O Ορέστης Ευθυμίου, Διευθυντής συστημάτων αυτοματισμού της Trade Logistics (του ομίλου Fourlis), μιλώντας στο συνέδριο «Artificial Intelligence in Suplly Chain» που διοργάνωσε το Suuply Chain Institute με την επιστημονική υποστήριξη της Planning υπογράμμισε ότι, η τεχνητή νοημοσύνη και η μηχανική μάθηση αρχίζουν και εμφανίζονται πιο πολύ σε αποθήκες και κέντρα διανομής, καθώς οι τομείς αυτοί, παρέχουν γόνιμο έδαφος για τη μηχανική μάθηση.
Ειδικότερα, τόνισε ότι "έχουν ένα περιβάλλον ελεγχόμενο για τη συλλογή δεδομένων, είτε ιστορικών, είτε σε πραγματικό χρόνο. Και τα δεδομένα είναι το κλειδί για την αποτελεσματική τεχνητή νοημοσύνη. Ακόμη, η τεχνητή νοημοσύνη ταιριάζει απόλυτα σε πολλά από τα καθημερινά θέματα διαχείρισης των αποθηκών και κέντρων διανομής, όπως ο προγραμματισμός προσωπικού & μηχανημάτων, η χωροθέτηση κωδικών κλπ."
Ποιες είναι όμως οι βασικότερες εφαρμογές Τεχνητής Νοημοσύνης σε αποθήκες και κέντρα διανομής;
Ρομπότ με τεχνητή νοημοσύνη
Για να μπορέσει, να διαχειριστεί αποτελεσματικά ένα ρομπότ συλλογής τα διάφορα αντικείμενα, χρειάζεται γνώση -ή με άλλα λόγια, τεχνητή νοημοσύνη. Αλλά πώς μαθαίνει η τεχνητή νοημοσύνη; Μαθαίνει με τρόπο όμοιο με αυτόν που μαθαίνουν και οι άνθρωποι, δηλαδή αποκτώντας γνώση μέσω της δοκιμής και του λάθους. Μαθαίνει πώς να αντιμετωπίζει διαφορετικές εργασίες και πώς να αναπτύσσει τις δικές της λύσεις. Ο κ. Ευθυμίου υπογράμμισε ότι, "ότι μέχρι στιγμής, είχαμε… χαζά ρομπότ, τα οποία δεν μπορούσαν να μάθουν και να εξελιχθούν". Αναφέρθηκε, ως παράδειγμα σε έναν ρομποτικό βραχίονα συλλογής παραγγελιών, όπου στις άκρες του έχει βεντούζες, ενώ διαθέτει κάμερες που καθοδηγούν το μηχάνημα για να πιάσει τα αντικείμενα, από ένα σακουλάκι για ρούχα, μέχρι πλαστικό ή γυάλινο μπουκαλάκι κ.ο.κ. Τόνισε ότι, "το δύσκολο είναι μάθει να πιάνει τα αντικείμενα και να τα καθοδηγεί σωστά, όμως μέσω της δοκιμής μαθαίνουν, είναι σαν μωρά, σαν μικρά παιδάκια".
Παράλληλα, υπογράμμισε ότι μπορούν να μοιράζουν τη γνώση τους μέσω cloud παγκοσμίως. Αν π.χ. κάποια εταιρεία έχει 50-60 αποθήκες σε όλο τον κόσμο, ό,τι μαθαίνεται σε μία αποθήκη, μπορεί να μεταφερθεί μέσω cloud και στις άλλες.
Βελτιστοποίηση πλοήγησης αποθήκης (picking route)
Ο χρόνος πλοήγησης σε μια αποθήκη μπορεί να αντιπροσωπεύει ένα μεγάλο κομμάτι του συνολικού κόστους εργασίας. Η ελαχιστοποίηση όμως, του χρόνου αυτού, δεν είναι η μόνη προτεραιότητα που πρέπει να λαμβάνουμε υπόψη, μιας και διαφορετικές παραγγελίες μπορεί να έχουν διαφορετικές προτεραιότητες (π.χ. προθεσμίες αποστολής), οι οποίες να αντικρούονται.
Δυναμική τοποθέτηση προϊόντων (slotting)
Η βέλτιστη τοποθέτηση προϊόντων εντός της αποθήκης, έχει αντίκτυπο στους βασικούς δείκτες απόδοσης:
- Παραγωγικότητα
- Χρόνος διεκπεραίωσης παραγγελίας
- Ακρίβεια παραγγελίας
- Ακρίβεια αποθέματος
- Πυκνότητα αποθήκευσης
Σύμφωνα με τον κ. Ευθυμίου, "το slotting. που βασίζεται σε τεχνητή νοημοσύνη. μπορεί να προσφέρει καλύτερα αποτελέσματα και να μειώσει το κόστος υλοποίησης σε σχέση με τη χρήση των κλασσικών excel και της εισαγωγής δεδομένων με το χέρι".
Ενορχήστρωση ροής εργασίας ανθρώπων & μηχανημάτων
Οι διευθυντές στα κέντρα διανομής και στις αποθήκες πρέπει να βελτιστοποιούν τη χρήση συστημάτων και ανθρώπινου δυναμικού, αλλά και να βρίσκουν την τέλεια ισορροπία στη μεταξύ τους συνεργασία. Το κλειδί γι’ αυτό, είναι η ανάλυση δεδομένων σε πραγματικό χρόνο – εργασία, που είναι κατάλληλη για την τεχνητή νοημοσύνη. Αυτό επιτυγχάνεται μέσω της χρήσης προβλέψεων που βασίζονται στη μηχανική μάθηση.
Ο Διευθυντής συστημάτων αυτοματισμού της Trade Logistics ανέφερε ότι, το αργότερο μέχρι το 2032-2035, οι αυτοματοποιημένες αποθήκες θα είναι πραγματικότητα, όπου θα υπάρχουν ελάχιστοι άνθρωποι σε αυτές, αυτόνομα φορτηγά στη ράμπα και μηχανήματα που θα αναλαμβάνουν μόνα τους την παραλαβή και το ξεφόρτωμα των προϊόντων.
Προγραμματισμός & διαχείριση εργατικού δυναμικού
Το εργατικό είναι συνήθως το μεγαλύτερο λειτουργικό κόστος στις αποθήκες και τα κέντρα διανομής. Η βέλτιστη κατανομή των εργαζομένων, για την κάλυψη της προβλεπόμενης ζήτησης σε κάθε βάρδια, είναι απαραίτητη, ώστε να μην υπάρχει έλλειμμα ή πλεόνασμα προσωπικού. Για τις σωστές αποφάσεις, χρειάζονται πλειάδα δεδομένων, σχεδόν σε πραγματικό χρόνο. Πρόσθεσε ότι, λογισμικά με Τεχνητή Νοημοσύνη είναι κατάλληλα στο να αναλύουν δεδομένα και να χρησιμοποιούν Μηχανική Μάθηση για να:
- Ανιχνεύουν αποτελεσματικές διαδικασίες
- Αυτοματοποιούν τη διαχείριση του προσωπικού (βάρδιες)
- Προτείνουν επιλογές βελτιστοποίησης
Το “καύσιμο” του επόμενου κύματος μετασχηματισμού
Εκτός από τις παραπάνω, ανέφερε ότι υπάρχουν και άλλες εφαρμογές Τεχνητής Νοημοσύνης, όπως:
-Προβλεπτική συντήρηση
-Computer vision για εντοπισμό ζημιών
-Αυτοματοποίηση εργασιών γραφείου (π.χ. χρεώσεις, επεξεργασία e-mail, δημιουργία αναφορών κλπ). Ο κ. Ευθυμίου υπογράμμισε ότι, "η χρήση της Τεχνητής Νοημοσύνης είναι εδώ και φαίνεται να είναι ένα από τα καύσιμα του επόμενου κύματος μετασχηματισμού των αποθηκών και των κέντρων διανομής".
Ανανέωση των γνώσεων
Καταλήγοντας τόνισε ότι, "τουλάχιστον το 50% εργατικού δυναμικού θα πρέπει να ανανεώσει τις γνώσεις του, ακόμη π.χ. και στη χρήση Η/Υ, γιατί διαφορετικά δεν θα μπορεί να επιβιώσει".
Πρόσθεσε δε, ότι, "είναι πολύ σημαντικό να υπάρχουν άνθρωποι με μεράκι, που ψάχνουν για ό,τι νέο έρχεται. Δεν χρειάζεται όμως, να υπάρχει κάποια εξειδίκευση σε Τεχνητή Νοημοσύνη in-house, αφού πάροχοι στην αγορά υπάρχουν πολλοί".
Ακολούθησε την Ημερησία στο Google News!
