Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter December 30, 2021

Personaleinsatzplanung in der Logistik

Berücksichtigung von Mitarbeiterpräferenzen in der Zuteilung von Arbeitsplätzen mithilfe von Artificial Intelligence

Human Preference-aware Staff Scheduling with Artificial Intelligence in Logistics
Charlotte Haid, Charlotte Unruh, Isabel Pröger, Johannes Fottner and Tim Büthe

Abstract

Die Digitalisierung führt zu vielfältigen Veränderungen in der Logistik. Immer mehr Daten stehen zur Verfügung, die detaillierte Prognosen über Maschinen oder Bedarfe ermöglichen. Mitarbeiterdaten erlauben es Unternehmen, prozessuralen Mehrwert durch die Bewegungs- oder Leistungsanalyse des Arbeitstages zu erreichen. Dies kann aber für die Mitarbeiter nachteilige Konsequenzen haben. In diesem Beitrag wird ein Ansatz vorgestellt, der dem entgegenwirkt, indem die Mitarbeiterpräferenzen in die Personaleinsatzplanung einbezogen werden. In der menschzentrierten, d. h. am Wohlbefinden der Mitarbeiter ausgerichteten, Entwicklung des Systems werden insbesondere ethische Bedenken frühzeitig aufgenommen und berücksichtigt. Fairness, Mitarbeiterzufriedenheit, Autonomie und der Schutz der Privatsphäre der Mitarbeiter sind Leitsätze, die die Gestaltung des Systems bestimmen.

Abstract

Digitization and automation highly increases the amount of available process data in logistics. To use data in a way that employees rights and values are adequatly considered, the HPAO (human preference-aware optimization) research project is investigating new possibilities of data usage in personnel deployment planning. Technical and ethical aspects are investigated equally. Artificial Intelligence Algorithms can take large amounts of data and contraints in the allocation in account and are thus considered to match workers to workplaces in the project. An operational system will be created by developing a survey-based methodology to measure staff preferences, identifying suitable allocation algorithms and producing mock-ups of the software, which will be examined in user studies for applicability and transparency. This serves as a case study and basis for the development of ethical guidelines for employee-centered technology.


Tel.: +49 (0) 89 289 15938

Funding statement: Dieser Aufsatz entstand im Rahmen des Forschungsprojekts „A Human Preference-Aware Optimization System“, einer Kooperation des Lehrstuhls für Fördertechnik, Materialfluss, Logistik (Prof. Dr.-Ing. Johannes Fottner) und des Lehrstuhls für International Relations (Prof. Dr. Tim Büthe) an der Technischen Universität München. Das Projekt wird gefördert durch das Institute for Ethics in Artificial Intelligence der Technischen Universität München. Wir bedanken uns bei Jaimee Lau, B. Sc., und Winnie Xu, B. Sc., für ihre Mithilfe bei der der Durchführung und Analyse der Interviews und der Umfrage.

Literatur

1 Hempfing, A.; Schwemmer, M.: Fachkräftemangel in der Logistik. – Vermessung, Struktur und Handlungsfelder. Fraunhofer SCS, Nürnberg Ausgabe 2019Search in Google Scholar

2 Vernim, S.: Anforderungsermittlung für das Montagepersonal in der digitalen Transformation. Dissertation, Technische Universität München, 2020Search in Google Scholar

3 Schmitt-Rüth, S.; Luzsa, R.: Industrie 4.0 und der Faktor Mensch – Ein Industrie-4.0-Selbstcheck für verantwortungsbewusste und vorausschauende Unternehmen aus „Faktor Mensch“-Sicht. Fraunhofer IIS, Nürnberg Ausgabe 2019Search in Google Scholar

4 Cohrs, C.: Personaleinsatz und Personalfreisetzung. In: Rowold, J. (Hrsg.): Human Resource Management. Springer-Verlag, Berlin, Heidelberg 2015, S. 145–158 DOI: 10.1007/978-3-662-45983-6_1410.1007/978-3-662-45983-6_14Search in Google Scholar

5 Günther, M.; Nissen, V.: Sub-daily Staff Scheduling for a Logistics Service Provider. KI – Künstliche Intelligenz 24 (2010) 2, S. 105–113 DOI: 10.1007/s13218-010-0023-510.1007/s13218-010-0023-5Search in Google Scholar

6 Hochdörffer, J.; Hedler, M.; Lanza, G.: Staff Scheduling in Job Rotation Environments Considering Ergonomic Aspects and Preservation of Qualifications. Journal of Manufacturing Systems 46 (2018), S. 103–114 DOI: 10.1016/j.jmsy.2017.11.00510.1016/j.jmsy.2017.11.005Search in Google Scholar

7 Kaçmaz, Ö.; Alakas¸, H. M.; Eren, T.: Shift Scheduling with the Goal Programming Method: A Case Study in the Glass Industry. Mathematics 7 (2019) 6, S. 561 DOI: 10.3390/math706056110.3390/math7060561Search in Google Scholar

8 Tsourma, M.; Zikos, S.; Drosou, A. et al.: Online Task DistributionSimulation in Smart Factories. In: Proceedings of the 2nd International Symposium on Small-scale Intelligent Manufacturing Systems (SIMS). IEEE, Cavan, 2018, S. 1–6 DOI: 10.1109/SIMS.2018.835530110.1109/SIMS.2018.8355301Search in Google Scholar

9 Xue, N.; Landa-Silva, D.; Triguero, I. et al.: A Genetic Algorithm With Composite Chromosome for Shift Assignment of Part-time Employees. In: Proceedings of the IEEE Congress on Evolutionary Computation (CEC). IEEE, Rio de Janeiro, 2018, S. 1–8 DOI: 10.1109/CEC.2018.847781810.1109/CEC.2018.8477818Search in Google Scholar

10 Özder, E. H.; Özcan, E.; Eren, T.: Sustainable Personnel Scheduling Supported by an Artificial Neural Network Model in a Matural Gas Combined Cycle Power Plant. International Journal of Energy Research 44 (2020) 9, S. 7525–7547 DOI: 10.1002/er.548010.1002/er.5480Search in Google Scholar

11 Lau, H.; Woo, S. O.; Choi, C. Y.: Mampower Allocation and Shift Scheduling Using Human Performance Simulation. IFAC Proceedings 39 (2006) 3, S. 181–186 DOI: 10.3182/20060517-3-FR-2903.0010810.3182/20060517-3-FR-2903.00108Search in Google Scholar

12 Michalos, G.; Makris, S.; Mourtzis, D.: A Web Based Tool for Dynamic Job Rotation Scheduling Using Multiple Criteria. CIRP Annals 60 (2011) 1, S. 453–456 DOI: 10.1016/j.cirp.2011.03.03710.1016/j.cirp.2011.03.037Search in Google Scholar

13 Meisels, A.; Schaerf, A.: Modelling and Solving Employee Timetabling Problems. Annals of Mathematics and Artificial Intelligence 39 (2001) 1, S. 41–59 DOI: 10.1023/A:102446071476010.1023/A:1024460714760Search in Google Scholar

14 Russell, S. J.; Norvig, P.: Artificial Intelligence – A Modern Approach. Pearson, Boston 202010.1093/oso/9780190905033.003.0012Search in Google Scholar

15 Monarch, R.: Human-In-the-Loop Machine Learning : Active Learning and Annotation for Human-Centered AI. Manning Publications Co. LLC, 2021Search in Google Scholar

16 Hermeier, B.; Heupel, T.; Fichtner-Rosada, S.: Arbeitswelten der Zukunft. Springer Fachmedien Wiesbaden, Wiesbaden 2019 DOI: 10.1007/978-3-658-23397-610.1007/978-3-658-23397-6Search in Google Scholar

17 Zäpfel, G.; Wasner, M.: Warehouse Sequencing in the Steel Supply Chain as a Generalized Job Shop Model. International Journal of Production Economics 104 (2006) 2, S. 482–501 DOI: 10.1016/j.ijpe.2004.10.00510.1016/j.ijpe.2004.10.005Search in Google Scholar

18 Reinhart, G.; Magenheimer, K.; Greitemann, J.: Verschwendungsfokussierte Prozessmodellierung. ZWF 107 (2012) 4, S. 235–239 DOI: 10.3139/104.11072610.3139/104.110726Search in Google Scholar

Published Online: 2021-12-30

© 2021 Walter de Gruyter GmbH, Berlin/Boston