Každý hovorí o umelej inteligencii, ale aké sú jej potenciálne aplikácie pre skladovanie a dodávateľský reťazec? Edward Napier-Fenning, riaditeľ predaja a marketingu poprednej softvérovej spoločnosti pre dodávateľský reťazecBalón, skúma päť kľúčových oblastí, ktoré môžu zvýšiť výkon – vrátane plánovania trasy, vychystávania, vykazovania riadenia práce a zadávania údajov.
#Dopravca #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Špeditér 3pl dropshipping DoortoDoor AirFreight agent Jordánsko zasielateľstvo Čína zasielateľské centrum plnenie
kapoklog logistika letecká nákladná doprava z Číny do Spojeného kráľovstva DoortoDoor Amazon ExportAirFreight Jordánska preprava Čína preprava do Jordánska Jordánska letecká nákladná loď
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, Saudská Arábia letecky a po mori servis od dverí k dverám
#chinapurchasingagent #chinashippingagent #chinadroshipping #chinashippinglogistika
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巖忦清 #巖忦清 #巖忦清 #巖忦清 #巖忦清 #巖忦清 #巖忦清 #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 logistika Saudská Arábia colné clo platené od dverí k dverám DDP
DDP Číny do Saudskej Arábie
Shenzhen kapoklog logistics Dubaj zákazkové odbavenie od dverí k dverám služba DDP
DDP Čína do Dubaja
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistika Katar vlastné odbavenie od dverí k dverám DDP linka
DDP Číny do Kataru
Shenzhen kapoklog logistika Pakistan DDP
DDP Číny do Pakistanu
Shenzhen kapoklog logistika Jordánsko colné odbavenie od dverí k dverám DDP z Číny do Jordánska
Shenzhen kapokloglogistics Egypt dvojité vlastné odbavenie od dverí k dverám DDP
Shenzhen kapoklog logistika colné odbavenie Jeddah, Jeddah DDP, doprava DDP z Číny do Jeddah
Shenzhen Kapoklog logistika Omán ddp, Čína do Ománu DDP, Omán preprava DDP
Shenzhen kapoklog Irak colné odbavenie, Čína do Iraku DDP
Shenzhen Kapoklog logistika Izrael colné odbavenie DDP , Čína do Izraela od dverí k dverám , Izrael od dverí k dverám , Čína do Izraela DDP
Zrazu je umelá inteligencia (AI) všade. Rovnako ako v začiatkoch mnohých iných revolučných technológií, existuje veľa prehnaných nárokov a veľa z toho, čo sa v súčasnosti propaguje ako „umožňujúce AI“, je v skutočnosti len sekvencia, pravdaže, veľmi rýchlych a veľmi šikovných algoritmov, ktoré sledujú logické cesty, ktoré vymysleli ľudia. Schopnosť spracovať obrovské množstvo „veľkých údajov“ rýchlosťou blesku je pôsobivá a mimoriadne cenná, ale sama o sebe nepredstavuje umelú inteligenciu. Skutočná AI má schopnosť učiť sa z historických údajov a súčasných aktivít a v istom zmysle prepísať svoje vlastné algoritmy.
Tempo vývoja AI sa zrýchľuje a už teraz vidíme niektoré kľúčové oblasti v skladovaní a logistike, kde sa dá uplatniť.
1. Vylepšené plánovanie trasy
Doposiaľ vodič vyrazil s pevnou trasou, možno pravidelnou alebo naplánovanou o deň či dva skôr, a je na ňom, aby vymyslel najlepšiu reakciu na nehodu, dopravnú zápchu alebo inú udalosť. ako a kedy tieto vzniknú. Teraz môže byť správa premávky prepojená v reálnom čase so zdrojmi, ako je Google, a to nielen riešením súčasného problému, ale pomocou jeho učenia predpovedať, kde pravdepodobne dôjde k zápche, čo napodiv často nie je miesto skutočného incidentu. To vytvára robustnejšie odporúčanie na vyhýbanie sa a pomáha udržiavať dodávky do a zo skladu podľa plánu.
Tento prístup k plánovaniu trasy môže fungovať v tandeme s dynamickým budovaním zaťaženia. V súčasnosti neexistuje úplný súbor objednávok na začiatku dňa alebo v bode, kde je potrebné opraviť vodičov a trasy pre operácie na ďalší deň. Trasa preto môže zahŕňať destinácie, kde v skutočnosti nie je možné urobiť kvapku, alebo vynechať kvapôčky, ktoré by mohli byť užitočné. Inteligentné systémy môžu neustále preplánovať, upravovať a optimalizovať trasy podľa toho, ako sa vytvára profil objednávky. To zase môže pomôcť pri ďalšej téme, ktorou je efektívne vychystávanie objednávok, ktoré má samozrejme svoje vlastné problémy s cestovaním a smerovaním.
2. Efektívne vyberanie
Veľa hluku okolo AI v dodávateľskom reťazci sa týka problémov, ako sú zásoby a objednávanie. Zlepšenie je tu jednoznačne dôležité, ale sotva sme sa začali zaoberať tým, ako prevádzkovať sklad efektívnejšie, v tom sú skutočne veľké náklady na prácu a administratívu – ako aj potenciálne úspory.
Optimalizácia výberovej cesty je horúcou témou v skladoch, hoci na najnižšej úrovni to nie je nič viac, než len zaradiť objednávky do sekvencie a rozdeliť ich na bloky práce. Je pekné, že to dokážete urobiť naozaj rýchlo, ale skutočná AI sa začína vedieť na celú situáciu pozerať inteligentnejšie: kde je tovar v sklade, aký tovar je možné alebo nie je možné kombinovať na danom vozíku alebo kontajneri ( a kde sú tieto kontajnery), aké sú prioritné objednávky (ktoré majú jasné prepojenie na vyššie uvedenú otázku smerovania), a tak vytvoriť najefektívnejšie možné postupy výberu.
Umelá inteligencia bude schopná zlepšiť výber a fungovanie vychystávacích stratégií – a optimum sa môže líšiť v závislosti od typu tovaru alebo dokonca podľa dennej doby. Stratégií je mnoho a sú rozmanité: napríklad dávkový odber, ktorý zahŕňa chôdzu po trase, vyberanie po jednom SKU pre dávku objednávok. Alebo to môže byť zónový alebo „klastrový“ odber, kde operátor vyberie všetky SKU v jednej „zóne“ pre dávku objednávok a zásobník (s týmto operátorom alebo bez neho) sa potom presunie do ďalšej zóny.
Vychystávanie do skupín je zvyčajne efektívnejšie, ale vyžaduje si optimalizáciu rozloženia tovaru v sklade, aby sa tovar, ktorý sa s najväčšou pravdepodobnosťou vyskytuje v rovnakých objednávkach, zoskupil a aby sa objednávky zoskupili okolo podobných profilov. Znamená to tiež, že objednávky nie sú nevyhnutne vyberané v striktne chronologickom poradí, tj podľa časov odchodu na dodacej trase, a preto sú náchylné na meškania v zápchach, napríklad kvôli úzkym uličkám alebo potrebe oddeliť chodcov od kamiónov a iné stroje.
V spolupráci s klientom Pets Corner spoločnosť Balloon vyvíja všeobecný model klastrovania objednávok, ktorý môže fungovať ako webová funkcia založená na cloude. Nová technika zrýchlila čas potrebný na výber vlny objednávok o 38 %. Tento prístup striktne nevyužíva žiadnu vyvinutú AI, ale môžeme ľahko vidieť, že AI by práve teraz mohla umožniť ďalšie významné zlepšenia v usporiadaní a prevádzke vychystávania objednávok a výbere najvhodnejšej stratégie pre tieto objednávky. Pracujeme napríklad na spôsoboch, ako by sa tento prístup mohol rozšíriť na viacriadkové objednávky a na „počiatočné body“ pre vychystávanie na rôznych miestach v sklade. To sa rýchlo stáva pomerne zložitým a AI bude veľmi nápomocná pri riešení vecí.
Jedným zo zdrojov efektívnosti je, že operácie nemusia byť tak viazané „štandardnými“ procesmi, ktoré niekedy nemusia byť potrebné. Menším príkladom je práca, ktorú sme nedávno urobili pre Birlea. Táto firma mala konvenčný postup, pri ktorom sa vyzdvihnutému tovaru pridelí štítok „WMS“ s uvedením objednávky, ku ktorej je pridelený, a odošle sa ďalej na kontrolu a opätovné zabalenie, po čom sa mu pridelí iný štítok „dopravca“. Ich nábytok však nepotrebujú kontrolu ani prebaľovanie. Ukázalo sa, že je možné odstrániť označenie WMS pre tento tovar a preprogramovať SQL tak, aby si systém myslel, že označenie nosiča je označenie WMS, ktoré v tomto bode očakával. To samo o sebe nevyžaduje AI, ale je ľahké si predstaviť systémy AI, ktoré sa dokážu naučiť rozpoznať, že pre určitú položku sú určité procesy nadbytočné a možno ich eliminovať – bez rizika, že ľudský operátor zavolá nesprávne.
3. Efektívnejšie riadenie práce
V súčasných podmienkach je najväčšou výzvou pre zvýšenie efektívnosti to, kam prideliť vzácnu a drahú pracovnú silu. Zariadenie s dobrým Warehouse Management Software (WMS) a ďalšími systémami by malo disponovať veľkým množstvom údajov od začiatku do konca: čo sa deje pri prijímaní, ukladaní, vychystávaní, dopĺňaní atď. To by malo operátorovi povedať, kam potrebuje umiestniť svojich ľudí, ale je to zložité. Tradičný WMS to do určitej miery riadi, ale vo veľkej miere sa spolieha na ľudí, ktorí vytvárajú, vkladajú a udržiavajú údaje, od štandardných časov pre prvky práce až po to, kto môže vykonávať určité úlohy atď.
Do určitej miery sme už schopní efektívnejšie usporiadať tovar, činnosti a zdroje pomocou historických záznamov a zberu aktuálnych údajov, aby sme umožnili komplexnejšie modely riadenia práce. Umelá inteligencia by však určite mohla ďalej prispieť k získavaniu údajov z rôznych rôznych zdrojov a vytváraniu ich zmyslu.
Efektívne nasadenie bude ešte dôležitejšie, keď spoločnosti začnú používať robotiku vo forme „cobotov“ – strojov spolupracujúcich s ľuďmi. To je možno obzvlášť dôležité pre MSP, ktoré si môžu čoraz viac dovoliť tento typ automatizácie a potrebujú, aby bol oveľa flexibilnejší ako veľké automatizované systémy „tovar-to-person“ prevádzkované veľkými prevádzkami. Pracovníci by mohli byť napríklad „označení“ zariadením Bluetooth, aby ich bolo možné lokalizovať vzhľadom na aktuálnu alebo zamýšľanú polohu robota, ako aj na pozíciu a aktuálny stav prioritných objednávok, ale plné využitie tejto možnosti si vyžaduje inteligentné systémy.
Využitie AI na zlepšenie efektivity práce nevidíme ako primárne znižovanie počtu zamestnancov. Ide skôr o elimináciu „mŕtveho času“ a neproduktívnych činností, ako je chôdza z jedného konca skladu na druhý. Je zrejmé, že to zvyšuje produktivitu, ale je tiež jednoduchšie udržať si dobrých ľudí, ak nestrávia polovicu času nečinnosťou a druhú polovicu horúčkovitým zhonom, čo môže spôsobiť, že sa zamestnanci budú cítiť unavení a podhodnotení.
4. Presnejšie výkazy a analýzy
Balloon sa aktívne podieľa na uplatňovaní AI v priestore dodávateľského reťazca. Aktivita v sektore rýchlo rastie. Treba pamätať na to, že prostredie každého človeka je iné, najmä medzi malými a strednými podnikmi, čo je jeden z dôvodov, prečo je schopnosť umelej inteligencie poučiť sa zo situácie, a nie iba spracovať externe odvodený algoritmus, taká atraktívna. Ďalšou úvahou je, že veľa údajov je založených na texte, takže jednou z vecí, ktoré robíme, je sťahovanie údajov z viacerých zdrojov do analytického balíka spoločnosti Microsoft s dátovým modelom, ktorý hovorí systému, ako priradiť údaje k rôznym objektom. Môžeme vytvoriť dashboard a navyše môžeme navrstviť niektoré funkcie typu ChatGPT – „ukážte mi koláčový graf mojich zamestnancov, ktorí si vyberajú podľa dní a osôb“ – takže manažéri nemusia žiadať IT, aby im zostavilo správu.
Systémy založené na AI môžu výrazne znížiť náklady a záťaž na ručné vedenie záznamov a analýzy, nehovoriac o odstránení (alebo prinajmenšom odhalení) chýb, ktoré nevyhnutne vznikajú v manuálnych systémoch. V konečnom dôsledku môže dôjsť dokonca k úsporám pri integrácii všetkých rôznych systémov, ktoré používajú skladové a distribučné operácie: AI sa môže „naučiť“, ako dostať údaje z jedného systému do druhého, a to aj napriek zjavne nekompatibilným formátom, namiesto toho, aby niekoho pracne. napíšte kód pre každú možnosť.
5. Vylepšené rozpoznávanie obrázkov a znížené opätovné kľúčovanie
AI tu už robí rozdiely, napríklad pri zadávaní údajov vrátane optického rozpoznávania znakov a obrazuskenovanie– dávať mu zmysel, spájať ho s inými prvkami v systéme a najmä hľadať chyby a nezrovnalosti. Môže to byť rozdiel v množstve medzi zákazkou odberateľa a príslušným záznamom o odbere; alebo to môže byť doručovacia adresa, ktorá neexistuje alebo nedáva zmysel: v takom prípade môže byť možné nakonfigurovať AI tak, aby poskytovala inteligentné návrhy, aká by mala byť adresa, skôr než vodič dodávky vyrazí na divokú hus naháňačka.
Takže s AI sa toho v prostredí skladu deje veľa. V súčasnosti je prostredie spleťou malých vývojov, ktoré ľuďom pomáhajú začleniť kúsky umelej inteligencie do ich operácií, pričom často treba začať s elimináciou menších kúskov práce na rozhraniach medzi systémami, kde sa napríklad zvyknú prejavovať nezrovnalosti v údajoch. Ale tento patchwork sa určite spojí v pomerne krátkom čase.
To je v súlade s vlastným prístupom spoločnosti Balloon, v rámci ktorého sa náš inovačný tím zameriava na malé oblasti pokročilých funkcií, pričom klastrovanie je jedným z prvých a na stránkach zákazníkov sme už zaznamenali veľké zvýšenie efektívnosti.
Riadenie skladu sa vyznačuje viacerými vstupmi dát a viacerými možnými rozhodnutiami a scenármi výstupov. Tieto sú mimo schopnosti ľudských manažérov optimalizovať robustne a včas, zatiaľ čo tradičné algoritmické prístupy sa spoliehajú na predpoklady a zjednodušenia, ktoré často nie sú vždy alebo úplne platné. Medzitým môže sedieť vzácna pracovná sila a čakať na to, čo má robiť. AI sľubuje, že poskytne nástroje na vyriešenie týchto problémov.
