Mindenki a mesterséges intelligenciáról beszél, de milyen lehetséges alkalmazásai lehetnek a raktározásban és az ellátási láncban? Edward Napier-Fenning, a vezető ellátási lánc szoftvercég értékesítési és marketing igazgatójaBallonöt kulcsfontosságú területet tár fel, amelyek növelhetik a teljesítményt – beleértve az útvonaltervezést, a komissiózást, a munkaerő-gazdálkodási jelentéskészítést és az adatbevitelt.
Egészen hirtelen a mesterséges intelligencia (AI) mindenhol megjelenik. Mint sok más forradalmi technológia korai napjaiban, sok a túlkövetelés, és sok az, amit jelenleg „AI-képes”-ként emlegetnek, valójában csak logikai logikát követő, igen gyors és nagyon okos algoritmusok sorozata. az emberek által kitalált utak. A hatalmas mennyiségű „nagy adat” villámgyors feldolgozásának képessége lenyűgöző és rendkívül értékes, de önmagában még nem minősül mesterséges intelligenciának. A valódi mesterséges intelligencia képes tanulni a múltbeli adatokból és a jelenlegi tevékenységekből, és bizonyos értelemben átírja saját algoritmusait.
Az AI fejlődési üteme egyre gyorsul, és a raktározásban és a logisztikában már láthatunk néhány kulcsfontosságú területet, ahol alkalmazható.
1. Továbbfejlesztett útvonaltervezés
A sofőr eddig fix útvonalon indult el, esetleg egy rendes körrel, vagy egy-két nappal korábban tervezett, és csak rajta múlik, hogy balesetre, forgalmi dugóra vagy egyéb eseményre a legjobb választ találja ki. ahogy és amikor ezek felmerülnek. Mostantól a forgalomirányítás valós időben összekapcsolható olyan erőforrásokkal, mint például a Google, amely nem csak az aktuális probléma megoldását dolgozza ki, hanem a tanulási képessége segítségével megjósolja, hol várható a torlódás, ami furcsa módon gyakran nem a helyén van. a tényleges esemény helyszíne. Ez határozottabb elkerülési javaslatot tesz lehetővé, és segít a raktárba és onnan történő szállítások ütemezésében tartani.
Ez az útvonaltervezési megközelítés a dinamikus terhelésépítéssel párhuzamosan működhet. Jelenleg nincs teljes rendelési fájl a nap elején, vagy azon a ponton, ahol a járművezetőket és az útvonalakat rögzíteni kell a másnapi műveletekhez. Az útvonal ezért tartalmazhat olyan úti célokat, ahol valójában nincs ugrás, vagy kihagyhat olyan ugrásokat, amelyeket hasznosan meg lehetett volna tenni. Az intelligens rendszerek folyamatosan újratervezhetik, módosíthatják és optimalizálhatják az útvonalakat, ahogy a rendelési profil kialakul. Ez pedig segítséget nyújthat a következő témához, a hatékony komissiózáshoz, aminek természetesen megvannak a maga útvonal- és útválasztási problémái.
2. Hatékony szedés
Az ellátási láncban a mesterséges intelligencia körüli zaj nagy része olyan problémákkal kapcsolatos, mint a készletezés és a rendelés. A fejlesztés itt egyértelműen fontos, de még alig kezdtünk hozzányúlni a raktár hatékonyabb működtetésének módjához, ami igazán nagy munkaerő- és adminisztrációs költségeket rejt magában – valamint potenciális megtakarításokat.
A raktározási folyamatok optimalizálása forró téma, bár ez a legalacsonyabb szinten nem jelent többet, mint a rendelések sorozatba rendezése és munkablokkokra bontása. Jó, hogy ezt nagyon gyorsan megtehetjük, de az igazi mesterséges intelligencia kezd intelligensebben szemlélni az egész helyzetet: hol van az áru a raktárban, milyen árukat lehet és nem lehet kombinálni egy adott kocsin vagy konténeren ( és hol vannak ezek a konténerek), mik a prioritási sorrendek (amely egyértelmű hivatkozásokkal rendelkezik a fenti útválasztási kérdéshez), és így a lehető leghatékonyabb pick-rutinokat építi fel.
A mesterséges intelligencia képes lesz javítani a komissiózási stratégiák kiválasztásán és működésén – és az optimum az áru típusától, vagy akár a napszaktól függően változhat. A stratégiák sokfélék: például a kötegelt komissiózás, amely magában foglalja az útvonal bejárását, egy cikkszám kiválasztását egy rendelési köteghez. Vagy lehet zónás vagy „fürt” komissiózás, ahol az operátor kiválasztja az összes SKU-t egy „zónában” egy rendelési köteghez, és a tote (az operátorral vagy anélkül) továbblép a következő zónába.
A klaszteres komissiózás általában hatékonyabb, de megköveteli az áruk raktárbeli elrendezésének optimalizálását, így a legvalószínűbb, hogy ugyanazon rendelésekben előforduló áruk csoportosulnak, és a rendelések hasonló profilok köré csoportosulnak. Ez azt is jelenti, hogy a rendelések felvétele nem feltétlenül szigorúan időrendi sorrendben történik, azaz a szállítási útvonal indulási időpontjai szerint, és így ki vannak téve a torlódások késésének, talán a szűk folyosók miatt, vagy a gyalogosok elválasztásának szükségessége miatt a teherautóktól és egyéb gépek.
A Pets Corner klienssel együttműködve a Balloon egy általános célú rendelés-fürtözési modellt fejlesztett ki, amely felhő alapú webes funkcióként is működhet. Az új technika 38%-kal felgyorsította a rendelési hullám felvételéhez szükséges időt. Ez a megközelítés nem használ szigorúan semmilyen kifejlesztett mesterséges intelligenciát, de könnyen beláthatjuk, hogy az AI további jelentős fejlesztéseket tehet lehetővé mind a komissiózás elrendezésében és működésében, mind pedig a megrendelésekhez legmegfelelőbb stratégia kiválasztásában. Dolgozunk például azon, hogy miként lehetne ezt a megközelítést kiterjeszteni a többsoros rendelésekre, és hogy a raktár különböző helyein legyenek „kiindulási pontok” az útvonalak komissiózásához. Ez gyorsan bonyolulttá válik, és az AI nagyon hasznos lesz a dolgok megoldásában.
A hatékonyság egyik forrása, hogy a műveleteket nem kell annyira „szabványos” folyamatokhoz kötni, amelyekre néha nincs is szükség. Egy kisebb példa néhány munkánk, amelyet nemrégiben végeztünk a Birlea számára. Ez a cég egy hagyományos eljárást alkalmazott, amelynek során a felvett árukat „WMS” címkével látják el, amelyen látható a hozzárendelésük sorrendje, és továbbküldik ellenőrzésre és újracsomagolásra, majd egy másik „fuvarozó” címkét kapnak. De bútoraik nem igényelnek ellenőrzést vagy újracsomagolást. Lehetségesnek bizonyult ezen áruk WMS-címkéjének megszüntetése, és az SQL átprogramozása úgy, hogy a rendszer azt gondolja, hogy a hordozócímke az a WMS-címke, amelyet ekkor várt. Ez önmagában nem igényel mesterséges intelligenciát, de könnyen elképzelhető olyan AI-rendszer, amely megtanulja felismerni, hogy egy adott elem esetében bizonyos folyamatok redundánsak, és kiküszöbölhetők – anélkül, hogy fennállna annak a veszélye, hogy egy emberi kezelő rosszul hív.
3. Hatékonyabb munkaerő-gazdálkodás
A jelenlegi körülmények között a hatékonyság növelésének legnagyobb kihívása a szűkös és drága munkaerő elosztása. A jó raktárkezelő szoftverrel (WMS) és más rendszerekkel rendelkező létesítményeknek nagy mennyiségű adattal kell rendelkezniük a végétől a végéig: mi történik a fogadás, az elrakás, a komissiózás, az utánpótlás és így tovább. Ennek meg kell mondania az üzemeltetőnek, hova kell helyeznie az embereit, de ez bonyolult. Egy hagyományos WMS ezt egy bizonyos pontig kezeli, de nagymértékben támaszkodik az adatok létrehozására, bevitelére és karbantartására, a munkaelemek szokásos időpontjaitól kezdve egészen addig, hogy ki végezhet bizonyos feladatokat, és így tovább.
Bizonyos mértékig már hatékonyabban tudjuk felosztani az árukat, tevékenységeket és erőforrásokat a múltbeli feljegyzések és az aktuális adatrögzítés segítségével, amivel összetettebb munkaerő-gazdálkodási modelleket teszünk lehetővé. A mesterséges intelligencia azonban minden bizonnyal további hozzájárulást jelenthet a különböző forrásokból származó adatok kinyeréséhez és azok értelmezéséhez.
A hatékony telepítés még fontosabbá válik, ahogy a vállalatok „kobotok” – az emberekkel együttműködő gépek – formájában alkalmazzák a robotikát. Ez talán különösen fontos a kkv-k számára, akik egyre inkább megengedhetik maguknak az ilyen típusú automatizálást, és sokkal rugalmasabbnak kell lenniük, mint a nagy műveletek által üzemeltetett nagy „áru-személyek” automatizált rendszerek. Például a dolgozók „címkézhetők” egy Bluetooth-eszközzel, hogy megtalálják őket a robot jelenlegi vagy tervezett pozíciójához, valamint az elsőbbségi rendelések helyzetéhez és aktuális állapotához képest, de ennek teljes kihasználásához intelligens rendszerekre van szükség.
Nem látjuk, hogy a mesterséges intelligencia a munkaerő-hatékonyság javítására elsősorban a létszám csökkentését szolgálja. Inkább a „holtidő” és a nem produktív tevékenységek, például a raktár egyik végéből a másikba járás megszüntetéséről van szó. Ez nyilvánvalóan javítja a termelékenységet, de könnyebb megtartani a jó embereket, ha nem töltik idejük felét tétlenül, a másik felét pedig eszeveszett rohanásban, ami miatt a személyzet fáradtnak és alulértékeltnek érezheti magát.
4. Pontosabb jelentéskészítés és elemzés
A Balloon aktívan részt vesz az AI alkalmazásában az ellátási lánc területén. Az ágazat tevékenysége gyorsan növekszik. Nem szabad megfeledkezni arról, hogy mindenkinek más a környezete, különösen a kkv-k körében, ami az egyik oka annak, hogy az AI képessége, hogy tanuljon a helyzetből, ahelyett, hogy csupán egy kívülről származó algoritmust dolgozna fel, olyan vonzó. Egy másik szempont, hogy az adatok nagy része szöveges alapú, így az egyik dolog, amit teszünk, hogy több forrásból származó adatokat gyűjtünk be egy olyan adatmodellel rendelkező Microsoft elemzőcsomagba, amely megmondja a rendszernek, hogyan kapcsolja össze az adatokat a különböző objektumokkal. Létrehozhatunk egy irányítópultot, és ezen felül rétegezhetünk néhány ChatGPT-típusú funkcionalitást – „mutasson kördiagramot a munkatársaim napról és személyre szabott válogatásáról” –, így a menedzsereknek nem kell az IT-t felkérniük a jelentés elkészítéséhez.
A mesterséges intelligencia alapú rendszerek a kézi nyilvántartások és elemzések költségeit és terheit jelentősen megnövelhetik, nem is beszélve a manuális rendszerekben elkerülhetetlenül felmerülő hibák kiküszöböléséről (vagy legalább észleléséről). Végső soron még a raktározási és elosztási műveletek által használt különféle rendszerek integrálása is megtakarítható: a mesterséges intelligencia képes lehet „megtanulni”, hogyan lehet adatokat átvinni egyik rendszerből a másikba, a látszólag nem kompatibilis formátumok ellenére, ahelyett, hogy valaki fáradságos munkát végezne. írjon kódot minden eshetőségre.
#Teherfuvarozó #ajtóig #Amazon #Export #Légifuvarozás #Jordánhajózás #Kínafuvarozás Jordániába #Jordanai légifuvarozás #Jordánkereskedés #Jordánia #Aqabashipping
Szállítmányozó 3 pl dropshipping DoortoDoor AirFreight ügynök Jordánia szállítmányozási ügynök Kínában szállítmányozási ügynök teljesítési központ
kapoklog logisztikai légi teherszállítás Kínából az Egyesült Királyságba DoortoDoor Amazon ExportAirFreight Jordánia kínai szállítás Jordan Jordan légi teherhajóba
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, szaúdi légi és tengeri háztól házig szolgáltatás
#kínaibeszerzőügynök #kínahajózási ügynök #kínai szállítmányozás #kínahajózásilogisztika
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双渦 #巴坦咖双渦 #巴势 #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 logisztika Szaúd-Arábia egyedi vámot fizetett háztól házig DDP
DDP Kína Szaúd-Arábiába
Shenzhen kapoklog logisztika Dubai vámkezelés háztól házig szolgáltatás DDP
DDP Kínából Dubaiba
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logisztikai Katar vámkezelés háztól házig DDP vonal
DDP Kínából Katarba
Shenzhen kapoklog logisztika Pakisztán DDP
DDP Kína Pakisztánba
Shenzhen kapoklog logisztika Jordánia vámkezelés háztól házig DDP Kína Jordánia
Shenzhen kapokloglogistics Egypt dupla vámkezelés háztól házig DDP
Shenzhen kapoklog logisztikai Jeddah vámkezelés , Jeddah DDP , Kína - Jeddah DDP szállítás
Shenzhen Kapoklog logisztika Omán ddp, Kína Omán DDP, Omán szállítási DDP
Shenzhen kapoklog Irak vámkezelés, Kínából Irakba DDP
Shenzhen Kapoklog logisztika Izrael vámkezelés DDP , Kína - Izrael háztól házig , Izrael háztól házig , Kína Izrael DDP
5. Továbbfejlesztett képfelismerés és csökkentett újrakulcsolás
Az AI már itt is jelentős változást hoz, például az adatbevitelben, beleértve az optikai karakterfelismerést és a képetszkennelés– értelmessé tétele, a rendszer más elemeihez való viszonyítása, különösen a hibák és eltérések felkutatása. Ez mennyiségi különbség lehet egy értékesítési rendelés és a vonatkozó komissiólevél között; vagy lehet, hogy nem létezik vagy értelmetlen kézbesítési cím: ebben az esetben be lehet állítani az AI-t, hogy intelligens javaslatokat tegyen a címmel kapcsolatban, mielőtt a kézbesítési illesztőprogram elindulna egy vadlibán. üldözés.
Tehát sok minden történik az AI-val a raktári környezetben. Jelenleg a táj apró fejlesztések foltja, amelyek segítenek az embereknek a mesterséges intelligencia darabjait a működésükhöz illeszteni, gyakran azzal, hogy kiküszöbölik a kisebb munkákat a rendszerek közötti interfészeken, ahol például az adatok eltérései nyilvánulnak meg. De ez a patchwork bizonyosan rövid időn belül egyesül.
Ez összhangban van a Balloon saját megközelítésével, amely szerint innovációs csapatunk a fejlett funkcionalitás kis zsebeit célozza meg, a klaszterezés az elsők között van, és ahol már jelentős hatékonyságnövekedést tapasztaltunk az ügyfelek webhelyein.
A raktárkezelést több adatbevitel és többféle lehetséges döntés és kimeneti forgatókönyv jellemzi. Ezek meghaladják az emberi menedzserek robusztus és időben történő optimalizálási képességét, míg a hagyományos algoritmikus megközelítések olyan feltételezéseken és egyszerűsítéseken alapulnak, amelyek gyakran nem mindig vagy teljesen érvényesek. Eközben szűkös munkaerő ülhet és várja, hogy megmondják, mit kell tennie. Az AI megígéri, hogy eszközöket biztosít ezeknek a problémáknak a megoldásához.
