Vsi govorijo o umetni inteligenci, toda kakšne so njene potencialne aplikacije za skladiščenje in dobavno verigo? Edward Napier-Fenning, direktor prodaje in trženja vodilnega podjetja za programsko opremo dobavne verigeBalon, raziskuje pet ključnih področij, ki lahko povečajo učinkovitost – vključno z načrtovanjem poti, komisioniranjem, poročanjem o upravljanju dela in vnosom podatkov.
Kar nenadoma je umetna inteligenca (AI) povsod. Tako kot v zgodnjih dneh mnogih drugih revolucionarnih tehnologij je tudi tukaj veliko pretiravanja in veliko tega, kar se trenutno oglašuje kot "podprto z umetno inteligenco", je v resnici le zaporedje, resda zelo hitrih in zelo pametnih algoritmov, ki sledijo logičnim poti, ki so jih izumili ljudje. Sposobnost obdelave ogromnih količin 'velikih podatkov' s svetlobno hitrostjo je impresivna in izjemno dragocena, vendar sama po sebi ne predstavlja umetne inteligence. Resnična umetna inteligenca se lahko uči iz zgodovinskih podatkov in trenutnih dejavnosti ter v nekem smislu prepisuje lastne algoritme.
Hitrost razvoja umetne inteligence se pospešuje in že vidimo nekatera ključna področja skladiščenja in logistike, kjer jo je mogoče uporabiti.
1. Izboljšano načrtovanje poti
Voznik se je do zdaj odpravljal s fiksno potjo, morda običajno vožnjo ali načrtovano dan ali dva prej, in od njega/nje je odvisno, ali se bo najbolje odzval na nesrečo, prometni zastoj ali drug dogodek ko in ko se ti pojavijo. Zdaj je mogoče upravljanje prometa v realnem času povezati z viri, kot je Google, pri čemer se ne ukvarja le z rešitvijo trenutne težave, ampak z uporabo svojega učenja predvideva, kje bo verjetno prišlo do zastojev, kar nenavadno pogosto ni na mesto dejanskega dogodka. To daje bolj robustno priporočilo za izogibanje in pomaga ohranjati dostavo v skladišče in iz njega po urniku.
Ta pristop k načrtovanju poti lahko deluje v kombinaciji z dinamično gradnjo obremenitve. Trenutno ni celotne datoteke z naročili na začetku dneva ali na točki, kjer je treba določiti voznike in poti za operacije naslednjega dne. Pot lahko torej vključuje cilje, kjer dejansko ni nobenega padca, ali pa izpusti padce, ki bi jih bilo koristno narediti. Inteligentni sistemi lahko nenehno na novo načrtujejo, spreminjajo in optimizirajo poti, ko se gradi profil naročila. To pa lahko pomaga pri naslednji temi, o učinkovitem nabiranju naročil, ki ima seveda svoje težave s potjo in usmerjanjem.
2. Učinkovito pobiranje
Veliko hrupa okoli umetne inteligence v dobavni verigi je okoli vprašanj, kot sta inventar in naročanje. Izboljšanje je očitno pomembno, vendar smo se komaj začeli dotikati tega, kako učinkoviteje voditi skladišče, kjer so res veliki stroški dela in administracije – pa tudi potencialni prihranki.
Optimizacija izbirne poti je vroča tema v skladiščenju, čeprav na nižjem koncu to pomeni komaj kaj več kot zlaganje naročil v zaporedje in njihovo sekljanje na bloke dela. Lepo je, da lahko to naredimo zelo hitro, vendar je prava umetna inteligenca začela bolj inteligentno gledati na celotno situacijo: kje je blago v skladišču, katero blago je mogoče ali ne združiti na danem vozičku ali zabojniku ( in kje so ti vsebniki), kakšna so prednostna naročila (kar ima jasne povezave z zgornjim vprašanjem usmerjanja) in tako zgraditi najučinkovitejše možne rutine izbire.
Umetna inteligenca bo lahko izboljšala izbiro in delovanje strategij nabiranja – optimum pa se lahko razlikuje glede na vrsto blaga ali celo čas dneva. Strategije so številne in raznolike: na primer serijsko nabiranje, ki vključuje hojo po poti, naenkrat nabiranje ene SKU za serijo naročil. Lahko pa gre za območno ali 'grozdno' nabiranje, pri katerem operater izbere vse SKU-je v eni 'coni' za serijo naročil, tote pa (z ali brez tega operativca) nato preide na naslednjo cono.
Grozdno komisioniranje je običajno bolj učinkovito, vendar zahteva optimizacijo razporeditve blaga v skladišču, tako da je blago, ki se bo najverjetneje pojavilo v istih naročilih, združeno skupaj, naročila pa so združena v skupine okoli podobnih profilov. Pomeni tudi, da naročila niso nujno izbrana v strogo kronološkem vrstnem redu, tj. glede na čas odhoda dostavne poti, in so tako občutljiva na zamude zaradi zastojev, morda zaradi ozkih prehodov ali potrebe po ločitvi pešcev od tovornjakov in drugi stroji.
Balloon je v sodelovanju s stranko Pets Corner razvijal splošni model združevanja naročil, ki lahko deluje kot spletna funkcija v oblaku. Nova tehnika je pospešila čas, potreben za izbiro vala naročil, za 38 %. Ta pristop strogo ne uporablja nobenega razvitega umetne inteligence, vendar lahko zlahka vidimo, da bi umetna inteligenca lahko omogočila nadaljnje pomembne izboljšave v postavitvi in delovanju komisioniranja ter izbiri najprimernejše strategije za ta naročila že zdaj. Delamo na primer na načinih, kako bi lahko ta pristop razširili na naročila z več vrsticami in na "začetne točke" za komisioniranje poti na različnih mestih v skladišču. To hitro postane precej zapleteno in AI bo v veliko pomoč pri reševanju stvari.
Eden od virov učinkovitosti je, da ni treba, da so operacije tako vezane na „standardne“ procese, ki včasih morda niso potrebni. Manjši primer je delo, ki smo ga nedavno opravili za Birlea. To podjetje je imelo običajen postopek, po katerem izbrano blago prejme oznako 'WMS', ki prikazuje naročilo, ki mu je bilo dodeljeno, ter ga pošlje v pregled in ponovno pakiranje, po katerem dobi drugo oznako 'prevoznik'. Toda njihovega pohištva ni treba preverjati ali prepakirati. Izkazalo se je, da je mogoče odstraniti oznako WMS za to blago in reprogramirati SQL, tako da sistem misli, da je nosilna oznaka oznaka WMS, ki jo je na tej točki pričakoval. To samo po sebi ne zahteva umetne inteligence, vendar si je enostavno zamisliti sisteme umetne inteligence, ki se lahko naučijo prepoznati, da so za določen element določeni procesi odvečni in jih je mogoče odpraviti – brez tveganja, da bi človeški operater naredil napačen klic.
3. Učinkovitejše vodenje dela
V trenutnih razmerah je največji izziv za povečanje učinkovitosti, kam razporediti redko in drago delovno silo. Objekt z dobro programsko opremo za upravljanje skladišč (WMS) in drugimi sistemi bi moral imeti veliko podatkov od konca do konca: kaj se dogaja pri prejemu, odlaganju, komisioniranju, dopolnjevanju in tako naprej. To bi operaterju moralo povedati, kam naj namesti svoje ljudi, vendar je zapleteno. Tradicionalni WMS to upravlja do neke mere, vendar je v veliki meri odvisen od ljudi, ki ustvarjajo, vnašajo in vzdržujejo podatke, od standardnih časov za elemente dela do tega, komu je dovoljeno izvajati določene naloge itd.
Do neke mere že lahko učinkoviteje razvrščamo blago, dejavnosti in vire z uporabo zgodovinskih zapisov in trenutnega zajema podatkov, da omogočimo bolj zapletene modele upravljanja dela. Toda umetna inteligenca bi zagotovo lahko dodatno prispevala k črpanju podatkov iz različnih različnih virov in njihovemu razumevanju.
Učinkovita uvedba bo postala še pomembnejša, ko bodo podjetja začela uporabljati robotiko v obliki „kobotov“ – strojev, ki sodelujejo z ljudmi. To je morda še posebej pomembno za mala in srednja podjetja, ki si vse bolj lahko privoščijo to vrsto avtomatizacije in potrebujejo, da je veliko bolj prilagodljiva kot veliki avtomatizirani sistemi »blago osebi«, ki jih upravljajo velika podjetja. Na primer, delavce bi lahko 'označili' z napravo Bluetooth, da bi jih locirali glede na trenutni ali načrtovani položaj robota ter glede na položaj in trenutni status prednostnih nalogov, vendar izkoriščanje vseh prednosti tega zahteva inteligentne sisteme.
Uporabe umetne inteligence za izboljšanje delovne učinkovitosti ne vidimo predvsem kot zmanjšanje števila zaposlenih. Namesto tega gre za odpravo 'mrtvega časa' in neproduktivnih dejavnosti, kot je hoja od enega konca skladišča do drugega. Očitno to izboljša produktivnost, vendar je tudi lažje obdržati dobre ljudi, če ne preživijo polovice svojega časa brez dela, druge polovice pa v divji naglici, zaradi česar se lahko osebje počuti utrujeno in podcenjeno.
4. Natančnejše poročanje in analitika
Balloon aktivno sodeluje pri uporabi umetne inteligence v prostoru dobavne verige. Dejavnost v sektorju hitro narašča. Ne smemo pozabiti, da je okolje za vsakogar drugačno, zlasti med malimi in srednje velikimi podjetji, kar je eden od razlogov, zakaj je sposobnost AI, da se uči iz situacije, namesto da zgolj obdeluje algoritem, pridobljen od zunaj, tako privlačna. Drug premislek je, da veliko podatkov temelji na besedilu, zato je ena od stvari, ki jih počnemo, črpanje podatkov iz več virov v Microsoftov analitični paket s podatkovnim modelom, ki sistemu pove, kako naj podatke poveže z različnimi objekti. Ustvarimo lahko nadzorno ploščo in poleg tega lahko namestimo nekatere funkcije vrste ChatGPT – 'pokaži mi tortni diagram mojega osebja, ki izbira po dnevih in po osebah' – tako da vodjem ni treba zahtevati, da jim IT pripravi poročilo.
Sistemi, ki temeljijo na umetni inteligenci, lahko zmanjšajo veliko stroškov in bremena ročnega vodenja evidenc in analitike, da ne omenjamo odprave (ali vsaj odkrivanja) napak, ki se neizogibno pojavljajo v ročnih sistemih. Navsezadnje bi lahko celo prihranili pri integraciji vseh različnih sistemov, ki jih uporabljajo skladiščne in distribucijske operacije: umetna inteligenca bi se morda lahko 'naučila', kako prenesti podatke iz enega sistema v drugega, kljub očitno nezdružljivim formatom, namesto da bi potrebovala nekoga, napišite kodo za vsako priložnost.
#Freightforwarder #doortodoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Špediter 3pl dropshipping DoortoDoor AirFreight agent Jordan ladijski promet Kitajski center za pošiljanje pošiljk
kapoklog logistika zračni tovorni promet iz Kitajske v Združeno kraljestvo DoortoDoor Amazon ExportAirFreight Jordan shipping ChinashippingtoJordan Jordanairfreight ladja
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kozmetika, Savdska Arabija po zraku in po morju storitev od vrat do vrat
#chinapurchasingagent #chinashippingagent #chinadropshipping #chinashippinglogistics
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴勒斯坦 #巴勒斯坦局势 #中东地区问题 #中东局势 #约旦门到门 #约旦物流#约旦DDP #约旦双清包税 #约旦海运 #约旦空运 #约旦海派 #约旦专线
Shenzhen kapoklog logistics Savdska Arabija po meri plačana dajatev od vrat do vrat DDP
DDP Kitajska v Savdsko Arabijo
Shenzhen kapoklog logistics Dubaj carinjenje storitev od vrat do vrat DDP
DDP Kitajska v Dubaj
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistics Qatar carinjenje od vrat do vrat DDP linija
DDP Kitajska v Katar
Shenzhen kapoklog logistics Pakistan DDP
DDP Kitajska v Pakistan
Shenzhen kapoklog logistika Jordanija carinjenje od vrat do vrat DDP Kitajska v Jordanijo
Shenzhen kapoklologistics Egypt dvojno carinjenje od vrat do vrat DDP
Shenzhen kapoklog logistika Jeddah carinjenje, Jeddah DDP, Kitajska do Jeddah DDP pošiljanje
Shenzhen Kapoklog logistika Oman ddp, Kitajska v Oman DDP, Oman pošiljanje DDP
Shenzhen kapoklog Irak carinjenje, Kitajska v Irak DDP
Shenzhen Kapoklog logistika Izrael carinjenje DDP, Kitajska v Izrael od vrat do vrat, Izrael od vrat do vrat, Kitajska v Izrael DDP
5. Izboljšano prepoznavanje slik in zmanjšano ponovno vnašanje ključev
Umetna inteligenca tu že dela spremembe, na primer pri vnosu podatkov, vključno z optičnim prepoznavanjem znakov in sliko.skeniranje– osmišljanje, povezovanje z drugimi elementi v sistemu, predvsem pri iskanju napak in neskladij. To je lahko razlika v količini med prodajnim naročilom in ustreznim komitentom; ali pa je to morda naslov za dostavo, ki ne obstaja ali nima smisla: v tem primeru je morda mogoče konfigurirati AI, da poda inteligentne predloge o tem, kakšen bi moral biti naslov, preden se dostavljalec odpravi na divjo gos lov.
V okolju skladišč se torej veliko dogaja z AI. Trenutno je krajina splet majhnih dogodkov, ki ljudem pomagajo prilagoditi delčke umetne inteligence njihovim operacijam, pogosto na začetku z odpravo manjših delčkov dela na vmesnikih med sistemi, kjer se na primer ponavadi kažejo neskladja v podatkih. Toda ta krpanka se bo zagotovo združila v dokaj kratkem času.
To se ujema z Balloonovim lastnim pristopom, pri katerem naša ekipa za inovacije cilja na majhne žepe napredne funkcionalnosti, pri čemer je združevanje v gruče eno prvih, pri čemer smo že opazili velike povečane učinkovitosti na spletnih mestih strank.
Za upravljanje skladišča je značilno več vnosov podatkov ter več možnih odločitev in izhodnih scenarijev. Ti presegajo zmožnost človeških menedžerjev, da bi robustno in pravočasno optimizirali, medtem ko tradicionalni algoritemski pristopi temeljijo na predpostavkah in poenostavitvah, ki pogosto niso vedno ali povsem veljavne. Medtem lahko redka delovna sila sedi in čaka, da ji bodo povedali, kaj naj naredi. AI obljublja, da bo zagotovil orodja za reševanje teh težav.
