Усі говорять про штучний інтелект, але які його потенційні застосування для складування та ланцюга постачання? Едвард Нейпір-Феннінг, директор з продажу та маркетингу провідної компанії-розробника програмного забезпечення для ланцюгів поставокПовітряна куля, досліджує п’ять ключових сфер, які можуть підвищити продуктивність, включаючи планування маршруту, комплектування, звітування про управління працею та введення даних.
#Freightforwarder #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqaba shipping
Експедитор 3pl дропшиппінг DoortoDoor AirFreight агент Jordan shipping China центр виконання вантажних агентів
kapoklog логістика авіаперевезення з Китаю до Великобританії DoortoDoor Amazon ExportAirFreight Jordan shipping ChinashippingtoJordan Jordanairfreight shipping
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Косметика, Саудівська Аравія повітрям і морем обслуговування від дверей до дверей
#chinapurpurchasesingagent #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
Шеньчжень капоклог логістика Саудівської Аравії мито з оплатою мита від дверей до дверей DDP
DDP Китай – Саудівська Аравія
Шеньчжень капоклог логістика Дубай митне очищення двері до дверей обслуговування DDP
DDP Китай – Дубай
Шеньчжень kapoklogLogistics Co., Ltd
Шеньчжень kapoklog logistics Qatar митне оформлення від дверей до дверей лінія DDP
DDP Китай до Катару
Шеньчжень kapoklog логістика Пакистан DDP
DDP Китай до Пакистану
Шеньчжень kapoklog logistics Jordan митне очищення від дверей до дверей DDP Китай до Йорданії
Shenzhen kapokloglogistics Єгипет подвійне митне очищення від дверей до дверей DDP
Шеньчжень kapoklog logistics Jeddah митне очищення, Jeddah DDP, Китай до Джидди DDP доставка
Shenzhen Kapoklog logistics Oman ddp, Китай – Оман DDP, Oman shipping DDP
Шеньчжень капоклог Ірак митне очищення, Китай до Іраку DDP
Шеньчжень Kapoklog logistics Ізраїль митне очищення DDP , Китай до Ізраїлю від дверей до дверей , Ізраїль від дверей до дверей , Китай до Ізраїлю DDP
Несподівано штучний інтелект (ШІ) з’явився всюди. Як і на початку багатьох інших революційних технологій, існує багато надмірних вимог, і багато з того, що зараз рекламується як «сумісне зі штучним інтелектом», насправді є лише послідовністю, за загальним визнанням, дуже швидких і дуже розумних алгоритмів, які слідують логічній шляхи, розроблені людьми. Здатність обробляти величезні обсяги «великих даних» з блискавичною швидкістю вражає та надзвичайно цінна, але сама по собі вона не є штучним інтелектом. Справжній штучний інтелект має здатність вчитися на історичних даних і поточних діях і, в певному сенсі, переписувати власні алгоритми.
Темпи розвитку штучного інтелекту прискорюються, і ми вже бачимо деякі ключові сфери складського господарства та логістики, де його можна застосувати.
1. Розширене планування маршруту
До цього часу водій вирушав за фіксованим маршрутом, можливо, звичайним кругом або запланованим на день чи два раніше, і від нього/неї залежить, як правильно реагувати на аварію, пробку чи іншу подію як і коли вони виникають. Тепер керування трафіком можна підключити в режимі реального часу до таких ресурсів, як Google, не лише вирішуючи поточну проблему, але й використовуючи отримані знання, щоб передбачити, де може виникнути затор, який, як не дивно, часто не відбувається. місце фактичного інциденту. Це дає більш надійні рекомендації щодо уникнення та допомагає виконувати доставку зі складу та зі складу за розкладом.
Такий підхід до планування маршруту може працювати в парі з динамічним формуванням навантаження. Наразі немає повного файлу замовлень на початку дня або в точці, де потрібно виправити водіїв і маршрути для роботи наступного дня. Таким чином, маршрут може включати пункти призначення, куди фактично не має бути жодного кроку, або не включати маршрути, які могли б бути корисними. Інтелектуальні системи можуть постійно переплановувати, модифікувати та оптимізувати маршрути в міру формування профілю замовлення. Це, у свою чергу, може допомогти з наступною темою, а саме ефективним набором замовлень, яка, звичайно, має свої проблеми з проходженням і маршрутизацією.
2. Ефективне збирання
Багато шуму навколо штучного інтелекту в ланцюжку постачання пов’язано з такими проблемами, як інвентаризація та замовлення. Удосконалення тут, безсумнівно, є важливим, але ми лише почали торкатися того, як управляти складом ефективніше, де лежать справді великі витрати на оплату праці та адміністрування, а також потенційна економія.
Оптимізація шляху вибору є гарячою темою в складському господарстві, хоча на нижньому рівні це не більше, ніж поєднання замовлень у послідовність і подрібнення їх на робочі блоки. Приємно мати можливість робити це дуже швидко, але справжній штучний інтелект починає дивитися на всю ситуацію більш розумно: де знаходяться товари на складі, які товари можна або не можна комбінувати на певному візку чи контейнері ( і де знаходяться ці контейнери), які пріоритетні замовлення (що має чіткі посилання на питання маршрутизації вище), і, таким чином, створюючи найефективніші процедури вибору.
ШІ зможе покращити вибір і роботу стратегій комплектування – і оптимум може відрізнятися залежно від типу товарів або навіть часу доби. Стратегії численні та різноманітні: наприклад, пакетний вибір, який передбачає проходження маршруту, вибір одного SKU за раз для партії замовлень. Або це може бути зональний або «кластерний» вибір, коли оператор вибирає всі SKU в одній «зоні» для пакету замовлень, а тотализатор (з цим оператором або без нього) потім переходить до наступної зони.
Кластерне комплектування зазвичай є більш ефективним, але вимагає оптимізації розміщення товарів на складі, щоб товари, які, швидше за все, потраплять в однакові замовлення, групувалися разом, а замовлення групувалися навколо схожих профілів. Це також означає, що замовлення не обов’язково збираються в суворо хронологічному порядку, тобто відповідно до часу відправлення маршруту доставки, і тому вони вразливі до затримок, можливо, через вузькі проходи або необхідність відокремити пішоходів від вантажівок і інша техніка.
Співпрацюючи з клієнтом Pets Corner, Balloon розробляє модель кластеризації замовлення загального призначення, яка може працювати як хмарна веб-функція. Нова техніка прискорила час, необхідний для збирання хвилі замовлень, на 38%. У цьому підході строго не використовується будь-який розроблений штучний інтелект, але ми можемо легко побачити, що штучний інтелект може сприяти подальшим значним покращенням як компонування, так і роботи підбору замовлень і вибору найбільш відповідної стратегії для цих замовлень прямо зараз. Ми, наприклад, працюємо над способами, за допомогою яких цей підхід можна було б розширити до багаторядкових замовлень і мати «початкові точки» для вибору маршрутів у різних місцях на складі. Це швидко стає досить складним, і штучний інтелект буде дуже корисним у вирішенні завдань.
Одним з джерел ефективності є те, що операції не повинні бути настільки пов’язані зі «стандартними» процесами, які іноді можуть бути непотрібними. Незначним прикладом є робота, яку ми нещодавно виконали для Birlea. Ця фірма мала звичайну процедуру, за якою відібраним товарам надається етикетка «WMS», яка вказує на замовлення, до якого вони призначені, і надсилається на перевірку та перепакування, після чого їм надається інша етикетка «перевізника». Але їхні меблі не потребують перевірки чи перепакування. Виявилося можливим видалити етикетку WMS для цих товарів і перепрограмувати SQL так, щоб система вважала, що етикетка перевізника є міткою WMS, яку вона очікувала на цьому етапі. Це саме по собі не вимагає штучного інтелекту, але легко уявити системи штучного інтелекту, які можуть навчитися розпізнавати, що для певного елемента певні процеси є зайвими та можуть бути усунені – без ризику того, що людина-оператор зробить неправильний виклик.
3. Більш ефективне управління працею
У нинішніх умовах найбільшою проблемою для підвищення ефективності є те, куди розподілити дефіцитну та дорогу робочу силу. Підприємство з хорошим програмним забезпеченням для керування складом (WMS) та іншими системами повинно мати велику кількість даних від кінця до кінця: що відбувається під час отримання, розміщення, комплектування, поповнення тощо. Це має підказати оператору, куди потрібно розмістити своїх людей, але це складно. Традиційна WMS керує цим, до певного моменту, але значною мірою покладається на людей, які створюють, вводять і обслуговують дані, від стандартного часу для елементів роботи, до того, кому дозволено виконувати певні завдання, і так далі.
Певною мірою ми вже можемо ефективніше розподіляти товари, дії та ресурси, використовуючи історичні записи та поточний збір даних, щоб створити більш складні моделі управління працею. Але штучний інтелект, безсумнівно, міг би зробити додатковий внесок у отримання даних із різноманітних джерел і їх осмислення.
Ефективне розгортання стане ще більш важливим, оскільки компанії почнуть використовувати робототехніку у формі «коботів» – машин, які працюють разом з людьми. Можливо, це особливо актуально для малих і середніх підприємств, які все частіше можуть дозволити собі такий тип автоматизації, і їм потрібно, щоб вони були набагато гнучкішими, ніж великі автоматизовані системи «товари людині», якими керують великі підприємства. Наприклад, працівники можуть бути «позначені» за допомогою пристрою Bluetooth, щоб визначити їх місцезнаходження відносно поточної чи передбачуваної позиції робота, а також щодо позиції та поточного статусу пріоритетних замовлень, але для повного використання цієї переваги потрібні інтелектуальні системи.
Ми не розглядаємо використання штучного інтелекту для підвищення ефективності праці як головне скорочення штату. Швидше йдеться про усунення «мертвого часу» та непродуктивної діяльності, як-от ходіння з одного кінця складу в інший. Очевидно, це покращує продуктивність, але також легше утримувати хороших людей, якщо вони не витрачають половину свого часу на бездіяльність, а іншу половину в шаленій поспіху, через що співробітники можуть відчувати втому та недооцінку.
4. Більш точна звітність та аналітика
Balloon бере активну участь у застосуванні штучного інтелекту в ланцюзі поставок. Активність у секторі швидко зростає. Слід пам’ятати, що середовище кожного різне, особливо серед малих і середніх підприємств, що є однією з причин, чому здатність штучного інтелекту вчитися на ситуації, а не просто обробляти зовні отриманий алгоритм, є такою привабливою. Ще одна міркування полягає в тому, що багато даних є текстовими, тому ми збираємо дані з багатьох джерел у аналітичний пакет Microsoft із моделлю даних, яка повідомляє системі, як пов’язувати дані з різними об’єктами. Ми можемо створити інформаційну панель, а на додаток до цього ми можемо додати деякі функції типу ChatGPT – «покажи мені кругову діаграму з відбором мого персоналу за днями та за особами» – щоб менеджерам не довелося просити ІТ-спеціалістів створити для них звіт.
Системи на основі штучного інтелекту можуть значно зменшити витрати та тягар ручного ведення записів та аналітики, не кажучи вже про усунення (або принаймні виявлення) помилок, які неминуче виникають у ручних системах. Зрештою, можна навіть заощадити за рахунок інтеграції всіх різних систем, які використовують складські та розподільні операції: штучний інтелект може «навчитися» передавати дані з однієї системи в іншу, незважаючи на очевидно несумісні формати, замість того, щоб мати когось трудомістко писати код для кожного випадку.
5. Покращене розпізнавання зображень і зменшення повторного введення ключів
Штучний інтелект вже вносить зміни тут, наприклад, у введенні даних, включаючи оптичне розпізнавання символів і зображеннясканування– визначення сенсу, співвіднесення з іншими елементами системи, зокрема пошук помилок і невідповідностей. Це може бути різниця в кількості між замовленням на продаж і відповідним накладним на вибір; або це може бути адреса доставки, яка не існує або не має сенсу: у цьому випадку можна налаштувати штучний інтелект на створення розумних пропозицій про те, якою має бути адреса, перш ніж водій доставки вирушить на дикого гусака погоня.
Отже, у складському середовищі багато чого відбувається з ШІ. На даний момент ландшафт являє собою набір невеликих розробок, які допомагають людям адаптувати частини штучного інтелекту до своїх операцій, часто починаючи з простого усунення менших частин роботи на інтерфейсах між системами, де, наприклад, проявляються розбіжності в даних. Але цей клаптик неодмінно об’єднається за досить короткий термін.
Це узгоджується з власним підходом Balloon, згідно з яким наша команда інновацій націлена на невеликі кишені розширеної функціональності, кластеризація є однією з перших, і ми вже побачили значне підвищення ефективності на сайтах клієнтів.
Управління складом характеризується кількома вхідними даними та кількома можливими рішеннями та вихідними сценаріями. Вони не в змозі менеджерів-людей оптимізувати надійно та вчасно, у той час як традиційні алгоритмічні підходи покладаються на припущення та спрощення, які часто не завжди або не цілком дійсні. Тим часом дефіцитна робоча сила може сидіти й чекати, коли їм скажуть, що робити. AI обіцяє надати інструменти для вирішення цих проблем.
