שילוב של AI ולמידת מכונות בלוגיסטיקה של מחסן – פיתוחים גלובליים בגרמניה, האיחוד האירופי, ארה"ב ויפן

קונרד וולפנשטיין

לפני 5 חודשים

שילוב בינה מלאכותית ולמידת מכונה בלוגיסטיקה של מחסנים – התפתחויות גלובליות בגרמניה, האיחוד האירופי, ארה"ב ויפן – תמונה: Xpert.Digital

בינה מלאכותית הופכת את הלוגיסטיקה של המחסן: יעילות אוטומטית במיקוד

העתיד של לוגיסטיקה של המחסן: תהליכים מבוקרים על ידי AI לפריון מרבי

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 ולקבל החלטות מנתונים במקום פשוט לפעול לפי כללים מוגדרים מראש. למידת מכונה (ML) היא תת-תחום של בינה מלאכותית שבו אלגוריתמים מזהים באופן עצמאי דפוסים ומתאימים את התנהגותם על ידי ניתוח כמויות גדולות של נתונים. במילים פשוטות, מערכת למידה חישובית לומדת מניסיון: היא "מאומנת" עם נתונים היסטוריים ויכולה לאחר מכן לקבל תחזיות או החלטות על סמך נתונים חדשים ולא ידועים. זה מאפשר לבינה מלאכותית לשפר ללא הרף את התחזיות והביצועים שלה מבלי להיות מתוכנתת 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 כמויות הזמנות עתידיות, 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. במחסנים מודרניים, טכנולוגיות בינה מלאכותית משמשות לכן במגוון תחומים – החל מניהול מלאי וליקוט הזמנות (הרכבת הזמנות) ועד בקרת הובלה בתוך המחסן.

בסך הכל, להלן חל: AI במחנה מחקה את "החשיבה" של מנהל מחנה מנוסה מאוד, רק שהיא יכולה לגשת לנתונים הרבה יותר. לדוגמה, מערכות AI יכולות לזהות אילו פריטים מוכרים היטב מתי, כיצד לאחסן סחורות בצורה היעילה ביותר, או אילו מסלול מלגזה צריך לנסוע כדי לחסוך זמן. החלטות אוטומטיות ומונעות נתונים אלה מהוות את הבסיס לעובדה ש- AI ו- ML חודרים יותר ויותר לוגיסטיקה של מחסן.

אופטימיזציה של תהליכי מחסן על ידי AI

אחד היתרונות הגדולים ביותר של בינה מלאכותית בלוגיסטיקה של מחסנים הוא אופטימיזציה של תהליכים קיימים. מחסנים מסתמכים על זרם קבוע של מידע – לדוגמה, נתוני מלאי, נתוני הזמנות או מיקום סחורות. עם זאת, במקרים בהם בני אדם נוטים לטעויות או בעלי יכולת מוגבלת לעבד מידע, בינה מלאכותית מבטיחה דיוק ומהירות. לדוגמה, בינה מלאכותית יכולה לספק ולנתח נתונים בזמן אמת, מה שמאפשר לזהות ולפתור שגיאות מהר יותר לפני שהן מובילות לבעיות. ניתן להפוך משימות שגרתיות כמו בדיקת רמות מלאי או רישום סחורות נכנסות לאוטומטיות, מה שמפחית את עומס העבודה על העובדים.

מערכות בינה מלאכותית יכולות גם לזהות דפוסים בתהליכי מחסן שאחרת עלולים להחמיץ את העין האנושית. באמצעות ניתוחי נתונים אלה, המערכת מבינה טוב יותר את המצב הנוכחי במחסן, מזהה צווארי בקבוק או חוסר יעילות ומציעה שיפורים. דוגמה מעשית אחת היא אופטימיזציה של מסלולים: אלגוריתמים יכולים לנתח ולמטב את מסלולי ההליכה של עובדי מחסן או משאיות תעשייתיות (למשל, מלגזות). לדוגמה, רשימות איסוף ממוינות כך שהעובדים ילכו בדרך הקצרה ביותר האפשרית דרך המחסן. זה מקטין את זמני המעבר וההזמנות מורכבות מהר יותר. פונקציות בינה מלאכותית יכולות גם 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 להפחית שגיאות ולשפר את האיכות. מערכות זיהוי תמונה הנתמכות על ידי AI יכולות, למשל, לסרוק חבילות ולבדוק את מצבן וממדיהם כאשר הן מקבלות. זה מכיר מייד אם יש נזק או שמאמר תויג באופן שגוי. בקרות איכות אוטומטיות כאלה מבטיחות כי בעיות נפתרות בשלב מוקדם של התהליך ואינן עוברות על כל שרשרת האספקה. בנוסף, ה- AI לומד לאורך זמן: בתחילה טעויות יכולות להתרחש, אך באמצעות טכניקות למידת מכונות, זיהוי תמונות משפר את עצמו ברציפות ומפחית עוד יותר את שיעור השגיאות.

כל האופטימיזציות הללו מובילות בסופו של דבר לעלייה בפריון ולהפחתת עלויות בפעילות המחסן. רובוטים ומערכות בינה מלאכותית יכולים לבצע משימות מסוימות מהר יותר ובדייקנות רבה יותר מבני אדם, מה שמגדיל את הפריון. במקביל, הניתוח האלגוריתמי של נתוני המחסן מאפשר קבלת החלטות אסטרטגיות טובות יותר – למשל, בתכנון כוח אדם ומשאבים – מה שהופך תהליכים ברמה גבוהה יותר ליעילים יותר. פתרונות בינה מלאכותית יכולים לנטר תהליכים באופן רציף, לנתח אותם לאיתור סיכונים ולפעול באופן יזום (למשל, לזהות ולנטרל צווארי בקבוק מתקרבים). בסך הכל, זה משפר את השקיפות במחסן, ובעיות מזוהות לעתים קרובות עוד לפני שהן מתעוררות. כל זה תורם להפחתת עלויות, שכן מחסן יעיל יותר מביא לפחות בזבוז, עלויות שגיאות נמוכות יותר וניצול אופטימלי של זמן עבודה. על פי תחזיות מומחים, טכנולוגיות בינה מלאכותית יכולות להגביר משמעותית את היעילות בתעשיית הלוגיסטיקה בשנים הקרובות – Accenture, למשל, מעריכה עלייה ביעילות של למעלה מ-40% עד 2035.

לסיכום, AI מגדיל את המהירות, הדיוק והגמישות של תהליכי המחסן. זה נע בין הממצא והשלוח המהיר יותר של מוצרים, צמצום הבדלי המלאי, לתיאום טוב יותר עם אזורים אחרים בשרשרת האספקה. עבור חברות, המשמעות היא ביצועים גבוהים יותר של המחסן שלהן תוך הקלה על עובדי המונוטוניקה או משימות מורכבות.

מתאים לכך:

לאגר בגבול? אוטומציה של מחסן: אופטימיזציה של מחסנים לעומת רטרופיה – ההחלטה הנכונה למחסן שלך

תחזית דרישה וניהול מלאי עם ML

יישום מרכזי של למידת מכונה בלוגיסטיקה של מחסנים הוא חיזוי ביקוש. זה כרוך בחיזוי ביקוש עתידי – כלומר, מענה על השאלה: איזה מוצר יידרש, מתי ובאיזו כמות? מענה מדויק על שאלה זו הוא בעל ערך רב, שכן הוא מאפשר ניהול מלאי אופטימלי. מלאי רב מדי קושר הון ושטח אחסון שלא לצורך, בעוד שמלאי קטן מדי מוביל לצווארי בקבוק באספקה ולקוחות לא מרוצים. מערכות מבוססות בינה מלאכותית יכולות להקל על הדילמה הזו על ידי ביצוע תחזיות מדויקות ביותר המבוססות על כמויות גדולות של נתונים.

מודלים של למידת מכונות מודרנית מנתחים מכירות היסטוריות, תנודות עונתיות, הזמנות נוכחיות, קמפיינים שיווקיים, מגמות במדיה החברתית ועוד גורמים רבים המשפיעים. מכאן הם לומדים דפוסים ומערכות יחסים. מערכת כזו יכולה, למשל, להכיר בכך שהפסקה מגדילה פריטים מסוימים ברגע שאירוע מסוים מתקרב (למשל, הביקוש לפחמן גריל עולה לפני סופי שבוע בקיץ). בהתבסס על דפוסים כאלה, ה- AI מכוון לאות אילו כמויות מוצרים יש למסור באיזה מיקום באיזו שעה. תחזיות אלה עוזרות לחברות להתאים את המלאי שלהן למלאי שלהן. באופן ספציפי, פירוש הדבר שאם מוצר יהיה יותר ויותר מבוקש, ה- AI מבטיח כי אספקה שהוזמנה בזמן וזמינה במחסן. לעומת זאת, היא מזהירה אם סביר להניח שמוצר יהיה ביקוש, כך שנמנעים עודפי מניות וייצור יתר.

קמעונאית המכירות המקוונת הגרמנית OTTO מספקת דוגמה מעשית. מאז 2019, החברה משתמשת במערכת חיזוי מכירות מבוססת בינה מלאכותית שפותחה בעצמה. מערכת זו, אם אפשר לומר כך, בוחנת את עתיד המכירות ותומכת בכל התהליכים המעורבים – החל מרכישה ואחסנה ועד למשלוח. תחזיות הבינה המלאכותית מראות ל-OTTO בדיוק אילו פריטים יגיעו למחסן ומתי, וכן מה יהיה נפח המכירות הצפוי בנקודת זמן נתונה. על סמך 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 נמצאות תמיד במלאי, מה שמפחית עודפי מלאי יקרים ומכירות מאוחרות יותר עם הנחות. במקביל, התחזיות מבטיחות שהפריטים יהיו זמינים ברגע שהביקוש עולה, כדי לא לפספס הזדמנויות מכירה. הודות לבינה מלאכותית זו, OTTO מזמינה כעת מחדש באופן אוטומטי 35% ממגוון המוצרים שלה מבלי לדרוש מאדם לבצע הזמנות ידנית – עדות לאופן שבו התחזיות עובדות היטב.

חברות אחרות משתמשות גם באופטימיזציות מלאי מבוססות AI. DHL מדווחת כי מערכות AI יכולות להשוות ביקוש וקיימות בזמן אמת ויכולות לארגן באופן אוטומטי סדר מחדש. הם אפילו מסוגלים לחשב טיפים בביקוש מראש על מנת לא ליצור מניות שגויות (מחוץ למילוי) או עודפי עמדות. זה מבטיח משלוח מהיר ללקוחות מכיוון שתמיד יש מספיק סחורות במלאי, אך אין מאגרים מיותרים במחסן שיגרום לעלויות.

תחזית הביקוש באמצעות ML לא רק משפיעה על המחסן שלך, אלא על כל שרשרת האספקה (שרשרת האספקה). לדוגמה, תחזיות טובות מאפשרות לשלוח מראש מרכזי הפצה אזוריים לפני שהתקבלו הזמנות אף. אוטו, למשל, יוצר תחזיות אזוריות לחזות אילו מוצרים מוזמנים באיזה מספר. בהתאם לכך, פריטים אלה כבר מועברים למחסן סמוך כאמצעי זהירות. זה מקצר את זמני המסירה ומקטין את נתיבי ההובלה, מה שמוריד גם את פליטות ה- CO₂.

לסיכום, תכנון ביקוש הנתמך על ידי בינה מלאכותית מוביל לאחסנה יעילה יותר: תמיד יש את המוצר הנכון במלאי בזמן הנכון ובכמות הנכונה. זה מאפשר לחברות להימנע מצווארי בקבוק באספקה, להגביר את שביעות רצון הלקוחות ובמקביל להפחית את עלויות האחסון. עבור לוגיסטיקת מחסנים, משמעות הדבר היא פחות "פעולות כיבוי אש" כדי לפתור צווארי בקבוק פתאומיים, מכיוון שבינה מלאכותית נוטה יותר לזהות ולטפל במצבים כאלה בשלב מוקדם. בתקופות של התנהגות לקוחות תנודתית יותר ויותר (למשל, פריחת המסחר האלקטרוני, שיאים עונתיים עקב מבצעים מקוונים וכו'), ניהול forward-looking זה הופך לגורם 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 בסיוע בינה מלאכותית. רובוטי מחסן אלה מקלים על העומס על עובדים אנושיים, במיוחד כשמדובר במשימות תובעניות פיזית, מונוטוניות או קריטיות בזמן.

דוגמה אחת היא כלי רכב אוטונומיים במחסנים, המכונים גם AGV (מערכות הובלה ללא נהג) או AMR (רובוטים ניידים אוטונומיים). כלי רכב כאלה – מרובוטים קטנים ושטוחים ועד מלגזות אוטומטיות – יכולים להעביר משטחים, קופסאות או פריטים בודדים ממקום א' למקום 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 – כמו הימנעות ממכשול שמופיע לפתע במעבר – תוך שמירה על המסלול האופטימלי. נושאי מטען אוטונומיים כאלה כבר קיימים במחסנים רבים: הם מעבירים סחורות בין מיקומי אחסון, מוסיפים אספקה למדפים, אוספים פריטים להזמנות של לקוחות (ליקוט אוטומטי) או מעבירים הזמנות שהושלמו לתחנת המשלוח. זה פוטר מעובדים אנושיים מרחקי הליכה ארוכים ומשימות הובלה, ומאפשר להם להתרכז בפעילויות תובעניות יותר.

יישום רובוטי נוסף הוא רובוטי ליקוט הנשלטים על ידי בינה מלאכותית. אלו הם רובוטים נייחים או ניידים עם זרועות אחיזה שיכולים לאסוף פריטים מהמדפים. בעזרת עיבוד תמונה (מצלמות ותוכנת בינה מלאכותית), רובוט כזה מזהה את הפריט הנכון ואורז את הכמות הנדרשת. כבר קיימות מערכות בהן רובוטים קוטפים פריטים בודדים: הרובוט מקבל פקודה ממערכת ניהול המחסן, למשל, לאסוף 5 פריטים של פריט X. הוא מנווט (אם נייד) לתא המתאים, מזהה את הפריט ויזואלית ואוסף אותו במדויק. חיישני משקל בודקים האם נאסף מספר הפריטים הנכון, והבינה המלאכותית מאשרת שוב את זהות הפריט באמצעות זיהוי תמונה. מערכות כאלה פועלות לעתים קרובות באזורים נפרדים או במהלך הלילה כדי להכין הזמנות מסביב לשעון. נעשה שימוש גם במערכות אוטומציה מורכבות יותר כמו מכונות ליקוט (מחסנים אוטומטיים) – כאן, פריטים שונים מאוחסנים במכולות או פירים, ולפי דרישה, המערכת מעבירה אוטומטית את הפריט הרצוי למכולת פלט.

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 לאוספים אנושיים. מערכת בקרה חכמה של בינה מלאכותית מתאמת את המדפים הרובוטיים הללו בצורה כה יעילה, עד שנסיעות העובדים ממוזערות. 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 לאיזה עובד אחר כך על מנת לעבד הזמנות בצורה אופטימלית. התוצאה: מימוש מהיר יותר של הזמנות לקוחות תוך הפחתת עלויות בו זמנית.

רובוטים למיון ואריזה גם הם עושים פריצת דרך. בכמה מרכזי חבילות של DHL, לדוגמה, רובוטים כבר לוקחים חבילות מהמסוע וממיינים אותן לתאים עבור נתיבי המשלוח המתאימים. רובוטים אלה, המכונים DHLBots, מסוגלים ללמוד וגמישות הודות לבינה מלאכותית – מצוידים במצלמות תלת-ממד, 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 ב"קילומטר האחרון".

ישנן דוגמאות רבות ומרגשות בינלאומיות. 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, ומשלשים את הפרודוקטיביות. עובד מחסן אנושי מנהל בדרך כלל כ-1,500 פריטים שנאספו במשמרת – בעזרת הרובוטים, מספר זה עולה ל-3,000 פריטים, עם מרחקי הליכה קצרים משמעותית. בינה מלאכותית מבטיחה שהרובוטים יעבדו יחד ביעילות, לא יפריעו זה לזה, ותמיד יביאו את הפריט הבא לנקודת האיסוף בדיוק בזמן הנכון. מחסן עליבאבא זה מדגים מה אפשרי מבחינה טכנית כאשר לוגיסטיקת המחסן אוטומטית כמעט לחלוטין: עובדים כמעט ולא צריכים לעבור עוד בין שורות המדפים מכיוון שהרובוטים מביאים את המדפים או הסחורות ישירות אליהם, והתפוקה גדלה באופן עצום.

מחסנים חכמים כאלה משלבים לעתים קרובות מספר טכנולוגיות: כלי רכב אוטונומיים, התעמלות רובוט, חגורות מסוע אוטומטיות, חיישני IoT למעקב אחר תנאים ומלאי סביבתיות, כמו גם מערכות AI כ"מוח "השולט בכל דבר. המטרה היא מחסן אוטומטי ביותר שעובד ביעילות, בבטחה ובשקיפות. בסביבות אלה עובדים אנושיים עובדים לעתים קרובות יד ביד עם רובוטים שיתופיים (קובוטים), בהם הם תומכים בתהליכי הרמה חמורים או מביאים אותם אליהם. הצגת רובוטי זה מובילה לפרופיל משימות שהשתנה עבור העובדים, אך בסך הכל מגדילה את ביצועי 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, אנו יכולים לצפות לראות יותר ויותר תהליכי מחסן אוטומטיים – בין אם באמצעות מערכות הובלה ללא נהג, מערכות מיון אוטומטיות או מערכות סיוע חכמות לעובדים.

מתאים לכך:

אוטומציה יעילה של מחסן: 25 שאלות ותשובות חשובות לאופטימיזציה שלך – טיפים על אופטימיזציה של מחסן ושיטרופיה

AI בתוכנת שרשרת אספקה וארגון (SCM, DCM, ERP)

לא רק רובוטים בודדים, אלא גם התוכנה הפועלת מאחוריהם 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 תהליכי המחסן (מקבלת סחורות ועד לאחסון ואיסוף ועד להוצאת סחורות). בעבר, WMS פעלה לפי כללים קבועים. עם זאת, יצרנים משלבים כיום מודולי בינה מלאכותית שהופכים את ה-WMS ל"חכמה 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 כוללת גבוהה יותר במחסן. זה מדגים שבינה מלאכותית יכולה להשלים תוכנות לוגיסטיקה קיימות כך שהיא לומדת מנתוני התפעול שלה עצמה ומשפרת 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 תאריכי משלוח.

מערכות ניהול שרשרת אספקה

מערכות ניהול שרשרת אספקה הנתמכות על ידי בינה מלאכותית הולכות צעד קדימה בכך שהן מביטות מעבר למחסן הבודד אל שרשרת האספקה כולה. הן משתמשות בבינה מלאכותית כדי ליישם אופטימיזציות מקצה לקצה: לדוגמה, כדי ליישב מלאי במספר מיקומי מחסן, לנצל בצורה אופטימלית את קיבולות ההובלה ולהגיב בגמישות לשיבושים. כלי ניהול שרשרת אספקה הנתמכים על ידי בינה מלאכותית יכולים לשלב כמויות גדולות של נתונים ממקורות שונים – למשל, נתוני מזג אוויר, מידע על תנועה, מידע על ספקים – וכך להתאים תוכניות אספקה בזמן אמת. אורקל, לדוגמה, מתארת כיצד חברות משתמשות בבינה מלאכותית כדי לאזן רמות מלאי ולמצוא נתיבי אספקה חסכוניים בדלק בצורה יעילה הרבה יותר ממה שהיה אפשרי עם תוכנה קונבנציונלית. אם כביש נחסם לפתע, לדוגמה, מערכת כזו יכולה לחשב באופן אוטומטי מסלול חלופי למשאיות עוקבות ולתזמן מחדש את המשלוחים המושפעים. או שהיא יכולה לזהות בעיות איכות אצל ספק ספציפי ולהוציא אזהרה בזמן לפני שחלקים פגומים מגיעים למחסן.

ניהול שרשרת דרישה (DCM)

ניהול שרשרת הביקוש (DCM), המתמקד בצד הביקוש, מרוויח רבות גם הוא מבינה מלאכותית. מדובר במילוי אופטימלי של צרכי הלקוחות – בעיקרו של דבר, שילוב שיווק/מכירות עם שרשרת האספקה. בינה מלאכותית ב-DCM יכולה, למשל, לנתח הזמנות של לקוחות ולשפר תחזיות כדי להתאים את הייצור והאחסון בצורה הדוקה עוד יותר לביקוש בפועל. בפועל, SCM ו-DCM לעיתים קרובות מטושטשים יחד, אך שניהם שואפים להשתמש בבינה מלאכותית כדי ליישר קו בין היצע לביקוש בצורה היעילה ביותר האפשרית.

ספקי ERP גדולים כמו SAP או Oracle כבר שילבו פונקציות AI במוצריהם. SAP מדבר על "AI Business" בתוך מודולי ה- ERP, אשר אמורים לייעל את האחסנה, עיבוד הזמנה והובלה עם ידע הנתמך על ידי AI. אורקל מדגישה שמערכות AI יכולות לזהות דפוסים ברשתות האספקה שנשארות מוסתרות עבור בני אדם, למשל לחזות את הביקוש של הלקוח בצורה מדויקת יותר ובכך לאפשר ניהול מלאי יעיל יותר מבחינה כלכלית. ספקי תוכנה לוגיסטיקה מיוחדים של מיקרוסופט ומציעים גם מודולי AI המתכווצים לתהליכים קיימים. ממשקים סטנדרטיים ניתנים לרוב עם מערכות ERP, כך שמודלי AI (למשל לתחזיות) יכולים לעבוד במהירות יחסית עם נתוני החברה. לדוגמה, ניתן לשלב ישירות מודל AI לתחזית מכירות ישירות בעיבוד הזמנת ERP: המערכת יוצרת אוטומטית הצעות הזמנה לאספקה ברכישה, בהתבסס על תחזית ML.

יישום תוכנה קל להבנה הוא צ'אטבוטים מבוססי בינה מלאכותית ללוגיסטיקה. עוזרים דיגיטליים אלה ניתנים לשילוב במערכות ניהול מחסן או במערכות ניהול תחבורה ולסייע לעובדים ולשותפים חיצוניים לגשת למידע במהירות. 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 פניות בנוגע להזמנות או לחזות זמני אספקה. באופן פנימי, עוזרים כאלה משחררים את הצוות מעבודת מחקר גוזלת זמן; כלפי חוץ, הם משפרים את שירות הלקוחות (למשל, מתן מידע על מצב המלאי של הזמנה).

לסיכום, בינה מלאכותית מחלחלת לנוף תוכנות הלוגיסטיקה בכל הרמות. מ-WMS ועד 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 כיום להוסיף לעתים קרובות פונקציות בינה מלאכותית כהרחבה למערכות הקיימות שלהן. עם זאת, יישום מוצלח נותר משימה הדורשת מומחיות – הנתונים הנכונים חייבים להיות זמינים, והמודלים חייבים להיות מאומנים ומטופלים 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.

שותף Xpert בתכנון ובנייה של מחסנים

אתגרי יישום AI: כך חברות שולטות בהשקעות וזה מכוון

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

דוגמאות מעשיות מחברות

חברות רבות ברחבי העולם כבר משתמשות ב- AI בהצלחה בתהליכי המחסן והלוגיסטי שלהן. להלן כמה דוגמאות מעשיות המראות עד כמה היישומים מגוונים:

אמזון (ארה"ב)

כאחת החלוצות, אמזון משתמשת בבינה מלאכותית וברובוטיקה בקנה מידה נרחב. במרכזי הלוגיסטיקה (ההגשמה) של ענקית המסחר האלקטרוני, עשרות אלפי רובוטים מעבירים מדפי סחורות לעובדים. בינה מלאכותית מייעלת כל הזמן את התהליך – איזה מדף עובר לאיזה עובד כדי לאסוף פריט. בקרת ליקוט חכמה זו הגבירה את יעילותה של אמזון באופן עצום. מחקרים מעריכים את החיסכון מאופטימיזציית ה"ליקוט" הנתמכת על ידי בינה מלאכותית של אמזון בכ-470 מיליון יורו בשנה. בנוסף, אמזון משתמשת בבינה מלאכותית בתחומים רבים אחרים, למשל בתכנון מסלולים לרכבי משלוחים, תזמון כוח אדם דינמי המבוסס על נפח forward-looking ותחזוקה חזויה של ציוד המחסן שלה.

עליבאבא (סין)

עליבאבא, יחד עם חברת הבת הלוגיסטית שלה, קיינייאו, מפעילה מחסנים אוטומטיים ביותר שבהם רובוטים מבצעים את רוב העבודה הפיזית. במחסן ידוע בגואנגדונג, רובוטי הובלה חכמים מטפלים ב-70% מעבודת המחסן ומגדילים את הפרודוקטיביות פי שלושה. הרובוטים – הנשלטים על ידי בינה מלאכותית – מביאים סחורות לעמיתים אנושיים, שלוקחים על עצמם בעיקר את משימת האריזה. הודות לתיאום באמצעות בינה מלאכותית, עובד בסיוע רובוט יכול למיין עד 3,000 חבילות במשמרת, במקום כ-1,500 ללא סיוע. עליבאבא משתמשת גם בבינה מלאכותית עבור רחפני משלוחים ורכבי משלוחים אוטונומיים בתחבורה מקומית ומשתמשת בלמידה אלקטרונית 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.

Deutsche Post DHL (גרמניה)

כספקית שירותי לוגיסטיקה עולמית, DHL משקיעה בבינה מלאכותית בתחומי עסקים שונים. למשל, עבור משלוחי חבילות, DHL בוחנת רחפני משלוח אוטונומיים ובוטים לרחובות, אך פתרונות בינה מלאכותית נמצאים בשימוש גם במחסן עצמו. בחלק ממחסני DHL ומרכזי החבילות, רובוטים הנתמכים על ידי בינה מלאכותית ממיינים חבילות באופן אוטומטי לחלוטין לפי אזור יעד. 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, לתחזוקה forward-looking של מערכות המסוע שלה ולניהול מלאי עבור לקוחות קבלניים. דוגמה אחת לאחרון: בלוגיסטיקה קבלנית (לוגיסטיקה של מחסנים עבור לקוחות תעשייתיים), DHL משתמשת בבינה מלאכותית כדי לנטר את מלאי לקוחותיה ולהפעיל הזמנות חידוש אוטומטיות לפני שנוצר צוואר בקבוק. בדרך זו, DHL מגדילה את אמינות המשלוח ובונה נאמנות לקוחות קרובה יותר.

אוטו (גרמניה)

כאמור, Otto KI משתמש בהצלחה בתחזית מכירות ובקרת אחסון. המערכת הזמינה באופן אוטונומי ומייבשת את המלאי. כתוצאה מכך, אוטו הצליח להפחית עמדות עודפות ובמקביל לשפר את היכולת לספק. אוטו הוא דוגמה לאופן בו חברה גרמנית מפתחת AI באופן פנימי ומשתמשת באופן פרודוקטיבי כדי להישאר תחרותיים בשוק תחרותי ביותר (סחר מקוון).

היטאצ'י (יפן)

ביפן, שם תהליכים רבים באופן מסורתי עדיין ידניים, מתחילה כעת גם 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 ורובוטים לתפיסה. חברות יפניות אחרות – למשל, בתעשיית אספקת הרכב – מסתמכות גם הן יותר ויותר על מערכות מחסן אוטומטיות עם בינה מלאכותית. ממשלת יפן תומכת בפרויקטים כאלה כחלק מ"חברה 5.0" ותוכניות מיוחדות להקלה על המחסור בעובדים מיומנים במגזר הלוגיסטיקה. רובוטיקה נהנית בדרך כלל מקובלת מאוד ביפן, ואסטרטגיות חדשות מכוונות כעת לאוטומציה גוברת של מחסנים ושרשראות אספקה.

וולמארט (ארה"ב)

רשת הקמעונאות הגדולה בעולם משקיעה גם ב- AI עבור שרשרת האספקה שלה. וולמארט משתמש בניתוח AI כדי להמשיך במלאי בזמן אמת במרכזי ההפצה שלו וכדי לחזות מתי סניפים זקוקים לחידוש. בנוסף, וולמארט בדק רובוטים מלאי בכמה סניפים הנוסעים לאורך המדף ומכיר באילו מוצרים יש למלא מחדש. מערכות מיון אוטומטיות משמשות במרכזי הלוגיסטיקה הגדולה של המסחר האלקטרוני של הקבוצה, ו- AI מייעל את הקצאת החבילות בנתיבי משאיות. יחד עם חברות כמו וולמארט, ענקיות הסחר בארה"ב מניעות את אימוץ ה- AI בלוגיסטיקה.

הדוגמאות שהוזכרו מדגימות כי הן חברות טכנולוגיה והן ספקי שירותי לוגיסטיקה מסורתיים משתמשים באופן פרודוקטיבי בבינה מלאכותית במחסנים שלהם. אמזון ועליבאבא, בפרט, קובעות סטנדרטים שאחרות מחקות. אך פרויקטים מצליחים של בינה מלאכותית צצים גם בגרמניה ובמקומות אחרים – חלקם פותחו באופן פנימי (כמו ב-OTTO), חלקם בשיתוף פעולה עם שותפים טכנולוגיים, או באמצעות רכישת סטארט-אפים. חשוב שההצלחות הללו יתפסו: חברות לוגיסטיקה קטנות ובינוניות רבות עוקבות מקרוב אחר מה שעושות החברות הגדולות יותר וכעת גם מתחילות לפתח פיילוט של פתרונות בינה מלאכותית בתחומים ספציפיים.

השפעות כלכליות של AI במחסן

הצגת AI ו- ML בלוגיסטיקה של Warehouse אינה רק טכנית, אלא גם החלטה כלכלית. חברות מקוות ליתרונות עסקיים מוחשיים, אך עליה גם להשקיע ולקחת בחשבון תופעות לוואי אפשריות.

ראשית להשפעות הכלכליות החיוביות

כפי שכבר הוסבר, בינה מלאכותית מגבירה משמעותית את היעילות במחסן – תהליכים פועלים מהר יותר ועם פחות שגיאות. לכך יש השפעה ישירה על העלויות. לדוגמה, תכנון מסלולים מותאם לבינה מלאכותית עבור עובדי מחסן או רובוטים יכול להפחית באופן דרסטי את הזמן הנדרש לליקוט הזמנה, מה שמאפשר עיבוד הזמנות רבות יותר בכל משמרת (תפוקה גבוהה יותר). ניתן לחסוך או לנצל טוב יותר עלויות עבודה מכיוון שהעובדים מתפנים בזכות אוטומציה וניתן לפרוס אותם בצורה פרודוקטיבית יותר במקומות אחרים. ניהול מלאי הנתמך על ידי בינה מלאכותית מפחית את עלויות המלאי מכיוון שפחות הון קשור בסחורות מיותרות ומופחת פחת עקב קלקול או מוצרים מיושנים. סקר מצא כי חברות לוגיסטיקה רבות רואות בבינה מלאכותית הזדמנות להגדיל משמעותית את האיכות והפרודוקטיביות – יותר ממחצית החברות אף מדרגות את הלוגיסטיקה כמגזר חלוץ של דיגיטציה. משמעות הדבר היא שהתעשייה מצפה מבינה מלאכותית לתרום תרומה משמעותית ליצירת ערך.

מספרים ספציפיים עומדים בבסיס פוטנציאל החיסכון

ניתוחי Accenture מנבאים כי השימוש ב- AI יכול להגביר את היעילות הלוגיסטית ב- 2035 ביותר מ- 40 %. פירוש הדבר היה הפחתת עלויות עצומה, מכיוון שגידול ביעילות פירושו בדרך כלל יותר תפוקה (הפעלת הזמנות) עם אותו קלט או פחות (זמן, כוח אדם, שטח). כבר כיום, החזר השקעה (ROI) מהיר לעיתים קרובות יחסית בפרויקטים קונקרטיים. מערכות AI המייטמות את הובלות או עומסי משאיות, למשל, יכולות לחסוך עלויות דלק ולהימנע מטיולים ריקים, כך שההשקעה בתוכנה תשלם בעצמה תוך מספר שנים. KI תורם גם לחיסכון בעלויות על ידי הימנעות מהשבתה (הפרעות המובילות לעיכובים במסירה), למשל אם העיקרי החזוי מונע מערכות למנוע עמדות אור מכונות יקרות במחסן.

פרויקטים של טייס ומקרים עסקיים: כאשר AI משתלם בלוגיסטיקה של המחסן

עם זאת, עלויות השקעה ואתגרים מתקזזים גם מההזדמנויות. הרכישה של רובוטים, חיישנים ותוכנת AI יקרה בתחילה. לא לכל חברה יש את הכוח הפיננסי של אמזון להכניס מאות מיליון לאוטומציה. מקבלי החלטות לוגיסטיים רבים מהססים בגלל עלויות ההשקעה הגבוהות או היעדר תשתית IT. במיוחד בחנויות קטנות ובינוניות, היסודות הדיגיטליים (למשל רכישת נתונים רציפה) חסרים לרוב על מנת לנצל באופן מלא את AI. בנוסף, יישום דורש ידע: מומחים ב- AI וניתוח נתונים הם מבוקשים, אך נדירים ויקרים. בתחילה, פרויקטים של AI יכולים להגדיל את המורכבות של מה שהופך את הכשרת העובדים לניהול שינויים.

בטווח הקצר, ייתכנו גם שינויים בעלויות. לדוגמה, עם פריסת IT מוגברת, המאמץ הנדרש לאבטחת נתונים ותחזוקת מערכות גדל. יש לתכנן תקציבים לעדכוני תוכנה שוטפים, הכשרת מודלים מחדש (במקרה של למידה חישובית) ומערכות גיבוי. אין לזלזל בעלויות האינטגרציה – כלומר, שילוב פתרונות בינה מלאכותית בנופי מערכת קיימים – אורקל, לדוגמה, מדגישה כי יישום יכול להיות לעתים קרובות קשה ויקר, במיוחד כאשר יש לאמן מודלים של למידה חישובית 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 הוא בדרך כלל יעיל הרבה יותר. ישנם גם גורמים רכים: מחסן מודרני ואוטומטי יכול להגיב בצורה גמישה יותר לצמיחה (טיפול בהזמנות רבות יותר מבלי להגדיל את רמות הכוח אדם באופן ליניארי). הוא מגביר את התחרותיות – ניתן להישאר תחרותיים בשוק בזמני אספקה ובעלויות או אפילו לבדל את עצמכם 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 הוא קיימות, שהיא גם רלוונטית כלכלית. KI עוזר להפעיל ידידותי יותר לסביבה (למשל על ידי שימוש מיטבי בתפקידי משאיות, החוסך מסעות, או על ידי הימנעות מדוכנים עודפים, מה שמוריד ייצור יתר). מכיוון שהקיימות מתוגמלת כעת גם על ידי משקיעים ולקוחות, הדבר יכול להביא בעקיפין יתרונות כספיים (מילות מפתח "לוגיסטיקה ירוקה" כטיעון מכירות).

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. נתון זה מתקזז על ידי עלויות ההשקעה והתפעול של מערכות בינה מלאכותית. חברות חייבות לשקול מתי והיכן בינה מלאכותית תהיה רווחית עבורן. בפועל, לעתים קרובות אנו רואים פרויקטים פיילוט המושקים תחילה כדי לקבל נתונים קונקרטיים. אלה בדרך כלל מראים בבירור האם הרחבה משתלמת. ככל שהטכנולוגיה הופכת לנגישה ובמחיר סביר יותר (שירותי ענן, פתרונות סטנדרטיים), מחסום הכניסה יורד.

לסיכום, ניתן לומר: בינה מלאכותית היא גורם תחרותי בלוגיסטיקה. אלו שמשקיעים מוקדם ובתבונה יכולים להשיג מובילות בעלויות או יתרון שירות. עם זאת, חברות שמחכות מסתכנות בהפחתת יעילותן ובאיבוד נתח שוק בטווח הארוך. אף על פי כן, יישומה אינו טריוויאלי – הוא דורש ניתוח עסקי משכנע, תכנון מושכל ולעתים קרובות תמיכה ניהולית, שכן הוא כרוך בקביעת כיוון אסטרטגי.

מתאים לכך:

תכנון ויישום יעיל: AI, רובוטיקה ואוטומציה במבני אחסון מודרניים

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

פיתוח והתפשטותו של AI בלוגיסטיקה של Warehouse שונה אזורית, מושפעת מתנאים כלכליים, חלוץ טכנולוגי ומסגרת פוליטית. מבט באזורים חשובים:

גרמניה והאיחוד האירופי

בגרמניה, תעשיית הלוגיסטיקה חשובה מאוד ונחשבת לחדשנית יחסית. מחקרים מראים כי 22 % מחברות הלוגיסטיקה הגרמניות כבר משתמשות ב- AI ועוד 26 % יש תוכניות קונקרטיות לכך. חברות גרמניות רואות בחברות גרמניות KI מועילות, במיוחד בתחום תחזית הביקוש, תכנון מכירות ואופטימיזציה לתחבורה. עם זאת, בערך 20 % מהמחסן בגרמניה הם כיום אוטומטיים ברובם. המשמעות היא שהרוב עדיין עובד עם תהליכים ידניים בעיקר. האתגרים טמונים לעתים קרובות במורכבות המערכת ובמחסור בעובדים מיומנים, המעכב את יישום הטכנולוגיות החדשות. עם זאת, חברות גרמניות משקיעות בחריפות ב- AI על מנת לייעל את התהליכים ולהישאר תחרותיים.

מבחינה פוליטית, גם גרמניה וגם האיחוד האירופי מקדמים באופן מסיבי טכנולוגיות בינה מלאכותית. גרמניה השיקה אסטרטגיית בינה מלאכותית והקצתה מיליארדי דולרים במימון מחקר. מוסדות כמו מכוני פראונהופר (למשל, IML בדורטמונד) עובדים במיוחד על פתרונות בינה מלאכותית ללוגיסטיקה. מונחים כמו Industry 4.0 ו-Logistics 4.0 ממסגרים חזון זה, שבו גם לבינה מלאכותית תפקיד מפתח. האיחוד האירופי, בתורו, מתכנן לקדם בינה מלאכותית ורובוטיקה בתעשייה באמצעות תוכניות כמו Horizon Europe ופרויקטים מיוחדים למימון. במקביל, אירופה שמה לב להנחיות אתיות ולרגולציה – מילות מפתח הן הנציבות האירופית ופרויקט הרגולציה האירופי לבינה מלאכותית (AI Act). זה נועד להבטיח כי בינה מלאכותית תיעשה שימוש בצורה אמינה ומאובטחת, דבר שחשוב גם בלוגיסטיקה (למשל, הגנה על נתוני עובדים, תקני בטיחות למערכות אוטונומיות).

אַרצוֹת הַבְּרִית

ארצות הברית היו מנהיגים ארוכים בתחום האוטומציה ומחקר AI והכילו ענקיות טק כמו גוגל, אמזון, יבמ, מיקרוסופט, המניעה את AI מאוד. עם זאת, בתרגול של לוגיסטיקה של המחסנים, ארצות הברית אינה אוטומטית בהרבה מאירופה. ההערכה היא שרק כ 20 % ממחסני ארה"ב הם אוטומטיים מאוד. עם זאת, עלויות העבודה הגבוהות והמחסור הגובר בעבודה בארצות הברית מגדילים כעת מאוד את ההשקעות באוטומציה. חברות גדולות כמו אמזון, וולמארט או UPS מיישמות מערכות מבוססות AI ומשמשות כסוסי טיוטה. ארצות הברית מבינה כי טכנולוגיית AI נחוצה כדי לא להיפטר מאחור בתחרות העולמית (במיוחד בהשוואה לאסיה).

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

יַפָּן

יפן היא אחת החלוצות בתחום הרובוטיקה והאוטומציה – בתעשייה (למשל ייצור רכב), ביפן יש צפיפות רובוטים של 399 רובוטים לכל 10,000 עובדים, מה שהופך אותה לאחת המובילות בעולם. עם זאת, יפן הייתה מאופקת יותר בכל הנוגע ללוגיסטיקה של מחסנים. שיטות עבודה מסורתיות וכבוד רב לעבודה אנושית גרמו לכך שאוטומציה של מחסנים נותרה נמוכה יחסית זה מכבר. אך כעת זה משתנה במהירות, שכן יפן מתמודדת עם בעיות דמוגרפיות חריפות: יש פחות ופחות עובדים צעירים, ומגבלות זמן עבודה חוקיות מאלצות חברות להתקין פתרונות אוטומציה כדי לשמור על הפרודוקטיביות. כתוצאה מכך, יותר ויותר חברות יפניות פונות לפתרונות מחסן מודרניים מבוססי בינה מלאכותית. הממשלה מקדמת זאת באופן פעיל – יש את "אסטרטגיית הרובוטים החדשה", המקדמת במיוחד את השימוש ברובוטים במגזרי שירותים כמו לוגיסטיקה.

בנוסף, יפן מפיצה את הרעיון של החברה 5.0, חברה סופר-רשת בה AI כל יכולת לשלוט באתגרים חברתיים (כמו החברה המזדקנת). בהקשר זה, למשל, מעובדים משאיות משלוח אוטומטיות, מערכות טעינה ופריקה מבוססות רובוט ורשתות אספקה מותאמות ל- AI. אנו כבר רואים מרכזי לוגיסטיקה יפניים המצוידים במלגזות נטולות נהגים ומערכות מסוע בשליטת AI. אז בעוד שיפן החלה מעט מאוחר יותר, האוטומציה במחנות ושימוש ב- AI צריכים לגדול פתאום שם בשנים הקרובות. מבחינה תרבותית, קבלת הרובוטים גבוהה מאוד, מה שמקל על השינוי.

סין ודרום קוריאה (להשוואה)

גם אם לא נדרש במפורש בשאלה, מבט מהיר כדאי: סין משקיעה באגרסיביות ברובוטיקה וב- AI וכעת היא השוק הגדול בעולם לרובוטים תעשייתיים. מעל 50 % מכלל הרובוטים החדשים ברחבי העולם מותקנים בסין. ממשלת סין מסבסדת פיתוח זה כדי למודרניזציה של שרשראות האספקה שלה. במיוחד באמצעות בום המסחר האלקטרוני (Alibaba, JD.com וכו ') סין חוותה דחף גדול בפתרונות מחסן אוטומטיים. לעומת זאת, דרום קוריאה נחשבת למובילה סודית באוטומציה של המחסן: מעל 40 % מהמחנות יש אוטומטיים, בזכות היי -טק וחברות כמו קופנג, הנשענות על AI. מדינות כאלה משמשות מדד מה שאפשר אם אתה מציג בעקביות טכנולוגיה.

אירופה (האיחוד האירופי) בסך הכל

אירופה – למעט יוצאים מן הכלל – נמצאת פחות או יותר ברמתה של ארה"ב. בתוך אירופה, מדינות כמו גרמניה, הולנד וסקנדינביה ממוקמות היטב מבחינת טכנולוגיית מידע לוגיסטית, בעוד שאחרות צריכות להשלים פערים. האיחוד האירופי מנסה לקדם את התקדמותה באופן מאוחד באמצעות פרויקטים משותפים (למשל, GAIA-X לתשתית נתונים) ומימון. ישנם גם פרויקטים מחקריים כלל-אירופיים בתחום הבינה המלאכותית לתחבורה ולוגיסטיקה (למשל, על צוותי משאיות אוטונומיים, רגולציה של רחפני משלוחים וכו'), אשר באופן טבעי משפיעים גם על מחסנים, שכן הכל שזור זה בזה.

לסיכום: גרמניה/האיחוד האירופי וארה"ב עדיין שוות יחסית בשימוש המעשי בבינה מלאכותית במחסנים – פוטנציאל רב זוהה, אך חלקים גדולים מהתעשייה עדיין חסרים בינה מלאכותית. אסיה היא הטרוגנית: סין ודרום קוריאה מקדימה את עצמה בשל השימוש המואץ בהן, בעוד שיפן מדביקה את הפער. מדיניות אזורית ותוכניות מימון ממלאות תפקיד מרכזי: בעוד שסין וחלקים מאירופה דוחפים חזק מצד הממשלה, המגזר הפרטי מניע את הפיתוח בארה"ב. בסופו של דבר, כולם לומדים זה מזה: 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 הרובוטים של עליבאבא) יתפשטו ברחבי העולם.

מחסן אוטומטי 2050: חזון הופך למציאות

מבט אל עתיד הלוגיסטיקה של מחסנים בעזרת בינה מלאכותית ולמידת מכונה מבטיח התפתחויות מרגשות נוספות. מונח שחוזר שוב ושוב הוא "מחסן חכם" – המחסן הדיגיטלי והאינטליגנטי כמעט לחלוטין. בתרחישים עתידיים כאלה, כל המערכות והמכונות מתקשרות זו עם זו (מילת מפתח: האינטרנט של הדברים, IoT). בינה מלאכותית מהווה את המוח ששולט במכשירים המחוברים לרשת הללו. אפשר לדמיין מחסן בשנת 2050 שבו כמעט כל הפעילויות השגרתיות אוטומטיות: כלי רכב אוטונומיים מעבירים סחורות, רובוטים אוספים סחורות, רחפנים מבצעים מלאי (למשל, זיהוי פערים במדפים באמצעות טיסת מצלמה), ומערכות בינה מלאכותית מנטרות הכל בזמן אמת.

מתאים לכך:

פיתוח נוסף ואופטימיזציה חדשה של לוגיסטיקה של המחסן: מחסן, רובוטיקה אוטומטית ו- AI 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, רמות הזמנות או אפילו לאירועים בלתי צפויים (כגון סגירת גבול פתאומית או מחסור בחומרי גלם). בינה מלאכותית גנרטיבית (הידועה מ-ChatGPT & Co.) יכולה לסייע בתהליכי תכנון, למשל, 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 רובוט גמישות ביותר יוכלו לעבוד במחסן, 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 נתונים עם מציאות רבודה המציגים את כל המידע הרלוונטי (מיקום אחסון, שלב הבא, אזהרות) לעובד בזמן אמת. מכשירים לבישים הנתמכים על ידי בינה מלאכותית יוכלו גם הם לנטר את הבטיחות (למשל, צמיד רוטט כאשר מלגזה נמצאת בקרבת מקום). כל זה משמש לשיפור תנאי העבודה ולהפחתת שגיאות ותאונות.

כמובן, ישנם גם אתגרים ושאלות אתיות לאורך הדרך. דאגה שעולה לעתים קרובות היא שאלת התעסוקה: אם יותר ויותר עבודה במחסן תהפוך לאוטומטית, מה יקרה לתפקידי עובדי המחסן? בטווח הקצר, משימות מסוימות עשויות להתבטל – לדוגמה, יהיה צורך בפחות קוטפים ידניים אם רובוטים ייקחו על עצמם משימה זו. מחקרים צופים ירידה בתעסוקות אנושיות, במיוחד במשימות פשוטות וחוזרות על עצמן. אך במקביל, צצים תפקידים חדשים: בינה מלאכותית יוצרת גם מקומות עבודה חדשים – רק שונים. לדוגמה, בעתיד יהיה צורך גובר וגדל במומחים בתחזוקת רובוטיקה, ניתוח נתונים או תמיכה במערכות בינה מלאכותית. לכן, בעוד שעבודה פיזית שגרתית פוחתת, הדרישות לידע הטכני של כוח העבודה עולות. חברות נדרשות להכשיר מחדש ולחנך את עובדיהן כדי שיוכלו לתרום באופן משמעותי בסביבה הנתמכת על ידי בינה מלאכותית. מעניין לציין, שחלק מהחברות אף מדווחות שאוטומציה אפשרה להן להתרחב ולגייס יותר עובדים מכיוון שהעסק שלהן גדל. לכן, המכונה לא בהכרח משתלטת על העבודה כולה, אלא לעתים קרובות רק על החלקים המונוטוניים והמלחיצים שלה – בני אדם יכולים אז לקחת על עצמם משימות מיומנות יותר.

אדם נגד מכונה? מדוע פתרונות היברידיים ישלטו במחסן

היבטים אתיים נוגעים גם להגנה על נתונים ולשקיפות. בינה מלאכותית במחסן אוספת נתונים רבים, למשל, על ביצועי עובדים (קצבי איסוף, דפוסי תנועה) או על ניטור סביבתי. יש לטפל בנתונים אישיים בזהירות כדי להגן על הפרטיות ולשמור על מעקב במקום העבודה בגבולות. החלטות המתקבלות על ידי בינה מלאכותית צריכות להיות שקופות – לדוגמה, אם אלגוריתם מכתיב כמה עובד צריך לבצע, יש צורך בקריטריונים שקופים כדי להבטיח הוגנות. בהקשר זה, האיחוד האירופי מדגיש בינה מלאכותית אמינה – אלגוריתמים ניתנים להסבר, הוגנים ואמינים.

נושא נוסף הוא אבטחה: יש לתכנן רובוטים אוטונומיים ומערכות AI באופן שאין סכנה לבני אדם. זה דורש סטנדרטים ובדיקות טכניות (למשל מללזה לנהיגה עצמית חייבת להפסיק 100 % באופן אמין אם אדם בדרך). אבטחת הסייבר הופכת גם היא חשובה יותר: מחנה ברשת יכול להיות המטרה של התקפות האקרים, ולכן יש להגן על מערכות AI מפני מניפולציה.

בחזון עתידי, אפשר אפילו לדמיין מחסנים אוטונומיים לחלוטין הפועלים ללא תאורה בלילה, כאשר רק מכונות פועלות. סביר יותר שבני אדם ייקחו על עצמם את תפקידי הבקרה. עם זאת, בני אדם יישארו מרכיב מרכזי בעתיד הנראה לעין – ולו רק כדי להבטיח גמישות ויכולות פתרון בעיות במצבים בלתי צפויים. לכן, הפתרון ההיברידי (אדם + בינה מלאכותית) צפוי להיות הדרך קדימה לעשורים הקרובים.

עתיד המחסן לוגיסטיקה: מדוע AI הוא כעת הכרחי

ישנם גם אתגרים ביישום המעשי: חברות רבות מתמודדות עם השאלה כיצד להציג AI. סטנדרטים חסרים, יש ג'ונגל של ספקים והצלחה תלוי באיכות נתונים טובה. אם יש לך נתונים רעים או לא שלמים, אינך מקבל תוצאות טובות עם AI ("זבל פנימה, זבל החוצה"). יש להבטיח את יכולת ההפעלה הדדית בין מערכות שונות (למשל ה- AI של המחסן ו- AI של ניהול תחבורה) כך שתיווצר באמת שרשרת אספקה אינטליגנטית רציפה.

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 שגרתי. חברות שמתחילות היום ירכשו ניסיון יקר ערך ויוכלו להרחיב את פתרונותיהן. קובעי מדיניות במדינות רבות מקדמים פיתוח זה משום שהם הכירו בכך שלוגיסטיקה היא מגזר מפתח לכלכלה כולה – וכי בינה מלאכותית היא המנוף להפיכת תעשייה מרכזית זו ליעילה ועמידה יותר בפני משברים.

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 משתפים פעולה בשיתוף פעולה הדוק. במקביל, עלינו להתמודד עם שינויים אלה באחריות – להביא עובדים, לתכנן טכנולוגיה מאובטחת ולהיצמד להנחיות אתיות. אם נצליח בכך, נעמוד בפני עולם לוגיסטי יעיל, גמיש ועמיד הרבה יותר מכל מה שהכרנו בעבר.