oder es zumindest versucht.
Eine KI zur Orchestrierung mehrerer Stapler im Lager hatten wird. Wer nochmal schauen möchte: Hier lang.
Nun, das war ja einfach. Was jetzt?
Lasst uns in diesem und den kommenden Posts auf eine Reise gehen und eine KI entwickeln.
Warum nicht etwas mit großem Potential und inhaltlich garnicht so weit weg ist: Picking-Batches.
Die Zusammenstellung von Picklisten zur Zeitoptimierung.
Das heißt ich habe beispielsweise 900 Picks die zu erledigen sind und muss diese auf zwei oder mehr Leute aufteilen.
Wie ist erstmal egal.
Nun sind Gänge zwischen Regalen in der Regel schmal und es kann sich immer nur eine Person frei bewegen.
Müssen zwei in den gleichen Gang, müssen sie aufeinander warten oder hintereinander herlaufen.
Wir wollen also eine Umgebung schaffen, in der die KI lernt, damit umzugehen.
Fangen wir an eine Umgebung zu bauen, unser Lager (fotorealistisches Rendering):
x o x x x x |
x x x x x |
x x x x x |
|
x x x x x |
x x x o x x |
x x x x x |
Die ‘x’ sind unsere Regale, in den Gängen dürfen wir laufen.
Wie nun starten?
Wir nehmen den einfachsten Fall: Ein Modell, in das wir die Positionen aller Lageristen und alle offen Picks kippen. Als Ergebnis erwarten wir den nächsten Pick.
20.000 simulierte Tage später steht fest: So einfach ist es dann doch nicht.
Das Ergebnis ist die lila Linie im Diagramm, welche eindeutig keinen Trend hat.
Ein paar Tweaks später gibt es dann die ersten Ergebnisse die wieder Mut machen. Doch dazu mehr in den nächsten Posts.
Habt ihr auch schon die Erfahrung gemacht, das der erste Wurf kein Ergebnis bringt? Oder arbeitet ihr auch gerade an einem Optimierungsproblem? Schreibt mir!
Wenn ihr wissen wollt, wie es weiter geht, folgt den nächsten Posts.