KI-gestützte Lieferkette mit FastAPI und React Native realisieren

Ein integriertes System aus mobiler App und KI-gestützter Lieferkettenoptimierung zu entwickeln, war das Ziel eines kürzlich abgeschlossenen Projekts. Die Plattform verbindet moderne Softwareentwicklung mit maschinellem Lernen und bietet Funktionen wie Routenplanung, Lageranalysen und Vorhersagen für Lieferverzögerungen. Mit den Technologien React Native (Expo + TypeScript), FastAPI und MySQL entstand eine Architektur, die sowohl für Entwickler als auch für Endanwender skalierbar ist.

Von der CRUD-App zur KI-Plattform: Die Projektvision

Das Projekt begann als klassische CRUD-Anwendung, doch schnell wurde klar, dass die Integration von KI-Funktionen das Potenzial deutlich erweitern würde. Statt isolierter Machine-Learning-Modelle sollte ein System entstehen, das Vorhersagen und Analysen direkt in die mobile Anwendung einbettet. Nutzer können so Echtzeit-Einblicke in Logistikprozesse erhalten – etwa zur Auslastung von Lagern oder zu erwarteten Lieferverzögerungen.

Die technische Umsetzung folgte einem modularen Ansatz. Das Backend wurde in folgende Hauptverzeichnisse strukturiert:

• models/ – Datenmodelle und Datenbankrelationen
• api/ – API-Endpunkte für Frontend und externe Dienste
• services/ – Geschäftslogik und Dienstschichten
• analytics/ – Datenanalysen und Vorhersagemodelle
• core/ – zentrale Konfigurationen und Hilfsfunktionen
• db/ – Datenbankzugriff und ORM-Einstellungen
• utils/ – wiederverwendbare Hilfsfunktionen
• scripts/ – Skripte für Datenimport und -aufbereitung

Diese Struktur ermöglichte eine klare Trennung von Verantwortlichkeiten und erleichterte die spätere Erweiterung um KI-Komponenten.

Datenmodelle und Logistiknetzwerke im Detail

Die Plattform modelliert drei zentrale Entitäten: Lieferungen, Lager und Fahrer. Jede Entität wird durch spezifische Attribute beschrieben, die für die Logistikanalyse entscheidend sind.

Für Lieferungen gilt:

• product_name – Name des transportierten Produkts
• origin – Abgangsort
• destination – Zielort
• status – aktueller Lieferstatus (z. B. "in Transit", "delivered")
• distance_km – zurückgelegte Distanz
• expected_delivery_days – geplante Lieferdauer
• actual_delivery_days – tatsächliche Lieferdauer
• warehouse_id – verknüpftes Lager (optional)
• driver_id – zugewiesener Fahrer (optional)

Lager und Fahrer werden ähnlich strukturiert, wobei Lager durch name und city identifiziert werden und Fahrer durch name sowie truck_number (Fahrzeugnummer). Diese Beziehungen ermöglichen die Abbildung eines vereinfachten, aber realistischen Logistiknetzwerks.

Datenanalyse als Brücke zwischen Rohdaten und KI

Der entscheidende Schritt zur KI-Integration lag in der Erstellung einer robusten Analyseschicht. Mit Pandas wurden Lieferdaten in strukturierte DataFrames überführt, die gezielte Auswertungen ermöglichen. Ein typischer Workflow sah wie folgt aus:

shipments_df = pd.read_sql("SELECT * FROM shipments", engine)

Die Analyse umfasste mehrere Schlüsselaspekte:

• Statusverteilung von Lieferungen:

  shipments_df["status"].value_counts()

Diese Auswertung zeigt, wie viele Lieferungen sich in welchem Zustand befinden – etwa wie viele noch unterwegs sind oder bereits angekommen.

• Lieferperformance:

  shipments_df["expected_delivery_days"].mean()

Hier wird die durchschnittliche Lieferdauer mit den Planwerten verglichen.

• Routenanalyse:

  shipments_df.groupby(["origin", "destination"]).size()
          .sort_values(ascending=False).head()

Diese Abfrage identifiziert die am häufigsten genutzten Transportrouten.

• Produktanalyse:

  df["product_name"].value_counts(normalize=True).mul(100).round(2).head()

Sie gibt Aufschluss über die Verteilung der transportierten Produkte.

Alle Ergebnisse wurden über FastAPI-Endpunkte bereitgestellt und von der React-Native-App konsumiert. So konnten Nutzer etwa Verzögerungen in Echtzeit nachvollziehen oder Engpässe in bestimmten Lagern erkennen.

Synthetische Daten für realistische KI-Modelle

Um maschinelle Lernmodelle zu trainieren, sind große Datensätze essenziell. Da reale Logistikdaten oft schwer zugänglich sind, setzte das Projekt auf synthetische Daten. Mit den Bibliotheken Faker und Mockaroo wurden Tausende von Lieferungen, Fahrern und Lagern generiert. Diese umfassten:

• Unterschiedliche Produktkategorien
• Abwechslungsreiche Routen zwischen Städten
• Variierende Lieferzeiten und Statusverläufe

Durch diese Simulation konnte das System realistische Muster erkennen – etwa häufige Verzögerungen auf bestimmten Strecken oder saisonale Nachfrageschwankungen. Erst diese Datenbasis ermöglichte es, zuverlässige Vorhersagen zu treffen.

KI-Funktionen: Von der Theorie zur Praxis

Mit den aufbereiteten Daten konnten nun konkrete KI-Anwendungen umgesetzt werden. Das Projekt umfasste folgende Schwerpunkte:

• Routenoptimierung: Identifikation effizienterer Transportwege unter Berücksichtigung von Distanz, Verkehr und Lagerkapazitäten.

• Effizienzscores für Lager: Bewertung der Auslastung und Identifikation von Engpässen.

• Nachfrageprognosen: Vorhersage zukünftiger Liefermengen basierend auf historischen Daten und Trends.

• Anomalieerkennung: Automatische Erkennung ungewöhnlicher Lieferverläufe, etwa plötzliche Verzögerungen oder ungewöhnliche Routen.

• Vorhersage von Lieferverzögerungen: Berechnung der Wahrscheinlichkeit, mit der eine Lieferung ihr Ziel nicht termingerecht erreicht.

Jede dieser Funktionen wurde als separater Microservice im Backend implementiert und über FastAPI exponiert. Die React-Native-App visualisierte die Ergebnisse in Dashboards, die Nutzern klare Handlungsempfehlungen gaben.

Lessons Learned und Ausblick

Das Projekt zeigte eindrucksvoll, wie moderne Softwarearchitekturen und KI-Technologien zusammenwirken können. Besonders wertvoll war die Erfahrung, Machine-Learning-Modelle nicht isoliert zu entwickeln, sondern direkt in ein produktionsreifes System zu integrieren. Die größte Herausforderung lag darin, die Balance zwischen Performance und Skalierbarkeit zu finden – insbesondere bei der Verarbeitung großer Datensätze.

Für die Zukunft sind weitere Optimierungen geplant, etwa die Integration von Echtzeitdaten aus GPS-Tracking oder die Erweiterung um prädiktive Wartungsmodelle für Fahrzeuge. Das Projekt beweist, dass selbst komplexe KI-Anwendungen mit den richtigen Tools und einer durchdachten Architektur realisierbar sind – und dass sie einen echten Mehrwert für Logistikunternehmen bieten können.