Όλοι μιλούν για την Τεχνητή Νοημοσύνη, αλλά ποιες είναι οι πιθανές εφαρμογές της για την αποθήκευση και την εφοδιαστική αλυσίδα; Edward Napier-Fenning, Διευθυντής Πωλήσεων & Μάρκετινγκ κορυφαίας εταιρείας λογισμικού εφοδιαστικής αλυσίδαςΜπαλόνι, διερευνά πέντε βασικούς τομείς που μπορούν να ενισχύσουν την απόδοση – συμπεριλαμβανομένου του σχεδιασμού διαδρομής, της επιλογής, της αναφοράς διαχείρισης εργασίας και της εισαγωγής δεδομένων.
Εντελώς ξαφνικά, η Τεχνητή Νοημοσύνη (AI) είναι παντού. Όπως και με τις πρώτες μέρες πολλών άλλων επαναστατικών τεχνολογιών, υπάρχουν πολλές υπερεκκλήσεις και πολλά από αυτά που διαφημίζονται επί του παρόντος ως «ενεργοποιημένα με AI» είναι στην πραγματικότητα μόνο μια ακολουθία, ομολογουμένως πολύ γρήγορων και πολύ έξυπνων αλγορίθμων, που ακολουθούν τη λογική μονοπάτια που επινόησαν οι άνθρωποι. Η ικανότητα επεξεργασίας τεράστιων ποσοτήτων «μεγάλων δεδομένων» με αστραπιαία ταχύτητα είναι εντυπωσιακή και εξαιρετικά πολύτιμη, αλλά δεν αποτελεί από μόνη της Τεχνητή Νοημοσύνη. Το True AI έχει την ικανότητα να μαθαίνει από ιστορικά δεδομένα και από τρέχουσες δραστηριότητες και, κατά μία έννοια, να ξαναγράφει τους δικούς του αλγόριθμους.
Ο ρυθμός ανάπτυξης της τεχνητής νοημοσύνης επιταχύνεται και μπορούμε ήδη να δούμε ορισμένους βασικούς τομείς στην αποθήκευση και την επιμελητεία όπου μπορεί να εφαρμοστεί.
1. Βελτιωμένος σχεδιασμός διαδρομής
Μέχρι τώρα, ένας οδηγός έχει ξεκινήσει με μια σταθερή διαδρομή, ίσως έναν κανονικό γύρο, ή μια προγραμματισμένη μια ή δύο μέρες νωρίτερα, και είναι στο χέρι του/της να βρει την καλύτερη απάντηση σε ένα ατύχημα, μποτιλιάρισμα ή άλλο συμβάν όπως και όταν προκύψουν αυτά. Τώρα, η διαχείριση της κυκλοφορίας μπορεί να συνδεθεί σε πραγματικό χρόνο με πόρους όπως η Google, επιλύοντας όχι μόνο την επίλυση ενός τρέχοντος προβλήματος, αλλά χρησιμοποιώντας τη μάθησή της για να προβλέψει πού είναι πιθανό να συμβεί η συμφόρηση, κάτι που περιέργως συχνά δεν συμβαίνει τόπο του πραγματικού περιστατικού. Αυτό κάνει μια πιο ισχυρή σύσταση αποφυγής και βοηθά στη διατήρηση του χρονοδιαγράμματος των παραδόσεων από και προς την αποθήκη.
Αυτή η προσέγγιση στο σχεδιασμό διαδρομής μπορεί να λειτουργήσει παράλληλα με τη δυναμική κατασκευή φορτίου. Προς το παρόν, δεν υπάρχει πλήρες αρχείο παραγγελίας στην αρχή της ημέρας ή στο σημείο όπου πρέπει να καθοριστούν οι οδηγοί και οι διαδρομές για τις λειτουργίες της επόμενης ημέρας. Η διαδρομή, επομένως, μπορεί να περιλαμβάνει προορισμούς όπου στην πραγματικότητα δεν πρέπει να πραγματοποιηθεί πτώση ή να αφήσει εκτός πτήσεων που θα μπορούσαν ωφέλιμα να έχουν πραγματοποιηθεί. Τα έξυπνα συστήματα μπορούν συνεχώς να επανασχεδιάζουν, να τροποποιούν και να βελτιστοποιούν τις διαδρομές καθώς δημιουργείται το προφίλ παραγγελίας. Αυτό με τη σειρά του μπορεί να βοηθήσει με το επόμενο θέμα, αυτό της αποτελεσματικής επιλογής παραγγελιών, το οποίο φυσικά έχει τα δικά του προβλήματα διαδρομής και δρομολόγησης.
2. Αποτελεσματική συλλογή
Ο μεγάλος θόρυβος γύρω από την τεχνητή νοημοσύνη στην εφοδιαστική αλυσίδα αφορά ζητήματα όπως το απόθεμα και η παραγγελία. Η βελτίωση εδώ είναι ξεκάθαρα σημαντική, αλλά μόλις αρχίσαμε να αγγίζουμε τον τρόπο λειτουργίας της αποθήκης πιο αποτελεσματικά, εκεί όπου βρίσκονται ορισμένα πραγματικά μεγάλα εργατικά και διοικητικά έξοδα – καθώς και πιθανές εξοικονομήσεις.
Η βελτιστοποίηση διαδρομής επιλογής είναι ένα καυτό θέμα στην αποθήκευση, αν και στο χαμηλότερο σημείο αυτό ισοδυναμεί με κάτι περισσότερο από το να βάζετε παραγγελίες σε μια σειρά και να τις τεμαχίζετε σε μπλοκ εργασίας. Είναι ωραίο να μπορείς να το κάνεις αυτό πολύ γρήγορα, αλλά η αληθινή τεχνητή νοημοσύνη αρχίζει να μπορεί να βλέπει την όλη κατάσταση πιο έξυπνα: όπου τα αγαθά βρίσκονται στην αποθήκη, ποια αγαθά μπορούν ή δεν μπορούν να συνδυαστούν σε ένα δεδομένο καροτσάκι ή κοντέινερ ( και πού βρίσκονται αυτά τα κοντέινερ), ποιες είναι οι εντολές προτεραιότητας (η οποία έχει σαφείς συνδέσμους με την παραπάνω ερώτηση δρομολόγησης) και έτσι να δημιουργήσετε τις πιο αποτελεσματικές ρουτίνες επιλογής.
Η τεχνητή νοημοσύνη θα μπορεί να βελτιώσει την επιλογή και τη λειτουργία των στρατηγικών συλλογής – και το βέλτιστο μπορεί να διαφέρει ανάλογα με τον τύπο των αγαθών ή ακόμα και την ώρα της ημέρας. Οι στρατηγικές είναι πολλές και ποικίλες: για παράδειγμα, batch picking, που περιλαμβάνει περπάτημα μιας διαδρομής, επιλογή ενός SKU τη φορά για μια παρτίδα παραγγελιών. Ή θα μπορούσε να είναι η επιλογή ζωνών ή "συστάδας" όπου ο χειριστής επιλέγει όλα τα SKU σε μια "ζώνη" για μια παρτίδα παραγγελιών και το tote (με ή χωρίς αυτό το λειτουργικό) στη συνέχεια μεταβαίνει στην επόμενη ζώνη.
Η συλλογή από ομάδες είναι συνήθως πιο αποτελεσματική, αλλά απαιτεί τη βελτιστοποίηση της διάταξης των αγαθών στην αποθήκη, έτσι ώστε τα προϊόντα που είναι πιο πιθανό να εμφανιστούν στις ίδιες παραγγελίες να ομαδοποιούνται και οι παραγγελίες να συγκεντρώνονται γύρω από παρόμοια προφίλ. Σημαίνει επίσης ότι οι παραγγελίες δεν επιλέγονται απαραίτητα με αυστηρή χρονολογική σειρά, δηλαδή σύμφωνα με τις ώρες αναχώρησης της διαδρομής παράδοσης, και επομένως είναι ευάλωτες σε καθυστερήσεις συμφόρησης, ίσως λόγω στενών διαδρόμων ή της ανάγκης διαχωρισμού των πεζών από τα φορτηγά και άλλα μηχανήματα.
Σε συνεργασία με τον πελάτη Pets Corner, η Balloon έχει αναπτύξει ένα μοντέλο ομαδοποίησης παραγγελιών γενικού σκοπού, το οποίο μπορεί να λειτουργήσει ως λειτουργία web που βασίζεται σε σύννεφο. Η νέα τεχνική έχει επιταχύνει τον χρόνο που απαιτείται για την επιλογή ενός κύματος παραγγελιών κατά 38%. Αυτή η προσέγγιση δεν χρησιμοποιεί αυστηρά καμία ανεπτυγμένη τεχνητή νοημοσύνη, αλλά μπορούμε εύκολα να δούμε ότι η τεχνητή νοημοσύνη θα μπορούσε να επιτρέψει περαιτέρω σημαντικές βελτιώσεις τόσο στη διάταξη και τη λειτουργία της επιλογής παραγγελιών όσο και στην επιλογή της πιο κατάλληλης στρατηγικής για αυτές τις παραγγελίες, αυτή τη στιγμή. Επεξεργαζόμαστε, για παράδειγμα, τρόπους με τους οποίους αυτή η προσέγγιση θα μπορούσε να επεκταθεί σε παραγγελίες πολλών γραμμών και να έχουμε «σημεία εκκίνησης» για την επιλογή διαδρομών σε διαφορετικά σημεία της αποθήκης. Αυτό γίνεται γρήγορα αρκετά περίπλοκο και η τεχνητή νοημοσύνη θα είναι πολύ χρήσιμη στην επίλυση των πραγμάτων.
Μια πηγή αποτελεσματικότητας είναι ότι οι λειτουργίες δεν χρειάζεται να δεσμεύονται τόσο από «τυποποιημένες» διαδικασίες, οι οποίες μερικές φορές μπορεί να μην είναι απαραίτητες. Ένα μικρό παράδειγμα είναι κάποια δουλειά που κάναμε πρόσφατα για την Birlea. Αυτή η εταιρεία διέθετε μια συμβατική διαδικασία σύμφωνα με την οποία στα επιλεγμένα προϊόντα δίνεται μια ετικέτα «WMS» που δείχνει τη σειρά με την οποία έχουν αντιστοιχιστεί, και αποστέλλονται για έλεγχο και επανασυσκευασία, μετά την οποία τους δίνεται διαφορετική ετικέτα «μεταφορέας». Αλλά τα έπιπλα τους δεν χρειάζονται έλεγχο ή επανασυσκευασία. Αποδείχθηκε δυνατό να εξαλειφθεί η ετικέτα WMS για αυτά τα προϊόντα και να επαναπρογραμματιστεί η SQL έτσι ώστε το σύστημα να πιστεύει ότι η ετικέτα φορέα είναι η ετικέτα WMS που περίμενε σε αυτό το σημείο. Αυτό από μόνο του δεν απαιτεί τεχνητή νοημοσύνη, αλλά είναι εύκολο να συλλάβουμε συστήματα τεχνητής νοημοσύνης που μπορούν να μάθουν να αναγνωρίζουν ότι για ένα συγκεκριμένο αντικείμενο ορισμένες διεργασίες είναι περιττές και μπορούν να εξαλειφθούν – χωρίς τον κίνδυνο να κάνει λάθος ένας χειριστής.
3. Πιο αποτελεσματική διαχείριση της εργασίας
Στις τρέχουσες συνθήκες, η μεγαλύτερη πρόκληση για την αύξηση της αποτελεσματικότητας είναι η κατανομή του σπάνιου και ακριβού εργατικού δυναμικού. Μια εγκατάσταση με καλό λογισμικό διαχείρισης αποθήκης (WMS) και άλλα συστήματα θα πρέπει να έχει πολλά δεδομένα από άκρη σε άκρη: τι συμβαίνει κατά την παραλαβή, την απόσυρση, την επιλογή, την αναπλήρωση και ούτω καθεξής. Αυτό θα πρέπει να λέει στον χειριστή πού πρέπει να βάλει τους ανθρώπους του, αλλά είναι περίπλοκο. Ένα παραδοσιακό WMS το διαχειρίζεται αυτό, μέχρι ένα σημείο, αλλά βασίζεται σε μεγάλο βαθμό σε άτομα που δημιουργούν, εισάγουν και διατηρούν δεδομένα, από τυπικούς χρόνους για στοιχεία της εργασίας, σε ποιους επιτρέπεται να εκτελούν ορισμένες εργασίες κ.λπ.
Σε κάποιο βαθμό, είμαστε ήδη σε θέση να συνδυάσουμε τα αγαθά, τις δραστηριότητες και τους πόρους πιο αποτελεσματικά χρησιμοποιώντας ιστορικά αρχεία και συλλέγοντας τρέχοντα δεδομένα για να επιτρέψουμε πιο σύνθετα μοντέλα διαχείρισης εργασίας. Αλλά η τεχνητή νοημοσύνη θα μπορούσε σίγουρα να συνεισφέρει περαιτέρω στην άντληση δεδομένων από τις διάφορες διαφορετικές πηγές και στην κατανόηση του.
Η αποτελεσματική ανάπτυξη θα γίνει ακόμη πιο σημαντική καθώς οι εταιρείες θα αρχίσουν να χρησιμοποιούν τη ρομποτική με τη μορφή «cobots» - μηχανές που συνεργάζονται με ανθρώπους. Αυτό είναι ίσως ιδιαίτερα κατάλληλο για τις ΜΜΕ, οι οποίες μπορούν όλο και περισσότερο να αντέξουν οικονομικά αυτό το είδος αυτοματισμού και χρειάζονται να είναι πολύ πιο ευέλικτο από τα μεγάλα αυτοματοποιημένα συστήματα «από αγαθά σε άτομο» που λειτουργούν από μεγάλες επιχειρήσεις. Για παράδειγμα, οι εργαζόμενοι θα μπορούσαν να "επισημανθούν" με μια συσκευή Bluetooth για να τους εντοπίσουν τόσο με την τρέχουσα ή την προβλεπόμενη θέση ενός ρομπότ όσο και με τη θέση και την τρέχουσα κατάσταση των παραγγελιών προτεραιότητας, αλλά η πλήρης αξιοποίηση αυτού απαιτεί έξυπνα συστήματα.
Δεν βλέπουμε τη χρήση της τεχνητής νοημοσύνης για τη βελτίωση της αποδοτικότητας της εργασίας αλλά κυρίως για τη μείωση του αριθμού των εργαζομένων. Πρόκειται μάλλον για την εξάλειψη του «νεκρού χρόνου» και των μη παραγωγικών δραστηριοτήτων, όπως το περπάτημα από τη μια άκρη της αποθήκης στην άλλη. Προφανώς, αυτό βελτιώνει την παραγωγικότητα, αλλά είναι επίσης πιο εύκολο να διατηρήσετε καλούς ανθρώπους εάν δεν περνούν τον μισό χρόνο τους σε αδράνεια και τον άλλο μισό σε μια ξέφρενη βιασύνη, που μπορεί να κάνει το προσωπικό να αισθάνεται κουρασμένο και υποτιμημένο.
4. Πιο ακριβείς αναφορές και αναλύσεις
Η Balloon συμμετέχει ενεργά στην εφαρμογή της τεχνητής νοημοσύνης στον χώρο της εφοδιαστικής αλυσίδας. Η δραστηριότητα στον κλάδο αναπτύσσεται γρήγορα. Πρέπει να θυμόμαστε ότι το περιβάλλον του καθενός είναι διαφορετικό, ειδικά μεταξύ των ΜΜΕ, και αυτός είναι ένας από τους λόγους για τους οποίους η ικανότητα της τεχνητής νοημοσύνης να μαθαίνει από την κατάσταση, αντί να επεξεργάζεται απλώς έναν εξωτερικά προερχόμενο αλγόριθμο, είναι τόσο ελκυστική. Μια άλλη σκέψη είναι ότι πολλά από τα δεδομένα βασίζονται σε κείμενο, επομένως ένα από τα πράγματα που κάνουμε είναι να αντλούμε δεδομένα από πολλές πηγές σε ένα πακέτο αναλυτικών στοιχείων της Microsoft με ένα μοντέλο δεδομένων που λέει στο σύστημα πώς να συσχετίζει δεδομένα με διαφορετικά αντικείμενα. Μπορούμε να δημιουργήσουμε έναν πίνακα εργαλείων και επιπλέον μπορούμε να επιστρώσουμε κάποια λειτουργικότητα τύπου ChatGPT – «δείξτε μου ένα γράφημα πίτας του προσωπικού μου που επιλέγει ανά ημέρα και κατά άτομο» – ώστε οι διαχειριστές να μην χρειάζεται να ζητούν από το ΙΤ να τους δημιουργήσει μια αναφορά.
Τα συστήματα που βασίζονται στην τεχνητή νοημοσύνη μπορούν να σηκώσουν μεγάλο μέρος του κόστους και του βάρους της χειροκίνητης τήρησης αρχείων και των αναλυτικών στοιχείων, για να μην αναφέρουμε την εξάλειψη (ή τουλάχιστον τον εντοπισμό) των σφαλμάτων που αναπόφευκτα προκύπτουν στα χειροκίνητα συστήματα. Σε τελική ανάλυση, μπορεί να υπάρξει εξοικονόμηση πόρων στην ενσωμάτωση όλων των διαφορετικών συστημάτων που χρησιμοποιούν οι λειτουργίες αποθήκης και διανομής: η τεχνητή νοημοσύνη μπορεί να είναι σε θέση να «μάθει» πώς να μεταφέρει δεδομένα από το ένα σύστημα στο άλλο, παρά τις φαινομενικά ασυμβίβαστες μορφές, αντί να έχει κάποιον επίπονα γράψτε κώδικα για κάθε ενδεχόμενο.
#Freightforwarder #doortodoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Μεταφορέας εμπορευμάτων 3pl dropshipping DoortoDoor AirFreight πράκτορας Ιορδανία αποστολή στην Κίνα ναυτιλιακός πράκτορας εκπλήρωσης
kapoklog logistics αεροπορικές μεταφορές από την Κίνα στο Ηνωμένο Βασίλειο DoortoDoor Amazon ExportAirFreight Ιορδανία αποστολή ChinashippingtoJordan Jordanair φορτηγό πλοίο
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Καλλυντικά, Σαουδική Αεροπορία και Δια θαλάσσης υπηρεσία πόρτα σε πόρτα
#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 Σαουδική Αραβία τελωνειακούς δασμούς που καταβάλλονται από πόρτα σε πόρτα DDP
DDP Κίνας προς Σαουδική Αραβία
Shenzhen kapoklog logistics Dubai υπηρεσία εκτελωνισμού από πόρτα σε πόρτα DDP
DDP Κίνας προς Ντουμπάι
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistics Κατάρ εκτελωνισμός από πόρτα σε πόρτα γραμμή DDP
DDP Κίνας προς Κατάρ
Shenzhen kapoklog logistics Πακιστάν DDP
DDP Κίνας προς Πακιστάν
Shenzhen kapoklog logistics Jordan εκτελωνισμός από πόρτα σε πόρτα DDP Κίνας προς Ιορδανία
Shenzhen kapokloglogistics Αίγυπτος διπλός εκτελωνισμός από πόρτα σε πόρτα DDP
Shenzhen kapoklog logistics Jeddah εκτελωνισμός, Jeddah DDP, Κίνα προς Jeddah DDP αποστολή
Shenzhen Kapoklog logistics Ομάν ddp, Κίνα προς Ομάν DDP, Ομάν αποστολή DDP
Shenzhen kapoklog Εκτελωνισμός Ιράκ, Κίνα προς Ιράκ DDP
Shenzhen Kapoklog logistics Ισραήλ εκτελωνισμός DDP, Κίνα προς Ισραήλ από πόρτα σε πόρτα, Ισραήλ από πόρτα σε πόρτα, Κίνα προς Ισραήλ DDP
5. Βελτιωμένη αναγνώριση εικόνας και μειωμένη επαναφορά κλειδιών
Η τεχνητή νοημοσύνη κάνει ήδη τη διαφορά εδώ, για παράδειγμα στην εισαγωγή δεδομένων, συμπεριλαμβανομένης της οπτικής αναγνώρισης χαρακτήρων και της εικόναςέρευνα– να το κατανοήσουν, να το συσχετίσουν με άλλα στοιχεία του συστήματος, και ιδιαίτερα στην αναζήτηση σφαλμάτων και αποκλίσεων. Αυτή μπορεί να είναι μια διαφορά ποσότητας μεταξύ μιας παραγγελίας πώλησης και της σχετικής σημείωσης επιλογής. ή μπορεί να είναι μια διεύθυνση παράδοσης που δεν υπάρχει ή δεν έχει νόημα: σε αυτήν την περίπτωση μπορεί να είναι δυνατή η διαμόρφωση της τεχνητής νοημοσύνης ώστε να γίνονται έξυπνες προτάσεις σχετικά με το ποια θα πρέπει να είναι η διεύθυνση, πριν ο οδηγός παράδοσης ξεκινήσει με μια αγριόχηνα κυνηγητό.
Έτσι, συμβαίνουν πολλά με την τεχνητή νοημοσύνη στο περιβάλλον της αποθήκης. Προς το παρόν, το τοπίο είναι ένα συνονθύλευμα μικρών εξελίξεων που βοηθούν τους ανθρώπους να προσαρμόσουν κομμάτια τεχνητής νοημοσύνης στις λειτουργίες τους, συχνά ξεκινώντας απλώς με την εξάλειψη μικρότερων τμημάτων εργασίας στις διεπαφές μεταξύ συστημάτων, όπου, για παράδειγμα, τείνουν να εκδηλώνονται αποκλίσεις δεδομένων. Αλλά αυτό το συνονθύλευμα σίγουρα θα συνενωθεί σε αρκετά σύντομη σειρά.
Αυτό συμβαδίζει με την προσέγγιση της ίδιας της Balloon, σύμφωνα με την οποία η ομάδα καινοτομίας μας στοχεύει μικρούς θύλακες προηγμένης λειτουργικότητας, καθώς η συστάδα είναι μία από τις πρώτες και έχει ήδη δει μεγάλα κέρδη αποτελεσματικότητας σε ιστότοπους πελατών.
Η διαχείριση της αποθήκης χαρακτηρίζεται από πολλαπλές εισροές δεδομένων και πολλαπλές πιθανές αποφάσεις και σενάρια εξόδου. Αυτά είναι πέρα από την ικανότητα των ανθρώπινων μάνατζερ να βελτιστοποιούν ισχυρά και εγκαίρως, ενώ οι παραδοσιακές αλγοριθμικές προσεγγίσεις βασίζονται σε υποθέσεις και απλοποιήσεις που συχνά δεν είναι πάντα ή απολύτως έγκυρες. Εν τω μεταξύ, το σπάνιο εργατικό δυναμικό μπορεί να κάθεται περιμένοντας να σας πουν τι να κάνετε. Το AI υπόσχεται να παρέχει τα εργαλεία για την επίλυση αυτών των προβλημάτων.
