Svi govore o umjetnoj inteligenciji, ali koje su njezine potencijalne primjene za skladištenje i lanac opskrbe? Edward Napier-Fenning, direktor prodaje i marketinga vodeće softverske tvrtke za lanac nabaveBalon, istražuje pet ključnih područja koja mogu poboljšati učinak – uključujući planiranje rute, komisioniranje, izvješćivanje o upravljanju radom i unos podataka.
#Špediter #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Špediter 3pl dropshipping DoortoDoor AirFreight agent Jordan otprema Kina centar za isporuku pošiljki
kapoklog logistika zračni prijevoz iz Kine u UK DoortoDoor Amazon ExportAirFreight Jordan otprema ChinashippingtoJordan Jordanairfreight ship
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, Saudijska Arabija zrakom i morem usluga od vrata do vrata
#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
Shenzhen kapoklog logistics Saudijska Arabija carina carina plaćena vrata do vrata DDP
DDP Kina u Saudijsku Arabiju
Shenzhen kapoklog logistika Dubai carinjenje usluga od vrata do vrata DDP
DDP iz Kine u Dubai
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistics Qatar carinjenje od vrata do vrata DDP linija
DDP Kina u Katar
Shenzhen kapoklog logistika logistika Pakistan DDP
DDP Kina u Pakistan
Shenzhen kapoklog logistika Jordan carinjenje od vrata do vrata DDP Kina u Jordan
Shenzhen kapoklologistics Egypt dvostruko carinjenje od vrata do vrata DDP
Shenzhen kapoklog logistika Jeddah carinjenje, Jeddah DDP, Kina do Jeddah DDP dostava
Shenzhen Kapoklog logistics Oman ddp, Kina u Oman DDP, Oman dostava DDP
Shenzhen kapoklog Irak carinjenje, Kina za Irak DDP
Shenzhen Kapoklog logistika Izrael carinjenje DDP, Kina u Izrael od vrata do vrata, Izrael od vrata do vrata, Kina u Izrael DDP
Sasvim iznenada, umjetna inteligencija (AI) je posvuda. Kao i u ranim danima mnogih drugih revolucionarnih tehnologija, postoji mnogo pretjeranih tvrdnji, a mnogo toga što se trenutno reklamira kao 'omogućeno umjetnom inteligencijom' zapravo je samo niz, doduše, vrlo brzih i vrlo pametnih algoritama, koji slijede logične putevi koje su osmislili ljudi. Sposobnost obrade golemih količina 'velikih podataka' munjevitom brzinom je impresivna i izuzetno vrijedna, ali sama po sebi ne predstavlja umjetnu inteligenciju. Prava umjetna inteligencija ima sposobnost učenja iz povijesnih podataka i trenutnih aktivnosti te, u određenom smislu, prepravlja vlastite algoritme.
Tempo razvoja umjetne inteligencije se ubrzava i već možemo vidjeti neka ključna područja u skladištu i logistici u kojima se može primijeniti.
1. Poboljšano planiranje rute
Do sada je vozač krenuo fiksnom rutom, možda običnim krugom ili planiranom dan ili dva ranije, a na njemu/njoj je da osmisli najbolji odgovor na nesreću, prometnu gužvu ili neki drugi događaj kako i kada ovi nastanu. Sada se upravljanje prometom može povezati u stvarnom vremenu s resursima kao što je Google, radeći ne samo na rješavanju trenutnog problema, već koristeći svoje učenje za predviđanje gdje će se vjerojatno dogoditi zagušenje, što začudo često nije na mjesto stvarnog incidenta. To čini snažniju preporuku za izbjegavanje i pomaže u održavanju isporuka ui iz skladišta prema rasporedu.
Ovaj pristup planiranju rute može funkcionirati u tandemu s povećanjem dinamičkog opterećenja. Trenutačno ne postoji potpuna datoteka s narudžbama na početku dana ili na mjestu gdje vozači i rute moraju biti fiksirani za operacije sljedećeg dana. Ruta, stoga, može uključivati odredišta gdje zapravo nema spuštanja ili izostavljati spuštanja koja su mogla biti korisna. Inteligentni sustavi mogu stalno ponovno planirati, modificirati i optimizirati rute kako se profil narudžbe gradi. To zauzvrat može pomoći sa sljedećom temom, učinkovitom selekcijom narudžbi, koja naravno ima svoje probleme s putanjom i usmjeravanjem.
2. Učinkovito branje
Puno buke oko umjetne inteligencije u opskrbnom lancu je oko pitanja kao što su zalihe i naručivanje. Poboljšanje je ovdje očito važno, ali jedva da smo se počeli doticati načina na koji učinkovitije voditi skladište, gdje leže neki zaista veliki troškovi rada i administracije – kao i potencijalne uštede.
Optimizacija odabira puta je vruća tema u skladištu, iako se na nižem nivou to svodi na nešto više od stavljanja narudžbi u niz i njihovog usitnjavanja u blokove rada. Lijepo je to moći učiniti vrlo brzo, ali prava umjetna inteligencija počinje inteligentnije sagledavati cijelu situaciju: gdje se roba nalazi u skladištu, koja se roba može ili ne može kombinirati na danim kolicima ili kontejneru ( i gdje su ti spremnici), koji su redoslijedi prioriteta (što ima jasne veze s gornjim pitanjem usmjeravanja), i na taj način izgradnja najučinkovitijih mogućih rutina odabira.
AI će moći poboljšati izbor i rad strategija komisioniranja – a optimum se može razlikovati ovisno o vrsti robe ili čak dobu dana. Strategije su brojne i raznolike: na primjer skupno biranje, koje uključuje hodanje rutom, biranje jednog po jednog SKU-a za seriju narudžbi. Ili bi to moglo biti zonsko ili 'klastersko' biranje gdje operater bira sve SKU-ove u jednoj 'zoni' za seriju narudžbi, a tote (sa ili bez tog operativca) zatim prelazi na sljedeću zonu.
Grupno komisioniranje obično je učinkovitije, ali zahtijeva optimizaciju rasporeda robe u skladištu, tako da se roba koja će se najvjerojatnije pojaviti u istim narudžbama grupira zajedno, a narudžbe se grupiraju oko sličnih profila. To također znači da se narudžbe ne preuzimaju nužno strogo kronološkim redoslijedom, tj. prema vremenima polaska na ruti isporuke, pa su osjetljive na kašnjenja u gužvi, možda zbog uskih prolaza ili potrebe za odvajanjem pješaka od kamiona i ostali strojevi.
Surađujući s klijentom Pets Corner, Balloon razvija model klasteriranja narudžbi opće namjene, koji može funkcionirati kao web funkcija temeljena na oblaku. Nova tehnika ubrzala je vrijeme potrebno za odabir vala narudžbi za 38%. Ovaj pristup striktno ne koristi razvijenu umjetnu inteligenciju, ali lako možemo vidjeti da bi umjetna inteligencija mogla omogućiti daljnja značajna poboljšanja u izgledu i radu odabira narudžbi i odabiru najprikladnije strategije za te narudžbe, upravo sada. Mi, na primjer, radimo na načinima na koje bi se ovaj pristup mogao proširiti na narudžbe s više linija i na postojanje 'početnih točaka' za odabir ruta na različitim mjestima u skladištu. To brzo postaje prilično složeno, a AI će biti od velike pomoći u rješavanju stvari.
Jedan od izvora učinkovitosti je to što operacije ne moraju biti toliko vezane 'standardnim' procesima, koji ponekad možda i nisu potrebni. Manji primjer je posao koji smo nedavno obavili za Birleu. Ova tvrtka je imala konvencionalnu proceduru prema kojoj odabrana roba dobiva oznaku 'WMS' koja prikazuje narudžbu kojoj je dodijeljena, te šalje na provjeru i ponovno pakiranje, nakon čega dobiva drugu oznaku 'prijevoznika'. Ali njihov namještaj ne treba provjeravati niti prepakirati. Pokazalo se mogućim eliminirati WMS naljepnicu za tu robu i reprogramirati SQL tako da sustav misli da je nosiva naljepnica WMS naljepnica koju je u ovom trenutku očekivao. To samo po sebi ne zahtijeva umjetnu inteligenciju, ali lako je zamisliti sustave umjetne inteligencije koji mogu naučiti prepoznati da su za određenu stavku određeni procesi suvišni i da se mogu eliminirati – bez rizika da ljudski operater napravi pogrešan poziv.
3. Učinkovitije upravljanje radom
U sadašnjim uvjetima najveći izazov za povećanje učinkovitosti je gdje rasporediti oskudnu i skupu radnu snagu. Objekt s dobrim softverom za upravljanje skladištem (WMS) i drugim sustavima trebao bi imati mnogo podataka od kraja do kraja: što se događa u prijemu, odlaganju, komisioniranju, nadopunjavanju i tako dalje. To bi operateru trebalo reći gdje treba smjestiti svoje ljude, ali je složeno. Tradicionalni WMS upravlja ovime, do određene točke, ali se uvelike oslanja na ljude koji stvaraju, unose i održavaju podatke, od standardnih vremena za elemente posla, do toga tko smije obavljati određene zadatke, i tako dalje.
U određenoj mjeri već smo u mogućnosti učinkovitije raspoređivati robu, aktivnosti i resurse koristeći povijesne zapise i prikupljanje trenutnih podataka kako bismo omogućili složenije modele upravljanja radom. Ali umjetna inteligencija bi sigurno mogla dodatno doprinijeti izvlačenju podataka iz raznih različitih izvora i njihovom razumijevanju.
Učinkovita implementacija postat će još važnija kako tvrtke počnu koristiti robotiku u obliku 'kobota' – strojeva koji rade u suradnji s ljudima. Ovo je možda osobito relevantno za mala i srednja poduzeća, koja sve više mogu priuštiti ovu vrstu automatizacije i trebaju da budu mnogo fleksibilniji od velikih automatiziranih sustava 'dobra-osobi' kojima upravljaju velike operacije. Na primjer, radnici bi mogli biti 'označeni' Bluetooth uređajem kako bi ih se lociralo u odnosu na trenutni ili planirani položaj robota i položaj i trenutni status prioritetnih naloga, ali iskorištavanje svih prednosti ovoga zahtijeva inteligentne sustave.
Ne vidimo da je korištenje umjetne inteligencije za poboljšanje radne učinkovitosti primarno smanjenje broja zaposlenih. Prije se radi o eliminaciji 'mrtvog vremena' i neproduktivnih aktivnosti kao što je hodanje s jednog kraja skladišta na drugi. Očito, to poboljšava produktivnost, ali također je lakše zadržati dobre ljude ako ne provode pola svog vremena besposleni, a drugu polovicu u bjesomučnoj žurbi, zbog čega se osoblje može osjećati umorno i podcijenjeno.
4. Točnije izvješćivanje i analitika
Balloon je aktivno uključen u primjenu umjetne inteligencije u prostoru opskrbnog lanca. Aktivnost u sektoru brzo raste. Treba imati na umu da je svačije okruženje različito, posebno među malim i srednjim poduzećima, što je jedan od razloga zašto je sposobnost umjetne inteligencije da uči iz situacije, umjesto da samo obrađuje algoritam izveden izvana, tako privlačna. Još jedno razmatranje je to što je mnogo podataka temeljeno na tekstu, tako da je jedna od stvari koju radimo povlačenje podataka iz više izvora u Microsoftov analitički paket s modelom podataka koji govori sustavu kako povezati podatke s različitim objektima. Možemo izraditi nadzornu ploču i povrh toga možemo slojiti neke funkcije tipa ChatGPT – 'pokaži mi tortni grafikon odabira mog osoblja po danu i po osobi' – tako da menadžeri ne moraju tražiti od IT-a da im izradi izvješće.
Sustavi koji se temelje na umjetnoj inteligenciji mogu uvelike smanjiti troškove i teret ručnog vođenja zapisa i analitike, a da ne spominjemo uklanjanje (ili barem otkrivanje) grešaka koje neizbježno nastaju u ručnim sustavima. U konačnici bi čak moglo doći do ušteda u integraciji svih različitih sustava koje koriste skladišne i distribucijske operacije: umjetna inteligencija bi možda mogla 'naučiti' kako prenijeti podatke iz jednog sustava u drugi, unatoč naizgled nekompatibilnim formatima, umjesto da netko naporno radi napisati kod za svaku mogućnost.
5. Poboljšano prepoznavanje slika i smanjeno ponovno unošenje ključeva
AI već čini razliku ovdje, na primjer u unosu podataka, uključujući optičko prepoznavanje znakova i slikeskeniranje– pronalaženje smisla, povezivanje s drugim elementima u sustavu, a posebno u traženju pogrešaka i odstupanja. To bi mogla biti količinska razlika između prodajne narudžbe i relevantne otpremnice; ili to može biti adresa za isporuku koja ne postoji ili nema smisla: u tom slučaju možda je moguće konfigurirati AI da daje inteligentne prijedloge o tome koja bi adresa trebala biti, prije nego što vozač dostave krene na divlju gusku loviti.
Dakle, puno se toga događa s umjetnom inteligencijom u okruženju skladišta. Trenutačno je krajolik šarenilo malih razvoja koji pomažu ljudima da uklope dijelove umjetne inteligencije u svoje operacije, često za početak samo uklanjanjem manjih dijelova rada na sučeljima između sustava, gdje se, na primjer, očituju razlike u podacima. Ali ovaj patchwork će se sigurno spojiti u prilično kratkom roku.
To je u skladu s Balloonovim vlastitim pristupom prema kojem naš tim za inovacije cilja na male džepove napredne funkcionalnosti, a klasteriranje je jedno od prvih i ono gdje smo već vidjeli velike dobitke učinkovitosti na stranicama korisnika.
Upravljanje skladištem karakterizira više unosa podataka i više mogućih odluka i izlaznih scenarija. Oni su izvan sposobnosti ljudskih menadžera da optimiziraju robusno i na vrijeme, dok se tradicionalni algoritamski pristupi oslanjaju na pretpostavke i pojednostavljenja koja često nisu uvijek ili u potpunosti valjana. U međuvremenu, oskudna radna snaga možda sjedi i čeka da im se kaže što da rade. AI obećava pružiti alate za rješavanje ovih problema.
