שילוב בינה מלאכותית ולמידת מכונה בלוגיסטיקה של מחסנים - התפתחויות גלובליות בגרמניה, האיחוד האירופי, ארה"ב ויפן

עתיד הלוגיסטיקה של מחסנים: תהליכים מונעי בינה מלאכותית לפרודוקטיביות מרבית

בינה מלאכותית (AI) מתייחסת ליכולתן של מכונות או תוכנות לבצע משימות שבדרך כלל דורשות בינה אנושית - כגון חשיבה לוגית, למידה, תכנון או פתרון בעיות יצירתי. בעיקרו של דבר, מדובר במערכות מחשב המסוגלות להסיק מסקנות מנתונים ולקבל החלטות, במקום פשוט לפעול לפי כללים מוגדרים מראש. למידת מכונה (ML) היא תת-תחום של בינה מלאכותית שבו אלגוריתמים מזהים באופן עצמאי דפוסים על ידי ניתוח כמויות גדולות של נתונים ומתאימים את התנהגותם בהתאם. במילים פשוטות, מערכת למידה חישובית לומדת מניסיון: היא "מאומנת" עם נתונים היסטוריים ויכולה לאחר מכן לבצע תחזיות או החלטות על סמך נתונים חדשים ולא ידועים. זה מאפשר לבינה מלאכותית לשפר ללא הרף את התחזיות והביצועים שלה מבלי שיהיה צורך לתכנת אותה במפורש על ידי בני אדם עבור כל מקרה בנפרד.

בלוגיסטיקה - ובמיוחד בלוגיסטיקה של מחסנים - בינה מלאכותית ולמידת מכונה פותחות אפשרויות אדירות. תעשיית הלוגיסטיקה בעלת רשתות נרחבות ומייצרת כמויות אדירות של נתונים, מה שהופך אותה לתחום יישום אידיאלי עבור בינה מלאכותית. אלגוריתמים חכמים יכולים, למשל, לחזות נפחי הזמנות עתידיים, לחשב מסלולים אופטימליים או לשלוט בתהליכי מחסן מורכבים. מערכות לומדות עצמית יכולות לקבל החלטות מהר יותר ולעתים קרובות בצורה מדויקת יותר מבני אדם, במיוחד כשמדובר בעיבוד כמויות גדולות של נתונים בזמן אמת. לכן, טכנולוגיות בינה מלאכותית משמשות בתחומים שונים של מחסנים מודרניים - החל מניהול מלאי וליקוט הזמנות ועד בקרת הובלה בתוך המחסן.

באופן כללי, בינה מלאכותית במחסן מחקה למעשה את "החשיבה" של מנהל מחסן מנוסה מאוד, רק עם גישה לנתונים רבים יותר. לדוגמה, מערכות בינה מלאכותית יכולות לזהות אילו פריטים נמכרים היטב ומתי, כיצד לאחסן סחורות בצורה היעילה ביותר, או אילו מסלולים מלגזה צריכה לקחת כדי לחסוך זמן. החלטות אוטומטיות אלו, המבוססות על נתונים, מהוות את הבסיס לשילוב הגובר של בינה מלאכותית ולמידת מכונה בלוגיסטיקה של מחסן.

אופטימיזציה של תהליכי מחסן באמצעות בינה מלאכותית

אחד היתרונות הגדולים ביותר של בינה מלאכותית בלוגיסטיקה של מחסנים הוא אופטימיזציה של תהליכים קיימים. מחסנים מסתמכים על זרימה מתמדת של מידע - לדוגמה, נתוני מלאי, נתוני הזמנות או מידע על מיקום סחורות. במקרים בהם בני אדם נוטים לטעויות או בעלי יכולות עיבוד מידע מוגבלות, בינה מלאכותית מספקת דיוק ומהירות. לדוגמה, בינה מלאכותית יכולה לספק ולנתח נתונים בזמן אמת, מה שמאפשר זיהוי ותיקון מהירים יותר של שגיאות לפני שהן גורמות לבעיות. ניתן להפוך משימות שגרתיות כמו בדיקת רמות מלאי או רישום סחורות נכנסות לאוטומטיות, ובכך להקל על הנטל על העובדים.

מערכות בינה מלאכותית יכולות גם לזהות דפוסים בתהליכי מחסן שעשויים לחמוק מעין האדם. באמצעות ניתוח נתונים זה, המערכת משיגה הבנה טובה יותר של המצב הנוכחי במחסן, מזהה צווארי בקבוק או חוסר יעילות ומציעה שיפורים. דוגמה מעשית היא אופטימיזציה של מסלולים: אלגוריתמים יכולים לנתח ולמטב את מסלולי ההליכה של עובדי מחסן או ציוד טיפול בחומרים (למשל, מלגזות). לדוגמה, רשימות איסוף ממוינות כך שהעובדים ילכו בדרך הקצרה ביותר האפשרית דרך המחסן. זה מקטין את זמני הנסיעה ומאפשר להרכיב הזמנות מהר יותר. באופן דומה, פונקציות בינה מלאכותית יכולות לקבוע את מיקום האחסון הטוב ביותר עבור כל מוצר - בהתבסס על גודלו, קצב התחלופה וגורמים אחרים - כדי להפוך את האחסון והאחזור ליעילים יותר.

היבט חשוב נוסף הוא צמצום שגיאות ושיפור האיכות. מערכות זיהוי תמונה המופעלות על ידי בינה מלאכותית יכולות, לדוגמה, לסרוק חבילות עם קבלתן ולבדוק את מצבן ומידותיהן. זה מאפשר זיהוי מיידי של נזק או פריטים שתויגו בצורה שגויה. בקרות איכות אוטומטיות כאלה מבטיחות שבעיות נפתרות מוקדם בתהליך ולא מתפשטות לכל אורך שרשרת האספקה. יתר על כן, הבינה המלאכותית לומדת לאורך זמן: בעוד שגיאות עשויות להתרחש בהתחלה, טכניקות למידת מכונה משפרות ללא הרף את זיהוי התמונה, ומפחיתות בהתמדה את שיעור השגיאות.

כל האופטימיזציות הללו מובילות בסופו של דבר לעלייה בפריון ולהורדת עלויות בפעילות המחסן. רובוטים ומערכות בינה מלאכותית יכולים לבצע משימות מסוימות מהר יותר ובדייקנות רבה יותר מבני אדם, ובכך להגביר את הפריון. במקביל, ניתוח אלגוריתמי של נתוני המחסן מאפשר החלטות אסטרטגיות טובות יותר - למשל, בתכנון כוח אדם ומשאבים - מה שהופך תהליכים כוללים ליעילים יותר. פתרונות בינה מלאכותית יכולים לנטר באופן רציף את הפעילות, לנתח סיכונים ולפעול באופן יזום (למשל, לזהות צוואר בקבוק מתקרב ולנקוט באמצעי נגד). בסך הכל, זה משפר את השקיפות במחסן, ובעיות מזוהות לעתים קרובות עוד לפני שהן מתעוררות. כל זה תורם להפחתת עלויות, שכן מחסן יעיל יותר מייצר פחות פסולת, מוריד עלויות שגיאות ומנצל באופן אופטימלי את זמן העבודה. על פי תחזיות מומחים, טכנולוגיות בינה מלאכותית יכולות להגביר את היעילות בתעשיית הלוגיסטיקה בסדרי גודל משמעותיים בשנים הקרובות - Accenture, למשל, מעריכה עלייה ביעילות של למעלה מ-40% עד 2035.

לסיכום, בינה מלאכותית מגבירה את המהירות, הדיוק והגמישות של תהליכי מחסן. זה נע בין איתור ומשלוח מהירים יותר של מוצרים, דרך מזעור פערים במלאי ותיאום טוב יותר עם תחומים אחרים בשרשרת האספקה. עבור חברות, משמעות הדבר היא יעילות גבוהה יותר במחסן תוך הפחתה בו זמנית של עובדים ממשימות מונוטוניות או מורכבות.

קשור לזה:

• המחסן בקצה גבול היכולת שלו? אוטומציה של מחסן: אופטימיזציה של מחסן לעומת שיפוץ - ההחלטה הנכונה עבור המחסן שלך

חיזוי ביקוש וניהול מלאי באמצעות ML

יישום מרכזי של למידת מכונה בלוגיסטיקה של מחסנים הוא חיזוי ביקוש. משמעות הדבר היא חיזוי ביקוש עתידי - במילים אחרות, השאלה: איזה מוצר יידרש, מתי ובאיזו כמות? מענה מדויק לשאלה זו הוא בעל ערך רב, שכן הוא מאפשר ניהול מלאי אופטימלי. מלאי רב מדי כובל הון ושטח אחסון שלא לצורך, בעוד שמלאי קטן מדי מוביל לצווארי בקבוק באספקה ​​וללקוחות לא מרוצים. מערכות מבוססות בינה מלאכותית יכולות למתן דילמה זו על ידי ביצוע תחזיות מדויקות ביותר המבוססות על מערכי נתונים גדולים.

מודלים מודרניים של למידת מכונה מנתחים נתוני מכירות היסטוריים, תנודות עונתיות, הזמנות נוכחיות, קמפיינים שיווקיים, מגמות במדיה חברתית וגורמים משפיעים רבים אחרים. מכאן, הם לומדים דפוסים וקורלציות. מערכת כזו יכולה, למשל, לזהות שמכירות של פריטים מסוימים עולות ברגע שאירוע מסוים מתקרב (לדוגמה, הביקוש לפחמי ברביקיו עולה לפני סופי שבוע בקיץ). בהתבסס על דפוסים כאלה, הבינה המלאכותית מנבאת אוטומטית אילו כמויות של סחורות יש לספק לאיזה מיקום ובאיזו שעה. תחזיות אלו עוזרות לחברות להתאים את רמות המלאי שלהן כדי לענות על הביקוש. באופן ספציפי, משמעות הדבר היא שאם ניתן לצפות שהביקוש למוצר יגדל בקרוב, הבינה המלאכותית מבטיחה שהאספקה ​​מוזמנת וזמינה במחסן בזמן. לעומת זאת, היא מפיקה אזהרה אם הביקוש למוצר צפוי לרדת, ובכך מונעת עודף מלאי וייצור יתר.

דוגמה מעשית לכך היא קמעונאית המכירות המקוונת הגרמנית OTTO. מאז 2019, החברה משתמשת במערכת חיזוי מכירות קניינית המופעלת על ידי בינה מלאכותית. מערכת זו בוחנת למעשה את עתיד המכירות ותומכת בכל התהליכים הרלוונטיים - החל מרכישה ואחסנה ועד למשלוח. תחזיות הבינה המלאכותית מראות ל-OTTO בדיוק אילו פריטים יגיעו למחסן ומתי, כמו גם את נפח המכירות הצפוי בכל זמן נתון. בהתבסס על מידע זה, OTTO מחליטה האם ובאיזו כמות יש לרכוש פריט וכיצד יש לחלק אותו. לדוגמה, הבינה המלאכותית קובעת האם יש לשמור מוצר במלאי או לשלוח אותו ישירות מהיצרן ללקוח בעת הצורך. לפיכך, לתחזית יש השפעה ישירה על הרכישה, האחסנה וההפצה. התוצאה: רק הסחורות הנדרשות בפועל נשמרות במלאי, מה שמפחית עודף יקר ומכירות לאחר מכן בהנחות. במקביל, התחזיות מבטיחות שהפריטים יהיו זמינים ברגע שהביקוש עולה, כך שלא יתפספסו הזדמנויות מכירה. הודות לבינה מלאכותית זו, OTTO מזמינה כעת מחדש באופן אוטומטי 35% ממגוון המוצרים שלה מבלי להזדקק להזמנה ידנית על ידי אדם - הוכחה עד כמה התחזיות עובדות היטב.

חברות אחרות משתמשות גם באופטימיזציה של מלאי המונעת על ידי בינה מלאכותית. DHL, לדוגמה, מדווחת שמערכות בינה מלאכותית יכולות להשוות ביקוש ורמות מלאי בזמן אמת וליזום הזמנות חוזרות באופן אוטומטי. הן אף מסוגלות לחזות ביקוש שיא כדי למנוע גם חוסר במלאי וגם עודף מלאי. זה מבטיח אספקה ​​מהירה ללקוחות מכיוון שתמיד יש מספיק מלאי בהישג יד, תוך ביטול מלאי חיץ מיותר שעלול לגרום לעלויות.

חיזוי ביקוש באמצעות למידת מכונה משפיע לא רק על המלאי של החברה עצמה, אלא גם על כל שרשרת האספקה ​​שלה. תחזיות מדויקות מאפשרות, למשל, לשלוח סחורות למרכזי הפצה אזוריים מראש, עוד לפני קבלת ההזמנות. OTTO, למשל, יוצרת תחזיות אזוריות כדי לחזות אילו מוצרים יוזמנו היכן ובאיזה כמויות. פריטים אלה מועברים באופן יזום למחסן סמוך. זה מקצר את זמני האספקה ​​ומפחית מרחקי הובלה, מה שגם מפחית את פליטות ה-CO₂.

לסיכום, תכנון ביקוש המופעל על ידי בינה מלאכותית מוביל לניהול מלאי יעיל יותר: תמיד יש את המוצר הנכון בכמות הנכונה ובזמן הנכון. זה מאפשר לחברות להימנע מצווארי בקבוק באספקה, להגביר את שביעות רצון הלקוחות ובו זמנית להפחית את עלויות האחסון. עבור לוגיסטיקת מחסנים, משמעות הדבר היא פחות פעולות "כיבוי אש" כדי לפתור מחסור פתאומי, מכיוון שבינה מלאכותית צפויה לזהות ולנהל מצבים כאלה מוקדם. בתקופות של התנהגות לקוחות תנודתית יותר ויותר (חשבו על פריחת המסחר האלקטרוני, שיאים עונתיים עקב מבצעים מקוונים וכו'), ניהול פרואקטיבי זה הופך ליתרון תחרותי מכריע.

אוטומציה ורובוטיקה במחסן

תחום בולט במיוחד של שילוב בינה מלאכותית הוא אוטומציה באמצעות רובוטיקה במחסנים. מחסנים מודרניים מסתמכים יותר ויותר על מכונות חכמות שיכולות להזיז, להרים, למיין או לארוז סחורות - לעתים קרובות נשלטות או נתמכות על ידי בינה מלאכותית. רובוטי מחסן אלה מקלים על עובדים אנושיים, במיוחד ממשימות תובעניות פיזית, מונוטוניות או קריטיות לזמן.

דוגמה אחת היא כלי רכב אוטונומיים במחסנים, המכונים גם AGV (Automated Guided Vehicles) או AMR (Autonomous Mobile Robots). כלי רכב אלה - החל מרובוטים קטנים ושטוחים ועד מלגזות אוטומטיות - יכולים להעביר משטחים, קופסאות או פריטים בודדים מנקודה א' לנקודה ב' באופן עצמאי לחלוטין. זה מתאפשר הודות לחיישנים, מצלמות ומערכות ניווט, בשילוב עם אלגוריתמים של בינה מלאכותית לתכנון מסלולים. הרובוטים "רואים" את סביבתם, מזהים מכשולים ומוצאים את המסלול הטוב ביותר ליעדם. בינה מלאכותית מאפשרת לרכבים אלה להגיב לשינויים בזמן אמת - למשל, לנווט סביב מכשול המופיע לפתע במעבר - תוך שמירה על המסלול האופטימלי. במחסנים רבים, נושאי מטען אוטונומיים כאלה כבר קיימים: הם מעבירים סחורות בין מיקומי אחסון, ממלאים מלאי על המדפים, אוספים פריטים להזמנות של לקוחות (איסוף הזמנות אוטומטי) או מעבירים הזמנות שהושלמו לתחנת המשלוח. זה פוטר מעובדים אנושיים מרחקי הליכה ארוכים ומשימות הובלה, ומאפשר להם להתמקד בפעילויות תובעניות יותר.

יישום נוסף של רובוטיקה הוא רובוטי ליקוט הנשלטים על ידי בינה מלאכותית. אלו הם רובוטים נייחים או ניידים עם זרועות אחיזה שיכולות לאסוף פריטים מהמדפים. באמצעות עיבוד תמונה (מצלמות ותוכנת בינה מלאכותית), רובוט כזה מזהה את הפריט הנכון וקוטף את הכמות הנדרשת. קיימות כבר מערכות בהן רובוטים קוטפים חלקים בודדים: הרובוט מקבל פקודה ממערכת ניהול המחסן, למשל, לקטוף 5 יחידות של פריט X. הוא מנווט (אם נייד) לתא המתאים, מזהה את הפריט ויזואלית וקוטף אותו במדויק. חיישני משקל מאמתים שהכמות הנכונה נקטפה, והבינה המלאכותית מאשרת שוב את זהות הפריט באמצעות זיהוי תמונה. מערכות כאלה פועלות לעתים קרובות באזורים נפרדים או בלילה כדי להכין הזמנות מסביב לשעון. מערכות אוטומציה מורכבות יותר, כגון מערכות ליקוט אוטומטיות (מחסנים אוטומטיים), משמשות גם כן - כאן, פריטים שונים מאוחסנים במיכלים או במגלשות, ולפי דרישה, המערכת מעבירה אוטומטית את הפריט הרצוי למיכל חלוקה.

אמזון התפרסמה בהקשר זה: החברה מסתמכת במידה רבה על רובוטי מחסן מזה כעשור. במחסני אמזון, אלפי רובוטים כתומים קטנים (לשעבר של Kiva Systems) מעבירים מודולי מדפים שלמים ברחבי המחסן ישירות לאוספי הזמנות אנושיים. בקרת בינה מלאכותית חכמה מתאמת את המדפים הרובוטיים הללו בצורה כה יעילה, עד שמרחקי הנסיעה של העובדים ממוזערים. מחקר פנימי של אמזון הראה כי תיאום זה, המותאם לבינה מלאכותית, מוביל לחיסכון עצום - אמזון חוסכת כחצי מיליארד דולר בשנה מכיוון שהרובוטים מספקים סחורות לעובדים מהר וביעילות רבה יותר. הבינה המלאכותית מחשבת כל הזמן אילו מודולי מדפים צריכים להימסר ליד איזה עובד כדי לעבד הזמנות בצורה אופטימלית. התוצאה: מימוש מהיר יותר של הזמנות לקוחות בעלות נמוכה יותר.

רובוטים למיון ואריזה הופכים גם הם לתופעה נפוצה. בכמה מרכזי חבילות של DHL, לדוגמה, רובוטים כבר לוקחים חבילות מהמסוע וממיינים אותן לתאים עבור נתיבי המשלוח המתאימים. רובוטים אלה, המכונים DHLBots, מונעים על ידי בינה מלאכותית וגמישים - מצוידים במצלמות תלת מימד, הם מזהים את גודל וצורת המשלוחים, סורקים ברקודים ומחליטים באופן אוטונומי לאיזה תא שייכת חבילה. לכן, הם הרבה יותר מרובוטים תעשייתיים קשיחים; הם יכולים להתמודד עם מגוון רחב של גדלי חבילות ולהסתגל לתהליכים משתנים. בפועל, משמעות הדבר היא שחבילות ממוינות מראש מהר יותר ומדויק יותר, מה שמאיץ את המשלוח עד למייל האחרון.

מבחינה בינלאומית, ישנן דוגמאות רבות ומרגשות. במרכז הלוגיסטי של ענקית המסחר האלקטרוני הסינית עליבאבא (ליתר דיוק, חברת הבת הלוגיסטית שלה, קיינייאו), הוקם מחסן אוטומטי ביותר שבו רובוטים מבצעים כ-70% מהעבודה. כ-60 רובוטים ניידים - המכונים מקומית "ז'ו קווה" - מעבירים סחורות לתחנות האריזה במחסן בשטח של 3,000 מ"ר, ובכך משלשים את הפרודוקטיביות. עובד מחסן אנושי אוסף בדרך כלל כ-1,500 פריטים במשמרת - בעזרת הרובוטים, מספר זה עולה ל-3,000 פריטים, עם מרחק הליכה קצר משמעותית. בינה מלאכותית מבטיחה שהרובוטים יעבדו יחד ביעילות, ימנעו מלהפריע זה לזה, ותמיד יספקו את הפריט הבא לתחנת האיסוף בדיוק ברגע הנכון. מחסן עליבאבא זה מדגים מה אפשרי מבחינה טכנית כאשר לוגיסטיקת המחסן אוטומטית כמעט לחלוטין: עובדים כמעט ולא צריכים ללכת במעברים יותר מכיוון שהרובוטים מביאים את המדפים או הסחורות ישירות אליהם, והתפוקה עולה באופן דרמטי.

מחסנים חכמים משלבים לעתים קרובות טכנולוגיות מרובות: כלי רכב אוטונומיים, זרועות רובוטיות, מסועים אוטומטיים, חיישני IoT לניטור תנאי סביבה ומלאי, ומערכות בינה מלאכותית כ"מוח" ששולט בכל. המטרה היא מחסן אוטומטי ביותר הפועל ביעילות, בבטחה ובשקיפות. עובדים אנושיים בסביבות אלו עובדים לעתים קרובות יד ביד עם רובוטים שיתופיים (קובוטים) המסייעים להם בהרמת משאות כבדים או באספקת סחורות. בעוד שהכנסת הרובוטיקה הזו מובילה לשינוי בפרופיל התפקיד עבור העובדים, היא מגבירה את היעילות הכוללת של המחסן.

מחסנים רבים עדיין נמצאים בתחילתה של התפתחות זו - על פי הערכות, רק כ-20% מהמחסנים בגרמניה ובארה"ב אוטומטיים, כאשר השאר עדיין מופעלים בעיקר באופן ידני. אך שחקנים גדולים כמו אמזון, עליבאבא ו-DHL מובילים את הדרך, ומציידים בהדרגה את המחסנים שלהם בטכנולוגיות בינה מלאכותית ורובוטים. בשנים הקרובות, צפוי שיותר ויותר תהליכי מחסן יהיו אוטומטיים - בין אם באמצעות מערכות הובלה ללא נהג, מערכות מיון אוטומטיות או מערכות סיוע חכמות לעובדים.

קשור לזה:

• אוטומציה יעילה של מחסן: 25 שאלות ותשובות חשובות לאופטימיזציה שלכם – טיפים לאופטימיזציה ושיפוץ של מחסן

בינה מלאכותית בשרשרת אספקה ​​ותוכנות ארגוניות (SCM, DCM, ERP)

לא רק רובוטים בודדים, אלא גם התוכנה הבסיסית ממלאת תפקיד מכריע בשילוב בינה מלאכותית בלוגיסטיקה של מחסנים. מערכות ניהול שרשרת אספקה ​​(SCM) מודרניות ופתרונות תכנון משאבי ארגון (ERP) מצוידות יותר ויותר בפונקציות בינה מלאכותית כדי לשפר את התכנון, הבקרה והניהול לאורך שרשרת האספקה. המונח ניהול שרשרת ביקוש (DCM) מופיע גם הוא בהקשר זה - כאן, המוקד הוא ספציפית על דרישת הלקוחות ושרשרת האספקה ​​​​המתואמת אליה. בינה מלאכותית יכולה לשמש כמעין שכבה חכמה בכל המערכות הללו, ולשפר משמעותית את הפונקציות המסורתיות.

דוגמה מרכזית לכך היא מערכת ניהול מחסן (WMS) - התוכנה שמנהלת את כל פעולות המחסן (מקבלת סחורות ואחסון ועד איסוף הזמנות והוצאת סחורות). בעבר, WMS פעלו לפי כללים מתוכנתים מראש. כיום, לעומת זאת, יצרנים משלבים מודולי בינה מלאכותית שהופכים את ה-WMS ל"חכם יותר". לדוגמה, קמעונאית האופנה הפולנית LPP יישמה פתרון בינה מלאכותית (PSIwms AI) במערכת ניהול המחסן שלה המשתמש במנגנוני למידת מכונה כדי לייעל תהליכים. התוצאה הייתה מסלולי איסוף קצרים משמעותית ויעילות מחסן גבוהה יותר באופן כללי. זה מדגים שבינה מלאכותית יכולה להשלים תוכנות לוגיסטיקה קיימות בכך שהיא מאפשרת לה ללמוד מנתוני התפעול שלה ולשפר תהליכים באופן עצמאי. WMS הנתמך על ידי בינה מלאכותית יכול, למשל, לזהות אילו פריטים מוזמנים לעתים קרובות יחד ולהקרב את מיקומי האחסון שלהם בהתאם (אופטימיזציית פריסה אוטומטית). או שהוא יכול לתעדף הזמנות באופן דינמי על סמך משאבים זמינים, תנאי תנועה או מועדי משלוח.

מערכות ניהול שרשרת אספקה

מערכות ניהול שרשרת אספקה ​​עם תמיכה בבינה מלאכותית הולכות צעד קדימה על ידי הסתכלות מעבר למחסן הבודד אל שרשרת האספקה ​​כולה. הן משתמשות בבינה מלאכותית כדי לבצע אופטימיזציות מקצה לקצה: לדוגמה, איזון מלאי על פני מספר מיקומי מחסן, אופטימיזציה של קיבולת הובלה ותגובה גמישה לשיבושים. כלי ניהול שרשרת אספקה ​​המופעלים על ידי בינה מלאכותית יכולים לצבור כמויות גדולות של נתונים ממקורות שונים - כגון נתוני מזג אוויר, מידע על תנועה ומידע על ספקים - ובכך להתאים לוחות זמנים של משלוחים בזמן אמת. אורקל מתארת ​​כיצד חברות משתמשות בבינה מלאכותית כדי לאזן רמות מלאי ולמצוא נתיבי משלוח חסכוניים בדלק בצורה יעילה הרבה יותר ממה שהיה אפשרי עם תוכנה קונבנציונלית. מערכת כזו יכולה, למשל, לחשב אוטומטית מסלול חלופי למשאיות עוקבות אם כביש נסגר לפתע ולתזמן מחדש את המשלוחים המושפעים. או שהיא יכולה לזהות בעיות איכות אצל ספק ספציפי ולספק התראות בזמן לפני שחלקים פגומים מגיעים למחסן.

ניהול שרשרת ביקוש (DCM)

ניהול שרשרת הביקוש (DCM), המתמקד בצד הביקוש, מרוויח רבות גם הוא מבינה מלאכותית. המטרה כאן היא לענות בצורה אופטימלית על צרכי הלקוחות - בעיקרון, לשלב שיווק/מכירות עם שרשרת האספקה. ב-DCM, בינה מלאכותית יכולה, למשל, לנתח הזמנות של לקוחות ולשפר תחזיות כדי להתאים את הייצור והמלאי בצורה מדויקת עוד יותר לביקוש בפועל. בפועל, ניהול שרשרת האספקה ​​(SCM) ו-DCM חופפים לעתים קרובות, אך שניהם שואפים להשתמש בבינה מלאכותית כדי לאזן בין היצע לביקוש בצורה היעילה ביותר האפשרית.

ספקי ERP גדולים כמו SAP ואורקל כבר שילבו פונקציונליות של בינה מלאכותית במוצרים שלהם. SAP מתייחסת לכך כ"בינה מלאכותית עסקית" (Bizical AI) במודולי ה-ERP שלה, שנועדו לייעל תהליכים כגון אחסנה, עיבוד הזמנות ותחבורה באמצעות תובנות המונעות על ידי בינה מלאכותית. אורקל מדגישה שמערכות בינה מלאכותית יכולות לזהות דפוסים בשרשראות אספקה ​​שנותרים נסתרים מבני אדם, מה שמאפשר תחזיות מדויקות יותר של ביקוש הלקוחות וכך ניהול מלאי חסכוני יותר. מיקרוסופט וספקי תוכנה לוגיסטית מיוחדים מציעים גם מודולי בינה מלאכותית שמשתלבים בצורה חלקה בתהליכים קיימים. לעתים קרובות מסופקים ממשקים סטנדרטיים למערכות ERP, המאפשרים למודלים של בינה מלאכותית (לדוגמה, לחיזוי) לעבוד עם נתוני חברה במהירות יחסית. לדוגמה, מודל בינה מלאכותית לחיזוי מכירות ניתן לשילוב ישירות בעיבוד הזמנות ERP: המערכת מייצרת אוטומטית הצעות להזמנות רכש על סמך תחזיות למידת מכונה.

יישום קל להבנה של תוכנת בינה מלאכותית הוא השימוש בצ'אטבוטים בלוגיסטיקה. ניתן לשלב עוזרים דיגיטליים אלה במערכות ניהול מחסן או במערכות ניהול תחבורה ולסייע לעובדים ולשותפים חיצוניים גישה מהירה למידע. בהקשר של מחסן, צ'אטבוטים יכולים, למשל, לענות על שאלות כמו "היכן נמצא פריט XY?" או "מהי רמת המלאי הנוכחית של מוצר Z?" - ולעשות זאת תוך שניות, מסביב לשעון. הם יכולים לקבל בקשות הזמנה או לחזות זמני אספקה. באופן פנימי, עוזרים כאלה משחררים את הצוות ממשימות מחקר גוזלות זמן; חיצונית, הם משפרים את שירות הלקוחות (למשל, מתן מידע על מצב המלאי של הזמנה).

לסיכום, בינה מלאכותית מחלחלת לנוף תוכנות הלוגיסטיקה בכל הרמות. מ-WMS ו-SCM/DCM ועד ERP, מערכות מסורתיות מקבלות תוספת של בינה מלאכותית כדי לאפשר קבלת החלטות אוטומטית. אינטגרציה היא קריטית: פתרונות בינה מלאכותית חייבים להשתלב בצורה חלקה בתהליכים קיימים. הודות לטכנולוגיית ענן וממשקים סטנדרטיים, זה הופך להיות קל יותר ויותר. חברות יכולות לעתים קרובות להוסיף פונקציונליות של בינה מלאכותית כהרחבה למערכות הקיימות שלהן. אף על פי כן, יישום מוצלח נותר משימה הדורשת מומחיות - הנתונים הנכונים חייבים להיות זמינים, המודלים חייבים להיות מאומנים ומנוטרים באופן רציף. לאחר שליטה בכך, מערכות תוכנה הנתמכות על ידי בינה מלאכותית מציעות ערך מוסף משמעותי: שקיפות, מהירות ובקרה פרואקטיבית הופכות לנורמלי החדש בלוגיסטיקה של מחסנים.

אתגרי יישום בינה מלאכותית: כיצד חברות מתגברות על השקעות ומכשולי IT – תמונה: Xpert.Digital

דוגמאות מעשיות מחברות

חברות רבות ברחבי העולם כבר משתמשות בהצלחה בבינה מלאכותית בתהליכי האחסון והלוגיסטיקה שלהן. הנה כמה דוגמאות מעשיות המדגימות את מגוון היישומים:

אמזון (ארה"ב)

כחלוצה, אמזון משתמשת בבינה מלאכותית וברובוטיקה בקנה מידה גדול. במרכזי הביצוע של ענקית המסחר האלקטרוני, עשרות אלפי רובוטים מעבירים מדפי סחורות לעובדים. בינה מלאכותית מייעלת את התהליך באופן רציף - קובעת איזה מדף עובר לאיזה עובד לאסוף פריט. בקרת ליקוט חכמה זו הגדילה באופן דרמטי את יעילותה של אמזון. מחקרים מעריכים את החיסכון מאופטימיזציית הליקוט המונעת על ידי בינה מלאכותית של אמזון בכ-470 מיליון אירו בשנה. יתר על כן, אמזון משתמשת בבינה מלאכותית בתחומים רבים אחרים, כגון תכנון מסלולים לרכבי משלוחים, תזמון כוח אדם דינמי המבוסס על נפח הזמנות ותחזוקה ניבויית של ציוד המחסן שלה.

עליבאבא (סין)

עליבאבא, באמצעות חברת הבת הלוגיסטית שלה, קיינייאו, מפעילה מחסנים אוטומטיים ביותר שבהם רובוטים מטפלים ברוב העבודה הפיזית. במחסן ידוע בגואנגדונג, רובוטי הובלה חכמים מבצעים 70% ממשימות המחסן, ומשלשים את הפרודוקטיביות. הרובוטים, הנשלטים על ידי בינה מלאכותית, מספקים סחורות לעמיתים אנושיים, המתמקדים בעיקר באריזה. הודות לתיאום בינה מלאכותית, עובד יחיד עם סיוע רובוטי יכול למיין עד 3,000 חבילות במשמרת, בהשוואה לכ-1,500 ללא תמיכה. עליבאבא משתמשת גם בבינה מלאכותית עבור רחפני משלוחים ורכבי משלוחים אוטונומיים בתחבורה מקומית ומשתמשת בלמידת מכונה כדי לייעל את הקצאת המלאי בין מרכזי ההפצה הרבים שלה. התוצאה היא משלוחים מהירים (לפעמים באותו היום או תוך מספר שעות) למרות כמויות הזמנות עצומות - מתאפשרות הודות לתהליכים מותאמים לבינה מלאכותית.

דויטשה פוסט DHL (גרמניה)

כספקית לוגיסטיקה עולמית, DHL משקיעה בבינה מלאכותית בתחומי עסקים שונים. במשלוח חבילות, DHL בוחנת רחפני משלוח אוטונומיים ורובוטי רחוב, ופתרונות בינה מלאכותית נמצאים בשימוש גם במחסן עצמו. בחלק ממחסני DHL ומרכזי החבילות, רובוטים המופעלים על ידי בינה מלאכותית ממיינים אוטומטית חבילות לפי אזור היעד שלהן. זרועות רובוטיות אלו משתמשות במצלמות תלת-ממדיות ובינה מלאכותית כדי לזהות כל משלוח, לתפוס אותו ולהניח אותו בתא המשלוח הנכון - מהר משמעותית ממה שאדם יכול. DHL משתמשת גם בכלי בינה מלאכותית לאופטימיזציה של מסלולי ציי המשאיות שלה, תחזוקה חזויה של מערכות המסוע שלה וניהול מלאי עבור לקוחות קבלניים. לדוגמה, בלוגיסטיקה קבלנית (לוגיסטיקה של מחסנים עבור לקוחות תעשייתיים), DHL משתמשת בבינה מלאכותית כדי לנטר את מלאי הלקוחות ולהפעיל הזמנות חידוש אוטומטיות לפני שמתרחש מחסור. זה מאפשר ל-DHL להגביר את אמינות המשלוח ולחזק את קשרי הלקוחות.

אוטו (גרמניה)

כפי שצוין לעיל, OTTO משתמשת בהצלחה בבינה מלאכותית לצורך חיזוי מכירות וניהול מלאי. המערכת מזמינה מחדש מלאי באופן אוטומטי וממטבת את רמות המלאי. זה אפשר ל-OTTO להפחית עודפי מלאי ובמקביל לשפר את ביצועי האספקה. OTTO היא דוגמה לאופן שבו חברה גרמנית יכולה לפתח ולפרוס באופן פרודוקטיבי בינה מלאכותית באופן פנימי כדי להישאר תחרותית בשוק תחרותי ביותר (מסחר אלקטרוני).

היטאצ'י (יפן)

ביפן, שם תהליכים רבים באופן מסורתי עדיין ידניים, מתחיל כעת שילוב נרחב של בינה מלאכותית בלוגיסטיקה של מחסנים. דוגמה אחת היא Hitachi, שחוקרת בינה מלאכותית כדי לשפר את ליקוט ההזמנות במרכזי ההפצה שלה. החברה שואפת לתמוך בכוח העבודה המזדקן שלה באמצעות זיהוי תמונה ואחיזה רובוטית. חברות יפניות אחרות - למשל, בתעשיית אספקת הרכב - מסתמכות גם הן יותר ויותר על מערכות מחסן אוטומטיות עם בינה מלאכותית. ממשלת יפן מקדמת פרויקטים כאלה במסגרת "חברה 5.0" ותוכניות מיוחדות לצמצום המחסור בעובדים מיומנים במגזר הלוגיסטיקה. רובוטיקה נהנית בדרך כלל מקובלת מאוד ביפן, ואסטרטגיות חדשות מתמקדות כעת באוטומציה נוספת של מחסנים ושרשראות אספקה.

וולמארט (ארה"ב)

רשת הקמעונאות הגדולה בעולם משקיעה גם בבינה מלאכותית עבור שרשרת האספקה ​​שלה. וולמארט משתמשת בניתוחי בינה מלאכותית כדי לעקוב אחר רמות מלאי בזמן אמת במרכזי ההפצה שלה ולחזות מתי החנויות יזדקקו לחידוש מלאי. וולמארט גם בדקה רובוטי מלאי בכמה חנויות שמנווטות במעברים ומשתמשות בבינה מלאכותית כדי לזהות אילו מוצרים יש לחדש. מערכות מיון אוטומטיות משמשות במרכזי הלוגיסטיקה הגדולים של המסחר האלקטרוני של החברה, ובינה מלאכותית ממטבת את הקצאת החבילות לנתיבי משאיות. יחד עם חברות כמו וולמארט, ענקיות הקמעונאות האמריקאיות הללו מובילות את אימוץ הבינה המלאי בלוגיסטיקה.

הדוגמאות שהוזכרו מדגימות כי הן חברות טכנולוגיה והן ספקי לוגיסטיקה מסורתיים משתמשים באופן פרודוקטיבי בבינה מלאכותית במחסנים שלהם. אמזון ועליבאבא, בפרט, קובעות סטנדרטים שאחרים הולכים אחריהם. אך פרויקטים של בינה מלאכותית צצים בהצלחה גם בגרמניה ובמקומות אחרים - חלקם מפותחים באופן פנימי (כמו ב-OTTO), חלקם בשיתוף פעולה עם שותפים טכנולוגיים, ואחרים באמצעות רכישת סטארט-אפים. חיוני שהצלחות אלו יתפסו: חברות לוגיסטיקה קטנות ובינוניות רבות עוקבות מקרוב אחר מה שעושים השחקנים הגדולים יותר וכעת מתחילות גם הן ליישם פתרונות בינה מלאכותית בתחומים ספציפיים.

ההשפעה הכלכלית של בינה מלאכותית במחסנים

הכנסת בינה מלאכותית וליטת מכונה (ML) ללוגיסטיקה של מחסנים היא לא רק החלטה טכנית אלא גם כלכלית. חברות מצפות ליתרונות עסקיים מוחשיים, אך חייבות גם להשקיע ולשקול תופעות לוואי אפשריות.

ראשית, בואו נבחן את ההשפעות הכלכליות החיוביות

כפי שהוסבר קודם לכן, בינה מלאכותית מגבירה משמעותית את יעילות המחסן - תהליכים פועלים מהר יותר ועם פחות שגיאות. הדבר משפיע ישירות על העלויות. לדוגמה, תכנון מסלולים המותאם לבינה מלאכותית עבור עובדי מחסן או רובוטים יכול להפחית באופן דרסטי את זמן איסוף ההזמנות, ולאפשר עיבוד של יותר הזמנות בכל משמרת (תפוקה גבוהה יותר). ניתן לחסוך בעלויות כוח אדם או לנצל אותן טוב יותר מכיוון שאוטומציה משחררת עובדים, ומאפשרת להם להיות מוצבים בצורה פרודוקטיבית יותר במקומות אחרים. ניהול מלאי הנתמך על ידי בינה מלאכותית מפחית את עלויות המלאי, מכיוון שפחות הון קשור במלאי עודף ומחיקות עקב קלקול או מוצרים מיושנים פוחתות. סקר גילה כי חברות לוגיסטיקה רבות רואות בבינה מלאכותית הזדמנות להגדיל משמעותית את האיכות והפרודוקטיביות - למעלה ממחצית החברות אף רואות בלוגיסטיקה מגזר חלוץ בדיגיטציה. משמעות הדבר היא שהתעשייה מצפה מבינה מלאכותית לתרום תרומה משמעותית ליצירת ערך.

נתונים קונקרטיים מדגישים את פוטנציאל החיסכון

ניתוחים של Accenture צופים כי השימוש בבינה מלאכותית יוכל להגביר את יעילות הלוגיסטיקה ביותר מ-40% עד 2035. דבר זה יתורגם להפחתות עצומות בעלויות, שכן יעילות מוגברת פירושה בדרך כלל השגת תפוקה רבה יותר (מילוי הזמנות) עם אותה קלט או פחות קלט (זמן, כוח אדם, מקום). גם כיום, פרויקטים קונקרטיים מראים לעתים קרובות החזר השקעה (ROI) מהיר יחסית. מערכות בינה מלאכותית הממטבות הובלה או טעינת משאיות, לדוגמה, יכולות לחסוך בעלויות דלק ולמנוע ריצות ריקות, מה שמאפשר להשקעה בתוכנה להחזיר את עצמה תוך מספר שנים בלבד. בינה מלאכותית תורמת גם לחיסכון בעלויות על ידי מניעת זמן השבתה (שיבושים המובילים לעיכובים באספקה), כמו למשל כאשר מערכות תחזוקה חזויה מונעות כיבוי מכונות יקר במחסן.

פרויקטים פיילוט ומקרי עסקיים: כאשר בינה מלאכותית משתלמת בלוגיסטיקה של מחסנים

עם זאת, הזדמנויות אלו נתקלות בעלויות השקעה ואתגרים. רכישת רובוטים, חיישנים ותוכנות בינה מלאכותית למחסנים היא יקרה בתחילה. לא לכל חברה יש את המשאבים הכספיים של אמזון להשקיע מאות מיליונים באוטומציה. מקבלי החלטות לוגיסטיים רבים מהססים עקב עלויות השקעה גבוהות או מחסור בתשתית IT. מחסנים קטנים ובינוניים, בפרט, לרוב חסרים את היסודות הדיגיטליים הדרושים (למשל, לכידת נתונים מקצה לקצה) כדי למנף באופן מלא את הבינה המלאכותית. יתר על כן, היישום דורש מומחיות: מומחי בינה מלאכותית וניתוח נתונים מבוקשים, אך הם נדירים ויקרים. בתחילה, פרויקטים של בינה מלאכותית יכולים להגביר את המורכבות, ולחייב הכשרת עובדים וניהול שינויים.

בטווח הקצר, גם שינויים בעלויות אפשריים. לדוגמה, שימוש מוגבר ב-IT מעלה את העלויות של אבטחת נתונים ותחזוקת מערכות. יש להקצות תקציבים לעדכוני תוכנה שוטפים, אימון מחדש של מודלים (במקרה של למידת מכונה) ומערכות גיבוי. גם אין לזלזל בעלויות האינטגרציה - כלומר, שילוב פתרונות בינה מלאכותית בנופי מערכות קיימים. אורקל, למשל, מדגישה כי יישום יכול להיות לעתים קרובות קשה ויקר, במיוחד כאשר יש לאמן מודלים של למידת מכונה מותאמים אישית על נתונים קנייניים.

עם זאת, בטווח הארוך, רוב המומחים צופים שהחיסכון הפוטנציאלי יעלה על ההשקעה. לאחר שחברה התגברה על המכשולים הראשוניים, מחסן הנתמך על ידי בינה מלאכותית פועל בדרך כלל בצורה חסכונית הרבה יותר. ישנם גם גורמים רכים: מחסן מודרני ואוטומטי יכול להתרחב בצורה יעילה יותר לצמיחה (טיפול בהזמנות רבות יותר מבלי להגדיל את כוח האדם באופן ליניארי). הוא מגביר את התחרותיות - חברות נשארות תחרותיות מבחינת זמני אספקה ​​ועלויות, או אפילו יכולות לבדל את עצמן באמצעות שירות מהיר במיוחד. יתר על כן, תהליכים מותאמים לבינה מלאכותית מסייעים בקיצור זמני האספקה, מה שבתורו יכול להגביר את נאמנות הלקוחות וההכנסות (לקוחות מרוצים נוטים יותר להזמין שוב).

היבט מעניין אחד הוא קיימות, שהופכת לרלוונטית גם מבחינה כלכלית. בינה מלאכותית תורמת להפעלת מחסנים בצורה ידידותית יותר לסביבה (למשל, באמצעות ניצול אופטימלי של קיבולת המשאיות, מה שחוסך בנסיעות, או על ידי הימנעות ממלאי עודף, מה שמפחית ייצור עודף). מכיוון שקיימות מוערכת כיום גם על ידי משקיעים ולקוחות, הדבר יכול להביא בעקיפין יתרונות כלכליים (מילת מפתח: "לוגיסטיקה ירוקה" כנקודת מכירה).

לסיכום, בינה מלאכותית משפיעה על עלויות המלאי במובנים רבים: עלויות כוח אדם, עלויות מלאי, עלויות שגיאות ועלויות השבתה - את כל אלה ניתן להפחית באמצעות בינה מלאכותית. עם זאת, יש לשקול זאת מול עלויות ההשקעה והתפעול של מערכות בינה מלאכותית. חברות צריכות לשקול מתי והיכן בינה מלאכותית הגיונית כלכלית עבורן. בפועל, לעתים קרובות אנו רואים פרויקטים פיילוט המושקים תחילה כדי להשיג נתונים קונקרטיים. אלה בדרך כלל מדגימים בבירור האם הרחבה משתלמת. ככל שהטכנולוגיה הופכת נגישה ובמחיר סביר יותר (שירותי ענן, פתרונות סטנדרטיים), מחסום הכניסה יורד.

לסיכום, בינה מלאכותית היא גורם תחרותי בלוגיסטיקה. אלו שמשקיעים מוקדם ואסטרטגית יכולים להשיג מובילות בעלויות או יתרון שירות. חברות שמחכות, לעומת זאת, מסתכנות בהפיכה ביעילות נמוכה יותר בטווח הארוך ובאיבוד נתח שוק. אף על פי כן, יישום אינו דבר של מה בכך - הוא דורש ניתוח עסקי משכנע, תכנון מושכל, ולעתים קרובות גם תמיכת הנהלה, שכן הוא כרוך בהחלטות אסטרטגיות.

קשור לזה:

• תכנון ויישום יעילים: בינה מלאכותית, רובוטיקה ואוטומציה במבני מחסן מודרניים

הבדלים אזוריים: גרמניה, האיחוד האירופי, ארה"ב ויפן

הפיתוח והאימוץ של בינה מלאכותית בלוגיסטיקה של מחסנים משתנים אזורית, ומושפעים מתנאים כלכליים, מובילים טכנולוגיים ומסגרות פוליטיות. מבט על אזורים מרכזיים:

גרמניה והאיחוד האירופי

בגרמניה, מגזר הלוגיסטיקה תפס באופן מסורתי מקום בולט והוא נחשב לחדשני יחסית. מחקרים מראים כי 22% מחברות הלוגיסטיקה הגרמניות כבר משתמשות בבינה מלאכותית, ול-26% נוספות יש תוכניות קונקרטיות לעשות זאת. חברות גרמניות רואות בבינה מלאכותית מועילה במיוחד בתחומי חיזוי ביקוש, תכנון מכירות ואופטימיזציה של הובלה. עם זאת, רק כ-20% מהמחסנים בגרמניה אוטומטיים כיום במידה רבה. משמעות הדבר היא שרובם עדיין פועלים בעיקר בתהליכים ידניים. האתגרים טמונים לעתים קרובות במורכבות המערכת ובמחסור בעובדים מיומנים, דבר המעכב את יישום טכנולוגיות חדשות. למרות זאת, חברות גרמניות משקיעות רבות בבינה מלאכותית כדי לייעל תהליכים ולהישאר תחרותיות.

גם גרמניה וגם האיחוד האירופי מספקים תמיכה פוליטית משמעותית לטכנולוגיות בינה מלאכותית. גרמניה השיקה אסטרטגיית בינה מלאכותית והקצתה מיליארדי יורו למחקר. מוסדות כמו מכוני פראונהופר (למשל, IML בדורטמונד) עובדים במיוחד על פתרונות בינה מלאכותית ללוגיסטיקה. מושגים כמו Industry 4.0 ו-Logistics 4.0 ממסגרים את החזון שבו בינה מלאכותית ממלאת תפקיד מפתח. האיחוד האירופי, בתורו, מתכנן לקדם בינה מלאכותית ורובוטיקה בתעשייה באמצעות תוכניות כמו Horizon Europe ופרויקטים ספציפיים למימון. במקביל, אירופה מקדישה תשומת לב רבה להנחיות אתיות ולרגולציה - הנציבות האירופית ויוזמת הרגולציה האירופית לבינה מלאכותית (AI Act) הן דוגמאות מרכזיות. מטרה זו היא להבטיח כי בינה מלאכותית תיעשה בשימוש בצורה אמינה ומאובטחת, דבר חיוני גם בלוגיסטיקה (למשל, הגנה על נתוני עובדים, תקני בטיחות למערכות אוטונומיות).

אַרצוֹת הַבְּרִית

ארצות הברית מובילה זה מכבר את תחום האוטומציה והבינה המלאכותית, והיא ביתם של ענקיות טכנולוגיה כמו גוגל, אמזון, יבמ ומיקרוסופט, המניעות את פיתוח הבינה המלאכותית. עם זאת, בפועל, ארה"ב אינה אוטומטית משמעותית יותר מאירופה בכל הנוגע ללוגיסטיקה של מחסנים. הערכות מצביעות על כך שרק כ-20% מהמחסנים בארה"ב אוטומטיים במידה רבה. אף על פי כן, עלויות עבודה גבוהות ומחסור גובר בכוח אדם בארה"ב מניעים כעת השקעות משמעותיות באוטומציה. חברות גדולות כמו אמזון, וולמארט ו-UPS מיישמות מערכות מבוססות בינה מלאכותית ופועלות כחלוצות. ארה"ב מכירה בכך שטכנולוגיית בינה מלאכותית חיונית כדי להימנע מפיגור בתחרות העולמית (במיוחד מול אסיה).

מבחינה פוליטית, לארה"ב יש סדרי עדיפויות שונים במקצת - השקעות פרטיות ויוזמות שולטות. מימון ממשלתי נשלט פחות באופן מרכזי מאשר באיחוד האירופי או בסין, אך ישנן תוכניות של משרד ההגנה ומשרד האנרגיה התומכות בעקיפין במחקר בינה מלאכותית (למשל, עבור כלי רכב אוטונומיים, מה שמועיל גם ללוגיסטיקה). לאחרונה, אסטרטגיות בינה מלאכותית נידונו גם ברמה הלאומית, במיוחד כדי לחזק את הבסיס התעשייתי. בסך הכל, ניתן לומר שחברות אמריקאיות מקדמות באופן פרגמטי את הבינה המלאכותית בלוגיסטיקה, בעוד שקובעי המדיניות מנסים אט אט ליצור מסגרת כדי להדביק את הפער הבינלאומי.

יַפָּן

יפן היא חלוצה בתחום הרובוטיקה והאוטומציה - בתעשייה (למשל, ייצור רכב), יפן מתגאה בצפיפות רובוטים של 399 רובוטים לכל 10,000 עובדים, מה שמציב אותה בין המובילות בעולם. עם זאת, יפן מהססת יותר בלוגיסטיקה של מחסנים. שיטות עבודה מסורתיות וערך גבוה המיוחס לעבודה אנושית הביאו זה מכבר לאוטומציה מוגבלת יחסית של מחסנים. אך כעת זה משתנה במהירות, שכן יפן מתמודדת עם אתגרים דמוגרפיים חריפים: כוח העבודה הצעיר מצטמצם, ומגבלות חוקיות על שעות עבודה מאלצות חברות ליישם פתרונות אוטומציה כדי לשמור על הפרודוקטיביות. כתוצאה מכך, מספר הולך וגדל של חברות יפניות פונות לפתרונות מחסן מודרניים המונעים על ידי בינה מלאכותית. הממשלה מקדמת זאת באופן פעיל - "אסטרטגיית הרובוטים החדשה" מעודדת במיוחד את השימוש ברובוטים במגזרי שירותים כמו לוגיסטיקה.

יתר על כן, יפן מקדמת את הקונספט של "חברה 5.0", חברה מקושרת-על שבה בינה מלאכותית נמצאת בכל מקום, במטרה להתמודד עם אתגרים חברתיים (כגון אוכלוסייה מזדקנת). במסגרת זו, מתבצעות עבודות על משאיות משלוחים אוטומטיות, מערכות טעינה ופריקה בסיוע רובוטים, ושרשראות אספקה ​​מותאמות לבינה מלאכותית. אנו כבר רואים מרכזים לוגיסטיים יפניים המצוידים במלגזות ללא נהג ובמערכות מסועים הנשלטות על ידי בינה מלאכותית. בעוד שיפן אולי התחילה מעט מאוחר יותר, אוטומציה במחסנים והשימוש בבינה מלאכותית צפויים לעלות דרמטית שם בשנים הקרובות. מבחינה תרבותית, הקבלה של רובוטים גבוהה מאוד, מה שמקל על השינוי הזה.

סין ודרום קוריאה (לשם השוואה)

למרות שלא התבקש במפורש בשאלה, כדאי להעיף מבט קצר: סין משקיעה באופן אגרסיבי ברובוטיקה ובינה מלאכותית וכיום היא השוק הגדול בעולם לרובוטים תעשייתיים. למעלה מ-50% מכלל הרובוטים החדשים בעולם מותקנים בסין. ממשלת סין מסבסדת במידה רבה פיתוח זה כדי למודרניזציה של שרשראות האספקה ​​שלה. במיוחד בשל פריחת המסחר האלקטרוני (Alibaba, JD.com וכו'), סין חוותה דחיפה משמעותית בפתרונות מחסן אוטומטיים. דרום קוריאה, מצידה, נחשבת למובילה נסתרת באוטומציה של מחסנים: למעלה מ-40% מהמחסנים שלה כבר אוטומטיים, הודות לזיקה גבוהה לטכנולוגיה ולחברות כמו קופאנג, המסתמכות במידה רבה על בינה מלאכותית. מדינות כאלה משמשות כמדדים למה שאפשרי כאשר הטכנולוגיה מיושמת באופן עקבי.

אירופה (האיחוד האירופי) כולה

למעט כמה יוצאים מן הכלל, אירופה נמצאת פחות או יותר ברמתה של ארה"ב בתחום זה. בתוך אירופה, מדינות כמו גרמניה, הולנד ומדינות סקנדינביה ממוקמות היטב מבחינת טכנולוגיית מידע לוגיסטית, בעוד שאחרות צריכות להשלים פערים. האיחוד האירופי מנסה לקדם את התקדמותן באופן אחיד באמצעות פרויקטים משותפים (למשל, GAIA-X לתשתית נתונים) ותוכניות מימון. יתר על כן, ישנם פרויקטים מחקריים כלל-אירופיים בתחום הבינה המלאכותית לתחבורה ולוגיסטיקה (למשל, על קבוצות משאיות אוטונומיות, רגולציה של רחפני משלוחים וכו'), אשר באופן טבעי משפיעים גם על מחסנים, שכן הכל מחובר.

לסיכום: גרמניה/האיחוד האירופי וארה"ב עדיין שווים יחסית בשימוש המעשי בבינה מלאכותית במחסנים - פוטנציאל משמעותי מוכר, אך חלקים גדולים מהתעשייה עדיין חסרים בינה מלאכותית. אסיה מציגה תמונה הטרוגנית: סין ודרום קוריאה רחוקות מאוד קדימה עקב יישומן האגרסיבי, בעוד יפן מדביקה את הפער. מדיניות אזורית ותוכניות מימון ממלאות תפקיד מרכזי: בעוד שסין וחלקים מאירופה דוחפים מאוד לבינה מלאכותית באמצעות יוזמות ממשלתיות, המגזר הפרטי מניע את הפיתוח בארה"ב. בסופו של דבר, כולם צופים זה בזה: פתרונות טובים מאומצים ברמה בינלאומית. לכן, ניתן לצפות למידה מסוימת של התכנסות - לוגיסטיקה של מחסנים היא גלובלית, וקונספטים מוצלחים של בינה מלאכותית (בין אם "דרך אמזון" או רובוטים של עליבאבא) יתפשטו ברחבי העולם.

מחסנים אוטומטיים 2050: חזון הופך למציאות

מבט קדימה אל עתיד הלוגיסטיקה של מחסנים בעזרת בינה מלאכותית ולמידת מכונה מבטיח התפתחויות מרגשות נוספות. מונח אחד שחוזר שוב ושוב הוא "מחסן חכם" - כלומר, מחסן דיגיטלי ואינטליגנטי כמעט לחלוטין. בתרחישים עתידיים כאלה, כל המערכות והמכונות מתקשרות זו עם זו (מילת מפתח: האינטרנט של הדברים, IoT). בינה מלאכותית פועלת כמוח השולט במכשירים המחוברים לרשת הללו. אפשר לדמיין מחסן בשנת 2050 שבו כמעט כל המשימות השגרתיות אוטומטיות: כלי רכב אוטונומיים מעבירים סחורות, רובוטים אוספים הזמנות, רחפנים מבצעים בדיקות מלאי (למשל, זיהוי פערים במדפים באמצעות טיסת מצלמה), ומערכות בינה מלאכותית מנטרות הכל בזמן אמת.

קשור לזה:

• פיתוח נוסף ואופטימיזציה מחדש של לוגיסטיקת מחסנים: מחסנים, אוטומציה, רובוטיקה ובינה מלאכותית לעידן חדש של יעילות

התפתחויות פוטנציאליות

אנחנו רק בתחילת הדרך של מה שבינה מלאכותית יכולה להשיג בתחום הלוגיסטיקה. בעתיד, אלגוריתמים בעלי למידה עצמית יוכלו לייעל קומפלקסים של מחסנים שלמים בזמן אמת - תוך התאמה דינמית לתמהיל מוצרים, נפח הזמנות או אפילו לאירועים בלתי צפויים (כגון סגירת גבול פתאומית או מחסור בחומרי גלם). בינה מלאכותית גנרטיבית (הידועה מ-ChatGPT ויישומים דומים) יכולה לסייע בתהליכי תכנון, למשל, על ידי תכנון תרחישים חלופיים לשיבושים בשרשרת האספקה. הרובוטיקה צפויה להפוך אף רב-תכליתית יותר: כיום יש לנו רובוטים ייעודיים למשימות ספציפיות; בעתיד, רובוטים דמויי אדם או מערכות רובוטיות גמישות ביותר יוכלו לעבוד במחסנים, ולבצע מגוון רחב של משימות (אחיזה, נשיאה, נהיגה). גישות ראשוניות לכך (רובוטים דו-רגליים כעוזרי מחסן) כבר נבדקות.

שיתוף פעולה בין אדם למכונה גם הוא עובר שיפור נוסף. קובוטים יוכלו לעבוד בשיתוף פעולה הדוק עם בני אדם ללא כלובים מגנים, ובינה מלאכותית תוכל לשמש כעוזר אישי לכל עובד מחסן - למשל, באמצעות משקפי מציאות רבודה חכמים המציגים את כל המידע הרלוונטי לעובד בזמן אמת (מיקום אחסון, שלב הבא, אזהרות). מכשירים לבישים המופעלים על ידי בינה מלאכותית יוכלו גם הם לנטר את הבטיחות (למשל, צמיד רוטט כאשר מלגזה נמצאת בקרבת מקום). כל זה נועד לשפר את תנאי העבודה ולהפחית עוד יותר טעויות או תאונות.

כמובן, ישנם גם אתגרים ושאלות אתיות לאורך הדרך. דאגה שנדונה לעתים קרובות היא סוגיית התעסוקה: אם יותר ויותר תהליכים במחסן יהיו אוטומטיים, מה יקרה לתפקידי עובדי המחסן? בטווח הקצר, משימות מסוימות עשויות להיעלם - לדוגמה, יידרשו פחות קוטפים ידניים אם רובוטים ייקחו על עצמם את המשימות הללו. מחקרים צופים ירידה במספר התעסוקות האנושיות, במיוחד עבור משימות פשוטות וחוזרות על עצמן. אך במקביל, צצים תפקידים חדשים: בינה מלאכותית יוצרת גם מקומות עבודה חדשים - רק שונים. בעתיד, יהיה צורך גובר במומחים בתחזוקת רובוטיקה, ניתוח נתונים או תמיכה במערכות בינה מלאכותית. לכן, בעוד שעבודה פיזית שגרתית פוחתת, הדרישות למומחיות הטכנית של כוח העבודה עולות. חברות נדרשות להכשיר מחדש ולחנך את עובדיהן כדי שיוכלו לתרום ביעילות בסביבה הנתמכת על ידי בינה מלאכותית. מעניין לציין, שחלק מהחברות אף מדווחות שאוטומציה אפשרה להן להתרחב ולגייס יותר עובדים מכיוון שהעסק שלהן גדל. המכונה לא בהכרח גוזלת את העבודה לחלוטין, אלא לעתים קרובות רק את החלקים המונוטוניים והמלחיצים שלה - מה שמאפשר לבני אדם לקחת על עצמם משימות מיומנות יותר.

אדם מול מכונה? מדוע פתרונות היברידיים ישלטו במחסנים

שיקולים אתיים כוללים גם הגנת מידע ושקיפות. בינה מלאכותית במחסנים אוספת כמות גדולה של נתונים, כגון על ביצועי עובדים (קצבי איסוף, דפוסי תנועה) או על ניטור הסביבה. כאן, יש לטפל בנתונים אישיים בזהירות כדי להגן על הפרטיות ולשמור על מעקב במקום העבודה בגבולות סבירים. החלטות המתקבלות על ידי בינה מלאכותית צריכות להיות מובנות - לדוגמה, אם אלגוריתם מכתיב כמה עובד צריך לייצר, יש צורך בקריטריונים שקופים כדי להבטיח הוגנות. בהקשר זה, האיחוד האירופי מדגיש בינה מלאכותית אמינה - אלגוריתמים ניתנים להסבר, הוגנים ואמינים.

נושא חשוב נוסף הוא בטיחות: רובוטים אוטונומיים ומערכות בינה מלאכותית חייבים להיות מתוכננים באופן כזה שלא יהוו סכנה לבני אדם. זה דורש סטנדרטים טכניים ובדיקות (לדוגמה, מלגזה אוטונומית חייבת לעצור בצורה אמינה ב-100% מהזמן אם אדם נמצא בדרכה). גם אבטחת סייבר הופכת לחשובה יותר ויותר: מחסן מרושת עלול להיות מטרה להתקפות האקרים, ולכן יש להגן על מערכות בינה מלאכותית מפני מניפולציה.

בחזון עתידי, אפשר אפילו לדמיין מחסנים אוטונומיים לחלוטין הפועלים ללא תאורה בלילה, ומופעלים אך ורק על ידי מכונות. בני אדם יטפלו בעיקר בפונקציות ניטור. עם זאת, בעתיד הנראה לעין, בני אדם יישארו מרכיב מכריע - ולו רק כדי להבטיח גמישות ויכולות פתרון בעיות במצבים בלתי צפויים. לכן, הפתרון ההיברידי (אדם + בינה מלאכותית) צפוי להיות הדרך קדימה לעשורים הקרובים.

עתיד הלוגיסטיקה של מחסנים: מדוע בינה מלאכותית הופכת כעת להכרחית

אתגרים נוספים טמונים ביישום המעשי: חברות רבות מתמודדות עם השאלה כיצד להטמיע בינה מלאכותית. חסרים סטנדרטים, יש ג'ונגל של ספקים, וההצלחה תלויה באיכות נתונים טובה. אלו עם נתונים גרועים או לא שלמים לא יקבלו תוצאות טובות עם בינה מלאכותית ("זבל נכנס, זבל יוצא"). יש להבטיח יכולת פעולה הדדית בין מערכות שונות (למשל, הבינה המלאכותית במחסן והבינה המלאכותית בניהול התחבורה) כדי ליצור שרשרת אספקה ​​חלקה וחכמה באמת.

אף על פי כן, המגמה ברורה: בינה מלאכותית הופכת לחשובה יותר ויותר בלוגיסטיקה של מחסנים. בעוד עשר שנים, חלק ניכר ממה שנחשב כיום לפרויקט פיילוט יהיה דבר שבשגרה. חברות שמתחילות היום צוברות ניסיון יקר ערך ויכולות להרחיב את פתרונותיהן. קובעי מדיניות במדינות רבות מקדמים פיתוח זה משום שהם מכירים בכך שלוגיסטיקה היא מגזר מפתח לכלכלה הכוללת - ובינה מלאכותית היא המנוף להפוך את התעשייה החשובה הזו ליעילה ועמידה יותר.

שילוב הבינה המלאכותית ולמידת מכונה בלוגיסטיקה של מחסנים כבר החל, עם הצלחות ניכרות ביעילות ובמהירות. זה דורש השקעה וטרנספורמציה, אך מציע הזדמנויות עצומות - החל מחיסכון בעלויות ושיפור שירות הלקוחות ועד מודלים עסקיים חדשים. הבדלים אזוריים יפחתו עם הזמן ככל ששיטות עבודה מומלצות יאמצו ברחבי העולם. העתיד מבטיח לוגיסטיקה של מחסנים חכמה עוד יותר, אוטומטית במידה רבה, שבה בני אדם ומכונות עובדים בשיתוף פעולה הדוק. במקביל, עלינו לנהל את השינויים הללו באחריות - שיתוף עובדים, הבטחת בטיחות הטכנולוגיה והקפדה על הנחיות אתיות. אם נצליח, נוכל לצפות לעולם לוגיסטיקה יעיל, גמיש ועמיד הרבה יותר מכל מה שהכרנו בעבר.

☑️ תמיכה לעסקים קטנים ובינוניים באסטרטגיה, ייעוץ, תכנון ויישום

☑️ יצירה או התאמה מחדש של האסטרטגיה הדיגיטלית והדיגיטציה

☑️ הרחבה ואופטימיזציה של תהליכי מכירה בינלאומיים

☑️ פלטפורמות מסחר B2B גלובליות ודיגיטליות

☑️ פיתוח עסקי חלוצי

Konrad Wolfenstein

אשמח לשמש כיועץ האישי שלך.

ניתן ליצור איתי קשר על ידי מילוי טופס יצירת הקשר למטה או פשוט להתקשר אליי למספר 49 7348 4088 965+ .

אני מצפה בקוצר רוח לפרויקט המשותף שלנו.

Xpert.Digital הוא מרכז לתעשייה המתמקד בדיגיטציה, הנדסת מכונות, לוגיסטיקה/תוך-לוגיסטיקה ופוטו-וולטאית.

עם פתרון פיתוח עסקי 360° שלנו, אנו תומכים בחברות ידועות, החל מעסקים חדשים ועד לשירותי לאחר המכירה.

מודיעין שוק, שיווק סמיילי, אוטומציה שיווקית, פיתוח תוכן, יחסי ציבור, קמפיינים בדואר, מדיה חברתית מותאמת אישית וטיפוח לידים הם חלק מהכלים הדיגיטליים שלנו.

ניתן למצוא מידע נוסף בכתובות הבאות: www.xpert.digital - www.xpert.solar - www.xpert.plus