Všichni mluví o umělé inteligenci, ale jaké jsou její potenciální aplikace pro skladování a dodavatelský řetězec? Edward Napier-Fenning, ředitel prodeje a marketingu přední softwarové společnosti pro dodavatelský řetězecBalón, zkoumá pět klíčových oblastí, které mohou zvýšit výkon – včetně plánování trasy, vychystávání, hlášení řízení práce a zadávání dat.
#Dopravce #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Zasílatel nákladní dopravy 3pl dropshipping DoortoDoor AirFreight agent Jordánsko přepravní centrum pro přepravu agenta Číny
kapoklog logistika letecká přeprava z Číny do Velké Británie DoortoDoor Amazon ExportAirFreight Jordánská přeprava Čína přeprava do Jordánska Jordánská letecká nákladní 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
Kosmetika, Saudská Arábie letecky a po moři služba door to door
#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 Saúdská Arábie clo placené od dveří ke dveřím DDP
DDP Čína do Saúdské Arábie
Shenzhen kapoklog logistics Dubaj vlastní odbavení od dveří ke dveřím služba DDP
DDP Čína do Dubaje
Shenzhen kapoklogLogistika Co., Ltd
Shenzhen kapoklog logistika Katar vlastní odbavení door to door DDP linka
DDP Čína do Kataru
Shenzhen kapoklog logistika Pákistán DDP
DDP Čína do Pákistánu
Shenzhen kapoklog logistika Jordánsko celní odbavení od dveří ke dveřím DDP Čína do Jordánska
Shenzhen kapokloglogistics Egypt dvojité vlastní odbavení od dveří ke dveřím DDP
Shenzhen kapoklog logistika Celní odbavení Jeddah, Jeddah DDP, doprava DDP z Číny do Jeddahu
Shenzhen Kapoklog logistika Omán ddp, Čína do Ománu DDP, Omán přeprava DDP
Shenzhen kapoklog Irák celní odbavení, Čína do Iráku DDP
Shenzhen Kapoklog logistika Izrael celní odbavení DDP , Čína do Izraele od dveří ke dveřím , Izrael od dveří ke dveřím , Čína do Izraele DDP
Zcela náhle je umělá inteligence (AI) všude. Stejně jako v počátcích mnoha jiných revolučních technologií existuje mnoho přehnaných nároků a mnoho z toho, co je v současnosti nabízeno jako „umožňující AI“, je ve skutečnosti pouze sledem, nepochybně velmi rychlých a velmi chytrých, algoritmů, které následují logické cesty vymyšlené lidmi. Schopnost zpracovávat obrovské množství „velkých dat“ rychlostí blesku je působivá a nesmírně cenná, ale sama o sobě nepředstavuje umělou inteligenci. Skutečná umělá inteligence má schopnost učit se z historických dat a současných aktivit a v jistém smyslu přepisovat své vlastní algoritmy.
Tempo vývoje AI se zrychluje a již nyní vidíme některé klíčové oblasti ve skladování a logistice, kde ji lze uplatnit.
1. Vylepšené plánování trasy
Doposud řidič vyjížděl s pevnou trasou, možná běžnou objížďkou, nebo plánovanou o den či dva dříve, a je na něm, aby vymyslel tu nejlepší reakci na nehodu, dopravní zácpu nebo jinou událost. jak a kdy tyto vzniknou. Nyní lze řízení provozu propojit v reálném čase se zdroji, jako je Google, a vyřešit tak nejen aktuální problém, ale využít jeho učení k předpovědi, kde pravděpodobně dojde k zácpě, což kupodivu často není místo skutečného incidentu. To vytváří robustnější doporučení pro vyhýbání se a pomáhá udržovat dodávky do a ze skladu podle plánu.
Tento přístup k plánování trasy může fungovat v tandemu s dynamickým budováním zatížení. V současné době neexistuje úplný soubor objednávek na začátku dne nebo v okamžiku, kdy je třeba opravit ovladače a trasy pro operace následujícího dne. Trasa proto může zahrnovat cíle, kde ve skutečnosti není možné provést pokles, nebo vynechat poklesy, které by mohly být užitečné. Inteligentní systémy mohou neustále přeplánovat, upravovat a optimalizovat trasy podle toho, jak se vytváří profil zakázky. To zase může pomoci s dalším tématem, kterým je efektivní vychystávání objednávek, které má samozřejmě své vlastní problémy s cestou a směrováním.
2. Efektivní vychystávání
Mnoho hluku kolem umělé inteligence v dodavatelském řetězci se týká problémů, jako jsou zásoby a objednávky. Zlepšení je zde zjevně důležité, ale sotva jsme se začali zabývat tím, jak provozovat sklad efektivněji, což je místo, kde leží skutečně velké náklady na práci a administrativu – stejně jako potenciální úspory.
Optimalizace výběrové cesty je žhavým tématem ve skladech, i když v nižších úrovních to znamená jen o málo víc než seřazení objednávek do sekvence a jejich rozdělení na bloky práce. Je hezké umět to udělat opravdu rychle, ale opravdová AI se začíná umět dívat na celou situaci inteligentněji: kde je zboží ve skladu, jaké zboží lze nebo nelze na daném vozíku nebo kontejneru kombinovat ( a kde jsou tyto kontejnery), jaké jsou prioritní objednávky (což má jasné vazby na výše uvedenou otázku směrování), a tak vytvořit nejúčinnější možné rutiny pro výběr.
Umělá inteligence bude schopna zlepšit výběr a fungování vychystávacích strategií – a optimum se může lišit podle typu zboží nebo dokonce podle denní doby. Strategií je mnoho a jsou rozmanité: například dávkové vychystávání, které zahrnuje chůzi po trase, vybírání po jednom SKU pro dávku objednávek. Nebo to může být zónový nebo „shlukový“ vychystávání, kdy operátor vybere všechny SKU v jedné „zóně“ pro dávku objednávek a přepravka (s nebo bez tohoto operátora) se poté přesune do další zóny.
Vychystávání do skupin je obvykle efektivnější, ale vyžaduje optimalizaci rozmístění zboží ve skladu tak, aby zboží, které se s největší pravděpodobností vyskytuje ve stejných objednávkách, bylo seskupeno a objednávky byly seskupeny kolem podobných profilů. Znamená to také, že objednávky nemusí být nutně vybírány v přísně chronologickém pořadí, tj. podle časů odjezdů na doručovací trase, a tak jsou náchylné ke zpožděním v zácpách, možná kvůli úzkým uličkám nebo potřebě oddělit chodce od nákladních vozidel a jiné stroje.
Balloon ve spolupráci s klientem Pets Corner vyvíjí obecný model shlukování objednávek, který může fungovat jako cloudová webová funkce. Nová technika zrychlila dobu potřebnou k výběru vlny objednávek o 38 %. Tento přístup striktně nepoužívá žádnou vyvinutou umělou inteligenci, ale snadno vidíme, že umělá inteligence by mohla umožnit další významná vylepšení jak v uspořádání a fungování vychystávání objednávek, tak ve výběru nejvhodnější strategie pro tyto objednávky právě teď. Pracujeme například na způsobech, jak by bylo možné tento přístup rozšířit na víceřádkové objednávky a na vytvoření „počátečních bodů“ pro vychystávání na různých místech ve skladu. To se rychle stává poměrně složitým a AI bude velmi nápomocná při řešení věcí.
Jedním ze zdrojů efektivity je to, že operace nemusí být tak svázány „standardními“ procesy, které někdy nemusí být nutné. Menším příkladem je nějaká práce, kterou jsme nedávno udělali pro Birlea. Tato firma měla konvenční postup, kdy je vychystané zboží opatřeno štítkem „WMS“ s uvedením objednávky, ke které bylo přiděleno, a odesláno ke kontrole a přebalení, načež je mu přidělen jiný štítek „dopravce“. Ale jejich nábytek není třeba kontrolovat ani přebalovat. Ukázalo se, že je možné odstranit štítek WMS pro toto zboží a přeprogramovat SQL tak, aby systém považoval štítek dopravce za štítek WMS, který v tuto chvíli očekával. To samo o sobě nevyžaduje umělou inteligenci, ale je snadné si představit systémy umělé inteligence, které se dokážou naučit rozpoznat, že pro konkrétní položku jsou určité procesy nadbytečné a lze je odstranit – bez rizika, že by lidský operátor zavolal nesprávně.
3. Efektivnější řízení práce
V současných podmínkách je největší výzvou pro zvýšení efektivity to, kam umístit vzácnou a drahou pracovní sílu. Zařízení s dobrým Warehouse Management Software (WMS) a dalšími systémy by mělo mít velké množství dat od začátku do konce: co se děje při příjmu, ukládání, vychystávání, doplňování a tak dále. To by mělo operátorovi říct, kam potřebuje umístit své lidi, ale je to složité. Tradiční WMS to do jisté míry zvládá, ale do značné míry se spoléhá na lidi, kteří vytvářejí, vkládají a udržují data, od standardních časů pro prvky práce až po to, kdo smí vykonávat určité úkoly a tak dále.
Do určité míry jsme již schopni efektivněji zařazovat zboží, činnosti a zdroje pomocí historických záznamů a sběru aktuálních dat, abychom umožnili složitější modely řízení práce. Ale umělá inteligence by jistě mohla dále přispět k získávání dat z různých různých zdrojů a k tomu, aby jim dávala smysl.
Efektivní nasazení bude ještě důležitější, až společnosti začnou používat robotiku ve formě „cobotů“ – strojů spolupracujících s lidmi. To je možná zvláště relevantní pro malé a střední podniky, které si mohou stále více dovolit tento typ automatizace a potřebují, aby byl mnohem flexibilnější než velké automatizované systémy „zboží na osobu“, které provozují velké provozy. Zaměstnanci by mohli být například „označeni“ zařízením Bluetooth, aby je bylo možné lokalizovat vzhledem k aktuální nebo zamýšlené poloze robota a poloze a aktuálnímu stavu prioritních zakázek, ale plné využití toho vyžaduje inteligentní systémy.
Využití AI ke zlepšení efektivity práce nevidíme jako primárně snižování počtu zaměstnanců. Spíše jde o eliminaci „mrtvého času“ a neproduktivních činností, jako je chůze z jednoho konce skladu na druhý. To samozřejmě zvyšuje produktivitu, ale také je snazší udržet si dobré lidi, pokud netráví polovinu svého času nečinností a druhou polovinu zběsilým spěchem, což může způsobit, že se zaměstnanci budou cítit unavení a podcenění.
4. Přesnější výkaznictví a analýzy
Balloon se aktivně podílí na uplatňování umělé inteligence v prostoru dodavatelského řetězce. Aktivita v oboru rychle roste. Je třeba mít na paměti, že prostředí každého je jiné, zejména mezi malými a středními podniky, což je jeden z důvodů, proč je schopnost umělé inteligence poučit se ze situace, spíše než pouze zpracovávat externě odvozený algoritmus, tak atraktivní. Dalším hlediskem je, že mnoho dat je textových, takže jedna z věcí, kterou děláme, je nasouvat data z více zdrojů do analytického balíčku Microsoftu s datovým modelem, který říká systému, jak propojit data s různými objekty. Můžeme vytvořit dashboard a navíc můžeme navrstvit některé funkce typu ChatGPT – „ukažte mi koláčový graf s výběrem mých zaměstnanců podle dne a podle osob“ – takže manažeři nemusí žádat IT, aby jim sestavilo sestavu.
Systémy založené na umělé inteligenci mohou zvednout mnoho nákladů a zátěže ručního vedení záznamů a analýzy, nemluvě o eliminaci (nebo alespoň detekci) chyb, které v manuálních systémech nevyhnutelně vznikají. V konečném důsledku může dokonce dojít k úsporám při integraci všech různých systémů, které používají skladové a distribuční operace: umělá inteligence se může „naučit“, jak dostat data z jednoho systému do druhého, a to navzdory zdánlivě nekompatibilním formátům, než aby někoho pracně napsat kód pro každou možnost.
5. Vylepšené rozpoznávání obrazu a snížené překlíčování
Umělá inteligence zde již dělá rozdíly, například v zadávání dat, včetně optického rozpoznávání znaků a obrazusnímání– dávat mu smysl, propojovat jej s ostatními prvky v systému a zejména hledat chyby a nesrovnalosti. Může to být množstevní rozdíl mezi prodejní objednávkou a příslušným vyskladňovacím listem; nebo to může být doručovací adresa, která neexistuje nebo nedává smysl: v takovém případě může být možné nakonfigurovat AI tak, aby předkládala inteligentní návrhy, jaká adresa by měla být, než řidič dodávky vyrazí na divokou husu honit.
V prostředí skladu se toho s AI děje hodně. Krajina je v současné době mozaikou malých vývojů, které lidem pomáhají začlenit kousky umělé inteligence do jejich operací, často na začátku pouhým odstraněním menších částí práce na rozhraních mezi systémy, kde se například obvykle projevují nesrovnalosti v datech. Ale tento patchwork se jistě spojí v poměrně krátké době.
To je v souladu s vlastním přístupem společnosti Balloon, kdy se náš inovační tým zaměřuje na malé kapsy pokročilých funkcí, přičemž clustering je jedním z prvních a jedním z nich, kde jsme již zaznamenali velké zvýšení efektivity na zákaznických webech.
Řízení skladu je charakterizováno více datovými vstupy a více možnými rozhodnutími a scénáři výstupu. Ty jsou mimo schopnosti lidských manažerů optimalizovat robustně a včas, zatímco tradiční algoritmické přístupy spoléhají na předpoklady a zjednodušení, která často nejsou vždy nebo zcela platná. Mezitím může sedět vzácná pracovní síla a čekat, až se řekne, co má dělat. AI slibuje, že poskytne nástroje k vyřešení těchto problémů.
