Logistik-KI mit räumlicher Intelligenz

Künstliche Intelligenz erleichtert schon heute die Arbeit von Logistikleitern und Supply Chain Managern beispielsweise bei Versandavis, Retourenanalyse, Kommissionierreihenfolge oder Frachtkostenentwicklung. Alle gängigen Sprachmodelle basieren ausschließlich auf der Interpretation von Texten. Daher sucheb Large Language Models (LLM) vergeblich nach vollständigen Simulationen neuer Lagerstandorte oder Micro-Hubs und deren Einfluss auf Lieferzeit und Kosten. Ihnen fehlt das Raum-Zeit-Kontinuum, die sich aus räumlichen Informationen ergebende Geointelligenz.

Veränderte Geografien als Herausforderung

Wenn sich Daten verändern, also zum Beispiel eine Stadt wächst, neue Baustellen entstehen oder sich die Infrastruktur erweitert, betrachtet ein Standard-LLM jede Aktualisierung als neue, unabhängige Information. Eine zusammenhängende Landschaft von Beziehungen mit Veränderungen über Raum und Zeit bleibt unerkannt. Aktuelle Systeme arbeiten mit text- oder objektbasierten Daten und ohne einen einheitlichen räumlichen Rahmen. Selbst fortschrittliche KI-Systeme ohne komplexe externe GIS-Logik scheitern daran, sich verändernde Geografien zu verfolgen, aufkommende Hotspots zu identifizieren oder räumliche Muster im Zeitverlauf zu erkennen. Weder Microsoft noch Google, OpenAI oder Meta weisen in ihren Modellen spatio-temporales Können auf. Dafür braucht es neben einem Large Language Model eine universelle räumliche Sprache.

Maschinenlesbares Beziehungsnetzwerk

Um diese Herausforderung zu meistern, konstruiert das Team um Prof. Dr. Roman Brylka das Large  Geo-Grid Model (LGM). Das Fundament legt das EEA Reference Grid, ein europaweit einheitliches offenes Referenz-Rastergitter der European Environment Agency. TGB überführt es in den globalen Raum. Um räumliche Daten vergleichbar, überlagerbar und statistisch auswertbar zu machen, unterteilt das Modell die Erde in ein präzises, hierarchisches Gitter aus festen Zellen. Jede Einheit bekommt eine permanente ID, eine definierte Nachbarschaft und einen konsequenten Eltern-Kind-Bezug über 17 Rasterebenen in einer Größenskalierung von 1 mm bis 100 km. Sobald gewünschte Daten zu Depots, Verkehrslage, Wetter und Flotte auf dieses Gitter projiziert sind, versteht sich jede Zelle als konsistentes räumliches Token mit Zeitstempel. Dessen Merkmale entwickeln sich im Laufe der Zeit weiter. Das LGM lernt die Raum-Grammatik eigenständig: Wie verbindet sich jede Zelle mit ihren Nachbarn? Wie aggregieren sich Schichten von unten nach oben? Wie hängen Entfernungen und Ausrichtungen zusammen? Fließen Daten aus verschiedenen Zeiten ein, erkennt das Modell räumliche Dynamiken. Es verfolgt Wachstumsfronten, identifiziert Diffusionsmuster und sieht  Clustering-Trends. Das LGM versteht, was sich verändert, wo, wie schnell und in welche Richtung.

Das Ziel: Logistikplayer prompten komplexe Fragen und erhalten in Windeseile intelligente und  nützliche Antworten. An welchen Stellen der Lieferkette gibt es wiederkehrende strukturelle Verzögerungen und welche Alternativen gibt es? Welche Umwege kosten jährlich am meisten Geld und CO₂? Welche Orte eignen sich für temporäre Peak-Season-Hubs?

Ein Large Intelligence Model (LIM) braucht das LLM als Denk- und Kommunikationsebene, während das LGM die räumliche und zeitliche Grundlage stellt. In dieser Konfiguration sendet das Sprachmodell über Prompts strukturierte Tool-Aufrufe an das LGM. Dieses führt die georäumliche Schlussfolgerung aus und gibt Ergebnisse in einer Form zurück, die das LLM interpretieren und erklären kann. Das LIM (LLM + LGM) zieht Parameter wie Infrastrukturentwicklung, Verkehrsdaten, Wetterlagen, Routen sowie Ereignisse zurate, berechnet Dichten, analysiert räumliche Muster und liefert eine Erklärung und eine Karte als Antwort.