KI-gestützte Paketoptimierung: Hybride Ansätze für die Holzindustrie
In der Holzbranche ist die effiziente Planung von Auslieferungspaketen entscheidend, um Transportkosten zu minimieren und Kundenwünsche zu erfüllen. Für TimberTec, einen der führenden Anbieter von ERP-Software für die internationale Holzindustrie mit Sitz in Eutin, ist die optimale Zusammenstellung von Auslieferungspaketen ein zentraler Bestandteil der digitalen Prozesskette. Mit der ERP-Suite „TiCom” (Timber Commerce) bildet das Unternehmen seit über 25 Jahren die komplette Wertschöpfungskette von Sägewerken, Leimholz- und Brettsperrholzherstellern sowie Holzhandelsbetrieben ab und verarbeitet Daten von der Rohstoffgewinnung bis zum After-Sales-Service.
Die Ausgangslage: Pakete packen unter Zeitdruck
Ein wichtiger Teil dieser Abläufe ist die Paketoptimierung. Idealerweise stehen die Abmessungen und die Zusammensetzung der Auslieferungspakete bereits vor der Produktion fest, damit die Ware effizient verpackt, transportiert und beim Kunden weiterverarbeitet werden kann. In der Praxis melden Betriebe jedoch immer wieder, dass die automatisch erzeugten Pakete nicht ideal sind und Fachkräfte manuell nachbessern müssen. Das bindet Ressourcen und führt mitunter zu Unzufriedenheit bei den Anwender:innen.
Ziel der Machbarkeitsstudie
In einer Machbarkeitsstudie untersuchte TimberTec gemeinsam mit dem KI.SH-Projektteam, bestehend aus Pedro Rodrigues da Conceição, Josef Küstner, Rachana Niranjan Murthy, Lasse Päplow und Tobias Schwartz, inwieweit sich die bestehende Paketoptimierung mit Methoden des Machine Learning erweitern lässt. Das Ziel bestand darin, aus historischen Daten zu lernen, wie Kundinnen und Kunden Pakete tatsächlich anpassen. Mit diesen Daten sollten die Packalgorithmen so weiterentwickelt werden, dass die automatisch erzeugten Lösungen näher an den realen Präferenzen der Betriebe liegen und manuelle Eingriffe deutlich reduziert werden.
Historische Packmuster als Datengrundlage
TimberTec stellte dem KI.SH-Team umfangreiche historische Produktionsdaten aus dem Betrieb dreier Kunden zur Verfügung. Mit diesen Kunden hatte sich das Team zuvor über Herausforderungen beim Verpacken ihrer Aufträge ausgetauscht.
Die Daten enthalten zum einen die einzelnen Aufträge der Kunden. Ein Auftrag besteht aus verschiedenen Elementen, die später gemeinsam in einer Verpackungslösung untergebracht werden sollen. Zu jedem Element liegen grundlegende Angaben wie Höhe, Breite und Länge sowie weiterführende Angaben wie Warengruppen, Holzart oder vordefinierte Paketzuordnungen vor.
Zum anderen umfassen die Daten auch die bereits erstellten und freigegebenen Verpackungslösungen. Die vorliegende Paketliste enthält ausschließlich Lösungen, die vom Kunden geprüft wurden. Es handelt sich also um reale Verpackungen.
Methoden: KI ergänzt klassische Optimierung
Im Projekt wurde vor allem untersucht, wie sich klassische Methoden zur Paketoptimierung durch Machine Learning ergänzen lassen. Die Verfahren bewerten beispielsweise bereits gepackte Lösungen, ermöglichen gezieltes Neuverpacken und verbessern somit die Packpläne. Im Rahmen der Machbarkeitsstudie wurden zudem durchgängige Workflows untersucht, in denen KI-Vorhersagen mit klassischen Optimierungstools verknüpft werden („Predict-Then-Optimize“). Dadurch kann die Optimierung an die Kundenpräferenzen angepasst werden.
Modelle im Einsatz
Das Projektteam testete gezielt OR-Solver, Deep Learning Modelle und diverse datengetriebene Heuristiken, sowohl einzeln als auch in Kombination. Die Auswertung der historischen Kundendaten zeigte, dass hybride Ansätze am vielversprechendsten sind.
OR-Solver als Basis: Packprobleme werden klassischerweise nicht mit KI-Methoden, sondern mit mathematischen Optimierungsverfahren gelöst. Die Standardmethode hierfür sind sogenannte OR-Solver, die auch vom Projektteam eingesetzt wurden.
Predict-Then-Optimize
Beim „Predict-Then-Optimize“ prognostiziert Machine Learning zuerst individuelle Parameter, die anschließend klassische Optimierungsalgorithmen nutzen, um optimale Packlösungen zu berechnen.
OR-Solver
OR steht für Operations Research, die mathematische Optimierung komplexer Planungsprobleme. OR-Solver wie SCIP, CP-SAT oder Gurobi lösen Packaufgaben exakt, indem sie mathematische Modelle mit Algorithmen berechnen.
Deep Learning zur Bewertung: Ein Deep Learning Modell prognostiziert die Ähnlichkeit von Solver-generierten Lösungen zu den Lösungen, die von Kunden final freigegeben wurden. Mit einer Genauigkeit von etwa 96 % erkennt das Modell, wie ähnlich ein Paket zu dem vom Kunden freigegebenen Paket ist. Es eignet sich somit ideal zur Auswahl der kundenoptimalen Lösung aus mehreren Varianten oder zur Steuerung von Neuverpackungen.
Ergänzend erkennt ein weiteres Modell fehlplatzierte Teile in einem Paket mit einer Genauigkeit von 90 bis 95 %. Diese können anschließend korrigiert werden. Direkte Vorhersagen zur Verpackung (z.B. die Vorhersage der Anzahl an Paketen für einen bestimmten Auftrag) scheiterten hingegen.
Heuristiken für Flexibilität: In einem weiteren Ansatz wurde Monte-Carlo-Tree-Search (MCTS) angewandt. Es integriert historische Präferenzen vielversprechend in den Packprozess, indem der Algorithmus einen breiten Lösungsraum ausprobiert und mithilfe der Ähnlichkeitserkennung des Deep Learning Modells die besten Lösungen findet. Auch dieser Ansatz wurde vom Projektteam als vielversprechend eingestuft.
Monte-Carlo-Tree-Search (MCTS)
MCTS ist ein intelligentes, Suchverfahren, das Monte-Carlo-Simulationen mit Baumsuche verbindet. Item für Item wird der Lösungsraum ausgewertet, komplette Pakete bewertet und die beste Platzierung gewählt – iterativ bis zur optimalen Lösung.
Fazit und Ausblick: Hybride Ansätze mit hohem Potenzial
Die Machbarkeitsstudie zeigt: Für die spezifischen, kundenindividuellen Packprobleme gibt es aktuell keine etablierte Standardlösung, die sich einfach übernehmen lässt. Gleichzeitig haben sich OR-Solver als Basisverfahren als am vielversprechendsten erwiesen. Insbesondere in Kombination mit Machine Learning können diese Verfahren einen echten Mehrwert für TimberTec und seine Kund:innen liefern. Gute Ergebnisse wurden mit Verfahren erzielt, bei denen Machine Learning Modelle nicht selbst packen, sondern die Qualität einer Packung im Vergleich zu Kundenreferenzlösungen bewerten oder fehlplatzierte Elemente erkennen.
Die datengetriebenen Bewertungsmodelle liefern eine zuverlässige Grundlage für die Beurteilung und gezielte Verbesserung von Packlösungen. Damit eröffnen sie einen vielversprechenden Pfad für weitere Forschung und Entwicklung hin zu einer KI-gestützten Paketoptimierung in der Holzindustrie.
