Amazon EU Logistics: KI-Optimierung von LKW-Abfahrzeiten im Logistiknetzwerk

Amazons Logistiknetzwerk in der EU ist eines der komplexesten seiner Art in Europa. Es besteht aus 90 Lagerhäusern, 34 Sortierzentren, 242 Verteilstationen und mehr als 11.000 Transportpfaden zwischen diesen Knoten. In einem solchen Netzwerk hängt die Einhaltung von Lieferversprechen – insbesondere die Zustellung am nächsten Tag – direkt davon ab, wann LKWs an welchem Punkt abfahren.

Das Problem dabei: Die Zahl möglicher Abfahrtszeitkombinationen ist bei dieser Netzwerkgröße so groß, dass weder manuelle Planung noch einfache Regelwerke verlässlich zur optimalen Lösung führen. Gleichzeitig müssen harte Betriebsbeschränkungen eingehalten werden – darunter Schichtvorgaben, Kapazitätsgrenzen und Mindestabstände zwischen Abfahrten.

Amazon nutzt maschinelles Lernen, um Nachfragemuster über das Netzwerk vorherzusagen. Die eigentliche Entscheidung – wann welcher LKW abfahren soll – trifft jedoch kein ML-Modell, sondern ein nachgelagerter Optimierungsschritt. Das AWS Generative AI Innovation Center entwickelte dafür zwei komplementäre mathematische Optimierungsansätze, die auf Basis der ML-Vorhersagen konkrete, umsetzbare Abfahrtspläne berechnen.

Dieses Vorgehen folgt dem Prinzip einer sogenannten „Predict-then-Optimize"-Pipeline: ML-Modelle liefern Prognosen, mathematische Optimierung übersetzt diese Prognosen in operative Entscheidungen unter realen Nebenbedingungen.

Das Innovation Center beschreibt seinen methodischen Rahmen in vier Schritten: Zunächst werden gemeinsam mit dem Kunden die relevanten Optimierungsziele, Entscheidungsvariablen und Nebenbedingungen identifiziert. Anschließend entsteht ein mathematisches Modell, das das betriebliche Problem präzise formalisiert. Im dritten Schritt wird der algorithmische Ansatz auf Struktur und Größe des Problems abgestimmt – das Spektrum reicht von exakten Verfahren wie Constraint Programming und Mixed-Integer Programming bis hin zu Metaheuristiken.

Im Falle von Amazons LKW-Planung kamen zwei solcher Verfahren komplementär zum Einsatz. Die genaue algorithmische Ausgestaltung ist in den verfügbaren Quellen nicht weiter spezifiziert.

Der konzeptionelle Unterschied zu rein ML-basierten Ansätzen ist dabei zentral: Während ML probabilistische Aussagen liefert – etwa „diese Route ist wahrscheinlich effizient" –, liefert mathematische Optimierung definitive Antworten: „Dies ist die optimale Abfahrtszeit unter allen gegebenen Nebenbedingungen." Für operative Entscheidungen mit harten Restriktionen, wie sie in der Logistik die Regel sind, ist dieser Unterschied laut Innovation Center entscheidend.

Die entwickelten Optimierungsansätze erzielten eine Verbesserung der Next-Day-Coverage um +20 bis +50 Basispunkte. Laut Quelle entspricht dies einem Geschäftswert von „tens of millions of dollars". Weitere quantitative Angaben – etwa zu Laufzeiten, Implementierungsaufwand oder Vergleichswerten vor der Einführung – sind in den vorliegenden Quellen nicht enthalten.

Der Fall illustriert ein Einsatzmuster, das über Amazon hinaus verallgemeinerbar ist: ML und mathematische Optimierung werden nicht als Alternativen, sondern als aufeinanderfolgende Stufen eingesetzt. ML übernimmt die Vorhersage, Optimierung übernimmt die Entscheidung. Für Netzwerke mit harten Betriebsgrenzen und hohem operativem Risiko – wie Liefernetzwerke mit Tages-Commitments – erscheint dieses Zusammenspiel laut Innovation Center leistungsfähiger als ML allein.

Die Arbeit wurde durch das AWS Generative AI Innovation Center durchgeführt, eine auf wissenschaftliche Optimierungsprobleme spezialisierte Einheit innerhalb von AWS, die Kundenprobleme mit Methoden aus KI, mathematischer Modellierung und High-Performance-Computing bearbeitet.