KI-gestützte Lageroptimierung: Offline RL steigert Durchsatz um 2,4 %

In einer aktuellen Studie von Forschern der arXiv-Community wurden zwei moderne KI-Methoden auf ihre Wirksamkeit bei der Echtzeit-Staffing-Optimierung in halbautomatisierten Lagerhaus-Sortiersystemen geprüft. Beide Ansätze zeigen, dass künstliche Intelligenz die operative Effizienz deutlich verbessern kann.

Der erste Ansatz nutzt Offline-Reinforcement-Learning (RL) mit maßgeschneiderten Transformer‑Modellen. Durch das Training auf umfangreichen historischen Zustandsdaten konnten die Modelle in simulierten Umgebungen einen Durchsatz von 2,4 % über den bisherigen Baselines steigern. In großen Lagerbetrieben bedeutet ein solcher Anstieg erhebliche Kosteneinsparungen, da mehr Aufträge in gleicher Zeit bearbeitet werden können.

Der zweite Ansatz setzt auf große Sprachmodelle (LLMs), die auf abstrakte, menschenlesbare Zustandsbeschreibungen zugreifen. Hier wurden verschiedene Prompting‑Techniken, automatische Prompt‑Optimierung und feinabgestimmte Lernstrategien systematisch verglichen. Nur die Kombination aus überwachten Feinabstimmungen und Direct Preference Optimization – basierend auf simulierten Präferenzen – konnte die Leistung der Baselines erreichen oder leicht übertreffen.

Die Ergebnisse zeigen, dass beide Wege praktikabel sind: Offline‑RL liefert hochspezialisierte, leistungsstarke Policies, während LLMs die Interaktion mit menschlichen Managern erleichtern und durch iterative Feedback‑Schleifen weiter verbessert werden können. Insgesamt eröffnet die Studie neue Perspektiven für KI‑unterstützte Entscheidungsfindung in der Lagerlogistik.