In herkömmlichen Logistikoptimierungsproblemen beschreibt eine Zielfunktion die Beziehung zwischen Parametern. In vielen industriellen Praktiken ist jedoch eine solche Beziehung unbekannt, und es sind nur Beobachtungsdaten verfügbar. Das Ziel der Forschung ist es, regressionsbasierte Modelle des maschinellen Lernens zu verwenden, um Muster im Lagerdatensatz zu erkennen und diese zur Erzeugung einer genauen Zielfunktion zu nutzen. Die Modelle sind nicht nur für Vorhersagen geeignet, sondern auch zur Interpretation der Auswirkungen von Eingangsvariablen. Dieser datengestützte Ansatz stimmt mit den automatisierten, intelligenten Systemen der Industrie 4.0 überein, während die Industrie 5.0 Möglichkeiten für nachhaltige, flexible und kollaborative Entwicklungen bietet. In dieser Forschung wurden Modelle des maschinellen Lernens (ML) an einem fiktiven Datensatz unter Verwendung von Automated Machine Learning (AutoML) getestet, wobei Light Gradient Boosting Machine (LightGBM) als die beste Methode ausgewählt wurde (R2 = 0,994). Die Feature Importance und Partial Dependence Plots zeigten die Schlüsselfaktoren, die die Lagerleistung beeinflussen, und deren funktionale Beziehungen. Die Definition von Leistung als Kostenindikator ermöglichte es uns, die Optimierung als Kostenminimierung zu interpretieren, was zeigt, dass ML-basierte Methoden versteckte Muster aufdecken und Effizienzverbesserungen im Lagerwesen unterstützen können. Der vorgeschlagene Ansatz erreicht nicht nur eine herausragende Vorhersagegenauigkeit, sondern verwandelt auch die Modelloutputs in umsetzbare, interpretierbare Erkenntnisse zur Lageroptimierung. Durch die Kombination von Automatisierung, Interpretierbarkeit und Optimierung fördert diese Forschung die praktische Umsetzung intelligenter Lagersysteme in der Ära der Industrie 4.0.
Francuz et al. (Sat,) untersuchten diese Frage.