KI von frühen Euphorien zur prägenden Technologie unserer Zeit entwickelt hat, und beleuchtet dabei auch ihre Schattenseiten. Er geht der Frage nach, wie KI unser Denken, unsere Kulturtechniken und letztlich unser Selbstbild verändern kann. Die Teilnehmenden erfahren, warum menschliche Fähigkeiten wie Urteilskraft, Verantwortung und Sinngebung umso wichtiger werden, je mehr Technik uns Entscheidungen abnimmt.

Quelle: AGF-Tagungsbroschüre ↗

Artikel aus Mühle + Mischfutter

• KI Werkzeug oder WunderwaffeKünstliche Intelligenz↗
• Warum Künstliche Intelligenz in der Mühle mehr ist als ein HypeKünstliche Intelligenz↗

Zusammenfassung

Disponenten und Entscheider beeinflussen mit ihren Entscheidungen Transportkosten, Liefertreue und (Fahr-)Personal. Dabei verfolgt jede Planungsebene andere Ziele: Die Rahmentourenplanung berücksichtigt strategische Veränderungen wie Filialzugänge und -abgänge oder die Beauftragung externer Dienstleister, die Wochenplanung reagiert auf kurzfristige Mengenschwankungen. Im Tagesgeschäft erfordern unvorhergesehene Änderungen bei Fahrern, Fahrzeugen oder Zeitfenstern schnelle Reoptimierungen.

Moderne KI-Planungstools unterstützen auf allen Ebenen schnellere und bessere Entscheidungen. Sie digitalisieren meist personengebundenes dispositives Fachwissen und helfen Planern, entspannter und flexibler auf Sonderfälle zu reagieren. Ihre Ergebnisqualität hat gegenüber herkömmlichen Tourenplanungsalgorithmen massiv zugelegt. Aber warum?

Bisher zerlegen Mensch oder Software das komplexe Planungsproblem in Teilaufgaben:

Zunächst werden regionale Aufträge auf Fahrzeuge gebündelt und möglichst kurze Stoppreihenfolgen gebildet. Anschließend wird geprüft, ob Beladung, Stellplatzkapazitäten einschließlich Rückholaufträgen, Zeitfenster sowie Lenk- und Ruhezeiten eingehalten werden. Ist eine Tour unzulässig, werden Stoppreihenfolge, Tour oder Fahrzeugzuordnung angepasst und der Ablauf beginnt erneut. Dieser bis heute verbreitete iterative Ansatz nähert sich einer optimalen Lösung schrittweise an.

Neue Ansätze wie der von Clover berechnen und prüfen die Zulässigkeit simultan. Statt einer Annäherung entsteht ein mathematisches Optimum, das praktisch zuverlässig umsetzbar ist. In Sekundenschnelle erhält der Disponent verschiedene Szenarien und kann persönliche Präferenzen, Erfahrungswissen und operative Veränderungen interaktiv in Echtzeit einbringen. Die Verbindung menschlicher Erfahrung mit algorithmischer Rechenleistung vereinfacht den Alltag spürbar.

Über produzierende Unternehmen, Händler, Verlader und Speditionen sowie eigene Flotten, Transportvergabe, FTL und LTL hinweg sehen wir gegenüber klassischen Tourenplanungsverfahren durchschnittlich 9 % niedrigere Transportkosten. Bei historisch gewachsenen Rahmentouren mit wenig Spielraum oder FTL-Transporten liegen die Einsparungen bei 800–1.300 € pro Fahrzeug und Monat. Höhere Stoppdichten, Filialbelieferungen, Rückholaufträge und besondere Anforderungen wie Mehrtemperaturtransporte steigern die Komplexität und ermöglichen Einsparungen von 3000-4500€ pro Lkw und Monat. Hinzu kommen geringere Nachtzuschläge, weniger Strafzahlungen durch höhere Liefertreue und eine bessere Asset-Auslastung. Eine Potenzialanalyse lohnt sich deshalb bereits für kleine Flotten.

Neben wirtschaftlichen Vorteilen bringen neue KI-Verfahren weitere Möglichkeiten und Grenzen mit sich. Der inflationär verwendete Begriff KI umfasst unterschiedlichste Ansätze: von modellgetriebenen Verfahren mit Metaheuristiken bis zu datengetriebenen, lernenden neuronalen Netzen. Wenige haben Zeit und Muße, hinter die Werbebotschaften zu schauen – dabei eignet sich nicht jedes Verfahren. Ein in natürlicher Sprache bedienbarer KI-Agent zur Supply-Chain-Optimierung hilft wenig, wenn er Prozesse und Datenquellen nicht kennt. Eine metaheuristische Tourenplanung schafft hingegen ein verlässliches Fundament, um Prozesswissen zu digitalisieren und Daten überhaupt erst strukturiert zu erfassen.

Die gute Nachricht: Datenpflege wird leichter, zeitaufwendige Integrations- und IT-Projekte entfallen und damit auch kulturell bedingte Akzeptanzrisiken früherer Softwaregenerationen. Als zusätzliche intuitive Ebene in der bestehenden Infrastruktur ist die Plugand-Play-Lösung innerhalb weniger Tage betriebsbereit und lässt sich parallel spielerisch testen. Zentral bleibt, das Team mitzunehmen: Wer Disponenten und Fahrer nicht einbezieht, verzichtet auf den wichtigsten und kritischsten Teil seiner Supply Chain – und auf die Wertschätzung, die diesen Menschen gebührt.

Quelle: AGF-Tagungsbroschüre ↗

Artikel aus Mühle + Mischfutter

• RELEX Report: KI wird zum Bestandteil zentraler Entscheidungen in der Supply ChainDigitalisierung↗

Zusammenfassung

Wissen Sie wirklich, welche Ihrer Filialen profitabel ist? Und warum verbringen Ihre Mitarbeiter Stunden damit, Zahlen zusammenzusuchen, statt mit ihnen zu arbeiten? Bäckereien sind heute bestens digitalisiert, aber was dabei herauskommt, sind oft nur halbe Wahrheiten. Der Vortrag zeigt anhand einer realen Fallstudie, wie eine Bäckerei aufgehört hat, nach Gefühl zu steuern, ohne ein einziges System auszutauschen.

Quelle: AGF-Tagungsbroschüre ↗

Artikel aus Mühle + Mischfutter

• KI Werkzeug oder WunderwaffeKünstliche Intelligenz↗
• RELEX Report: KI wird zum Bestandteil zentraler Entscheidungen in der Supply ChainDigitalisierung↗

Zusammenfassung

Filialbetriebe stehen täglich vor demselben Zielkonflikt: Wird zu wenig gebacken, fehlen Ware und Umsatz. Wird zu viel gebacken, steigen die Abschriften. Bestellformulare und Excel-Listen stoßen dabei schnell an Grenzen, besonders bei großen Filialbetrieben mit mehreren Anlieferungen pro Tag oder bei zusätzlichen Kanälen wie der Instore-Belieferung im Lebensmittelhandel.

Der Vortrag zeigt aus Sicht von Anbieter und Anwender, wie eine KI-basierte Bestellprognose dieses Problem löst. Die KI berücksichtigt unter anderem Abverkaufshistorie, Wetter, Feiertage und Aktionen und erstellt daraus für jede Filiale und jeden Artikel einen Bestellvorschlag.

Im Mittelpunkt steht die Praxis der Feinbäckerei Ruch. Sie nutzt die Software seit 2022 an heute 135 Standorten: in ihren eigenen Filialen und an Instore-Standorten bei Aldi Nord. Das Bestellsystem ist an Kasse und Warenwirtschaft angebunden. Die Mitarbeitenden in den Filialen prüfen die Vorschläge und passen sie bei Bedarf an. Bereits in der Testphase lag die Prognosegenauigkeit bei 90 %, inzwischen bei 99,2 %. Die Ergebnisse:

Der Umsatz pro Filiale stieg im Schnitt um 4,1 %, das ergibt netto rund 8 € mehr pro Filiale und Tag. Die Abschriftenquote liegt mit 17,8 % unter dem Durchschnitt der foodforecast-Kunden, obwohl Aldi Nord eine Mindestretoure von 25 % verlangt. Besonders deutlich sanken die Abschriften bei margenstarken Warengruppen wie Torten und Kuchen.

Jan Philipp Gresens berichtet außerdem, wie die Einführung organisiert wurde: mit einer sechswöchigen Parallelphase aus manueller und KI-Bestellung, mit kleinen Schritten und mit viel Überzeugungsarbeit in den Filialen. Die Teilnehmenden erfahren, welche Voraussetzungen nötig sind, wo die Stolpersteine liegen und wie sich KI-Prognosen künftig auch für die Rohstoffdisposition nutzen lassen.

Außerdem zeigen die Referenten, wie der KI-Assistent ARTI die Arbeit mit den Daten vereinfacht: Statt sich durch Auswertungen zu klicken, stellt man Fragen zu Filialen, Artikeln und Prognosen und erhält auf Wunsch regelmäßige Analyseberichte per E-Mail. Bei der Feinbäckerei Ruch gehört ARTI bereits zum Alltag.

Quelle: AGF-Tagungsbroschüre ↗

Artikel aus Mühle + Mischfutter

• SAVE FOOD auf der interpack 2026Betriebsführung↗

Zusammenfassung

Die Krumenstruktur ist ein wesentliches Qualitätsmerkmal von Backwaren. Größe, Form und Verteilung der Poren beeinflussen das Erscheinungsbild und sind wichtige Indikatoren für die Beschaffenheit eines Produktes. Die Beurteilung erfolgt in der Praxis häufig visuell und ist damit von der Erfahrung und subjektiven Einschätzung des jeweiligen Prüfers abhängig. Moderne industrielle Bildverarbeitung bietet die Möglichkeit, Krumenstrukturen objektiv, reproduzierbar und anhand messbarer Kriterien zu charakterisieren.

Eine systematische Analyse der Krumenstruktur ermöglicht es, die Produktkonstanz über verschiedene Chargen, Schichten und Produktionslinien hinweg zu überwachen. Darüber hinaus lassen sich Veränderungen durch Rezepturanpassungen, Rohstoffwechsel oder Änderungen der Knet-, Gär- und Backprozesse erkennen und dokumentieren. Insbesondere bei der Entwicklung neuer Produkte und der Optimierung bestehender Herstellungsprozesse können objektive Messwerte eine wertvolle Grundlage für Qualitätsentscheidungen bilden.

Am Beispiel der Software Safe-Ident Cell wird gezeigt, wie sich die Porenstruktur einer Brotprobe automatisiert untersuchen lässt. Hierzu wird die vorbereitete Schnittfläche unter definierten Bedingungen aufgenommen und anschließend mittels Bildverarbeitung analysiert. Dabei werden zahlreiche Kenngrößen ermittelt, darunter Porenanzahl, mittlere Porengröße, Größenverteilung, Standardabweichung, Flächenanteil und Rundheit der Poren. Auch besonders große Poren können gesondert betrachtet werden. Die Ergebnisse werden in einem Qualitätsreport zusammengefasst und ermöglichen eine nachvollziehbare Bewertung und Dokumentation.

Klassische, regelbasierte Bildverarbeitungsverfahren bieten den Vorteil transparenter und physikalisch interpretierbarer Ergebnisse. Anhand festgelegter Grenzwerte lassen sich Qualitätskriterien eindeutig definieren und überprüfen. Allerdings stößt dieser Ansatz bei komplexen Krumenstrukturen an Grenzen. Unterschiedliche Brotsorten weisen teilweise völlig verschiedene, aber jeweils produkttypisch erwünschte Porenstrukturen auf.

Eine universelle Bewertung anhand einzelner Kennzahlen ist daher häufig nicht möglich.

Zudem können Mittelwerte und Flächenanteile die räumliche Verteilung der Poren und das visuelle Gesamterscheinungsbild nur unvollständig beschreiben.

Hier eröffnet der Einsatz künstlicher Intelligenz (KI) zusätzliche Möglichkeiten. Anstatt sämtliche Qualitätsmerkmale und deren Zusammenhänge durch feste Regeln vorzugeben, kann ein KI-System anhand zuvor bewerteter Beispielbilder lernen, welche Strukturen den gewünschten Qualitätsanforderungen entsprechen. Dadurch lassen sich auch komplexe Kombinationen aus Porengröße, Form und Verteilung berücksichtigen.

Voraussetzung hierfür sind ausreichend repräsentative und fachlich korrekt bewertete Trainingsbilder.

Ein besonders vielversprechender Ansatz ist die Kombination beider Verfahren: Während die klassische Bildverarbeitung konkrete, nachvollziehbare Messwerte liefert, kann die KI eine ergänzende visuelle Gesamtbewertung und Einordnung in produktspezifische Qualitätsklassen übernehmen.

Das Ziel ist eine objektive, reproduzierbare und dokumentierbare Qualitätsbeurteilung der Krumenstruktur. Durch automatisierte Stichprobenkontrollen können Qualitätsabweichungen frühzeitig erkannt, Produktionsprozesse gezielt optimiert und die Produktqualität langfristig überwacht werden.

Quelle: AGF-Tagungsbroschüre ↗