TUP lässt mit Partnern KI und Intralogistik zusammenfließen

Mathias Thomas verdeutlichte auf der Fachmesse in seiner Doppelfunktion als Geschäftsführer von TUP und AIM, einem auf industrielle KI-Lösungen spezialisierten Unternehmen, die Chance auf Synergieeffekte, die dann entstehen, wenn sich Spezialisten mit ihrem jeweiligen Fachwissen zusammenschließen: „Ohne Intralogistikkompetenz wird es für KI-Experten schwierig im dortigen Markt zu bestehen, aber umgekehrt nutzt ein Intralogistikkenner ohne KI-Know-how ebenfalls nicht alle Möglichkeiten für die bestmögliche Erfüllung der Kundenbedürfnisse aus.“ Das in der Wertschöpfungskette im Lagerumfeld vorhandene Steigerungspotenzial sei, so der TUP-CEO, nur mit dem Verständnis für die Anforderungen im Warehousing einerseits und die Einbindung von State-of-the-Art-IT andererseits zu heben.

In der Software-Welt der Experten für individuelle Warehouse-Management-Systeme ist „TUP.AI“ der Überbegriff dieser Thematik. Daneben gilt besonderes Augenmerk aber auch der universellen Plattformunabhängigkeit jener mit „AIM inside“ gelabelten Lösungen. In diesem Kontext sprach vor der interessierten Fachöffentlichkeit auf der Logimat auch Fin Geldmacher, bekannt als Geschäftsführer der auf SAP-Lösungen spezialisierten Firma Prismat. Gemeinsam mit Mathias Thomas führt er das Joint Venture INLAI, das die speziell für die Intralogistik entwickelten KI-Lösungen mit tiefgreifendem SAP-Fachwissen vereint. „Die Logistik- und Lagerprozesse von Industrie und Handel heben wir auf das nächste Level, indem wir den praxiserprobten Werkzeugkasten KI-basierter Lösungsbausteine als echte SaaS-Anwendungen in die SAP-Welt übertragen.“ Nach und nach soll mit diesem Ansatz eine ganze Suite verschiedener Tools entstehen.

Angesichts jenes auch in der Lagerlogistik spürbaren Fachkräftemangels steht für die Partner zunächst eine KI-gestützte Personal- und Ressourcenplanung im Fokus. „Dort, wo selbst erfahrene Führungspersönlichkeiten in Lagerhäusern aufgrund der Datenmenge keine Zusammenhänge von Ursache und Wirkungen wahrnehmen können, erkennt Machine Learning Muster, die beispielsweise den Mitarbeitereinsatz aufgrund der daraus gezogenen Schlussfolgerungen besser steuerbar macht“, betont Mathias Thomas. „Im folgenden Entwicklungsschritt suchen KI-Anwendungen bereits eigenständig nach Lösungen, um die Abläufe weiter zu optimieren. Fügen sich alle intralogistischen Teildisziplinen am Ende zusammen, kann ein vollautomatisierter Leitstand die Lagerabläufe weitestgehend selbst effizient managen.“