Интеграция ИИ и машинного обучения в складскую логистику – глобальные тенденции в Германии, ЕС, США и Японии

Будущее складской логистики: процессы на основе искусственного интеллекта для максимальной производительности

Искусственный интеллект (ИИ) — это способность машин или программного обеспечения выполнять задачи, которые обычно требуют человеческого интеллекта, такие как логическое мышление, обучение, планирование или творческое решение проблем. По сути, речь идёт о способности компьютерных систем делать выводы из данных и принимать решения, а не просто следовать строго предопределённым правилам. Машинное обучение (МО) — это подраздел ИИ, в котором алгоритмы самостоятельно распознают закономерности, анализируя большие объёмы данных, и соответствующим образом адаптируют своё поведение. Проще говоря, система МО учится на опыте: она «обучается» на исторических данных, а затем может делать прогнозы или принимать решения на основе новых, неизвестных данных. Это позволяет ИИ постоянно улучшать свои собственные прогнозы и производительность без необходимости явного программирования человеком для каждого отдельного случая.

В логистике, и особенно в складской логистике, искусственный интеллект и машинное обучение открывают огромные возможности. Логистическая отрасль обладает разветвленными сетями и генерирует огромные объемы данных, что делает ее идеальной областью применения ИИ. Интеллектуальные алгоритмы могут, например, прогнозировать будущие объемы заказов, рассчитывать оптимальные маршруты или управлять сложными складскими процессами. Самообучающиеся системы могут принимать решения быстрее и зачастую точнее, чем люди, особенно когда речь идет об обработке больших объемов данных в режиме реального времени. Поэтому технологии ИИ используются в различных областях современных складов – от управления запасами и комплектации заказов до контроля транспортировки внутри склада.

В целом, использование ИИ на складе по сути имитирует «мышление» высококвалифицированного менеджера склада, но с доступом к гораздо большему объему данных. Например, системы ИИ могут определять, какие товары хорошо продаются и когда, как наиболее эффективно хранить товары или по каким маршрутам должен двигаться погрузчик, чтобы сэкономить время. Эти автоматизированные, основанные на данных решения составляют основу для все большей интеграции ИИ и машинного обучения в складскую логистику.

Оптимизация складских процессов с помощью ИИ

Одним из главных преимуществ ИИ в складской логистике является оптимизация существующих процессов. Склады зависят от постоянного потока информации – например, данных об инвентаризации, данных о заказах или информации о местонахождении товаров. Там, где люди склонны к ошибкам или имеют ограниченные возможности обработки информации, ИИ обеспечивает точность и скорость. Например, ИИ может предоставлять и анализировать данные в режиме реального времени, что позволяет быстрее обнаруживать и исправлять ошибки до того, как они вызовут проблемы. Рутинные задачи, такие как проверка уровня запасов или регистрация поступающих товаров, могут быть автоматизированы, что снижает нагрузку на сотрудников.

Системы искусственного интеллекта также способны распознавать закономерности в складских процессах, которые могут ускользнуть от внимания человека. Благодаря анализу данных система лучше понимает текущую ситуацию на складе, выявляет узкие места или неэффективность и предлагает пути улучшения. Практический пример — оптимизация маршрутов: алгоритмы могут анализировать и оптимизировать маршруты передвижения складских работников или погрузочно-разгрузочного оборудования (например, погрузчиков). Например, списки комплектации сортируются таким образом, чтобы сотрудники выбирали кратчайший возможный маршрут по складу. Это сокращает время в пути и позволяет быстрее комплектовать заказы. Аналогичным образом, функции ИИ могут определять оптимальное место хранения для каждого продукта — на основе его размера, скорости оборота и других факторов — для повышения эффективности хранения и поиска.

Еще один важный аспект — снижение количества ошибок и повышение качества. Системы распознавания изображений на основе ИИ, например, могут сканировать упаковки при получении и проверять их состояние и размеры. Это позволяет немедленно обнаруживать повреждения или неправильно маркированные товары. Такой автоматизированный контроль качества гарантирует, что проблемы будут решены на ранних этапах процесса и не распространятся по всей цепочке поставок. Кроме того, ИИ обучается со временем: хотя на начальном этапе могут возникать ошибки, методы машинного обучения постоянно улучшают распознавание изображений, неуклонно снижая частоту ошибок.

Все эти оптимизации в конечном итоге приводят к повышению производительности и снижению затрат на складские операции. Роботы и системы искусственного интеллекта могут выполнять некоторые задачи значительно быстрее и точнее, чем люди, тем самым повышая производительность. В то же время алгоритмический анализ данных склада позволяет принимать более эффективные стратегические решения — например, в планировании персонала и ресурсов — делая общие процессы более эффективными. Решения на основе ИИ могут непрерывно отслеживать операции, анализировать риски и действовать превентивно (например, обнаруживать надвигающиеся узкие места и принимать контрмеры). В целом, это повышает прозрачность работы склада, и проблемы часто выявляются еще до их возникновения. Все это способствует снижению затрат, поскольку более эффективный склад производит меньше отходов, снижает затраты на ошибки и оптимально использует рабочее время. Согласно прогнозам экспертов, технологии ИИ могут значительно повысить эффективность в логистической отрасли в ближайшие годы — например, Accenture оценивает увеличение эффективности более чем на 40% к 2035 году.

Вкратце, ИИ повышает скорость, точность и гибкость складских процессов. Это включает в себя ускорение поиска и отгрузки товаров, минимизацию расхождений в инвентаризации и улучшение координации с другими звеньями цепочки поставок. Для компаний это означает повышение эффективности работы склада и одновременно освобождение сотрудников от монотонных или сложных задач.

В связи с этим:

• Склад на пределе своих возможностей? Автоматизация склада: оптимизация склада против модернизации – правильное решение для вашего склада

Прогнозирование спроса и управление запасами с помощью машинного обучения

Ключевое применение машинного обучения в складской логистике — прогнозирование спроса. Это означает предсказание будущего спроса — другими словами, вопрос: какой продукт понадобится, когда и в каком количестве? Точный ответ на этот вопрос бесценен, поскольку позволяет оптимизировать управление запасами. Избыток запасов неоправданно замораживает капитал и складские площади, а недостаток запасов приводит к задержкам поставок и недовольству клиентов. Системы на основе искусственного интеллекта могут смягчить эту проблему, делая высокоточные прогнозы на основе больших массивов данных.

Современные модели машинного обучения анализируют исторические данные о продажах, сезонные колебания, текущие заказы, маркетинговые кампании, тренды в социальных сетях и многие другие влияющие факторы. На основе этого они выявляют закономерности и корреляции. Такая система может, например, распознать, что продажи определенных товаров увеличиваются, как только приближается конкретное событие (например, спрос на уголь для барбекю возрастает перед летними выходными). На основе таких закономерностей ИИ автоматически прогнозирует, какое количество товаров следует доставить в какое место и в какое время. Эти прогнозы помогают компаниям корректировать уровни запасов в соответствии со спросом. В частности, это означает, что если прогнозируется скорое увеличение спроса на продукт, ИИ обеспечивает своевременный заказ и наличие необходимых материалов на складе. И наоборот, он выдает предупреждение, если ожидается снижение спроса на продукт, предотвращая таким образом избыток запасов и перепроизводство.

Практический пример — немецкий онлайн-ритейлер OTTO. С 2019 года компания использует собственную систему прогнозирования продаж на основе искусственного интеллекта. Эта система, по сути, заглядывает в будущее продаж и поддерживает все соответствующие процессы — от закупок и складирования до доставки. Прогнозы ИИ точно показывают OTTO, какие товары поступят на склад и когда, а также ожидаемый объем продаж в любой момент времени. На основе этой информации OTTO решает, следует ли и в каком количестве закупать тот или иной товар и как его следует распределять. Например, ИИ определяет, следует ли хранить товар на складе или отправлять его напрямую от производителя покупателю по мере необходимости. Таким образом, прогноз напрямую влияет на закупки, складирование и распределение. Результат: на складе хранятся только те товары, которые действительно необходимы, что снижает дорогостоящие излишки запасов и последующие продажи со скидками. В то же время прогнозы гарантируют наличие товаров, как только спрос возрастает, чтобы не упускать возможности для продаж. Благодаря этому искусственному интеллекту компания OTTO теперь автоматически заказывает 35% своего ассортимента продукции без необходимости ручного оформления заказов человеком — это доказательство того, насколько хорошо работают прогнозы.

Другие компании также используют оптимизацию запасов на основе ИИ. Например, DHL сообщает, что системы ИИ могут сравнивать спрос и уровни запасов в режиме реального времени и автоматически инициировать повторные заказы. Они даже способны прогнозировать пиковый спрос, чтобы предотвратить как дефицит, так и избыток товаров. Это обеспечивает быструю доставку клиентам, поскольку всегда имеется достаточный запас товаров, а также исключает ненужные буферные запасы, которые повлекли бы за собой дополнительные расходы.

Прогнозирование спроса с помощью машинного обучения влияет не только на собственные запасы компании, но и на всю ее цепочку поставок. Точные прогнозы позволяют, например, заранее отправлять товары в региональные распределительные центры, еще до получения заказов. Компания OTTO, например, создает региональные прогнозы, чтобы предсказать, какие товары будут заказаны где и в каких количествах. Затем эти товары заблаговременно доставляются на ближайший склад. Это сокращает время доставки и уменьшает транспортные расстояния, что также снижает выбросы CO₂.

Вкратце, планирование спроса на основе ИИ приводит к более эффективному управлению запасами: всегда наличие нужного товара в нужном количестве в нужное время. Это позволяет компаниям избегать узких мест в цепочках поставок, повышать удовлетворенность клиентов и одновременно снижать затраты на хранение. Для складской логистики это означает меньшее количество экстренных операций по устранению внезапного дефицита, поскольку ИИ с высокой вероятностью сможет обнаружить и справиться с такими ситуациями на ранней стадии. В условиях все более нестабильного поведения потребителей (например, бум электронной коммерции, сезонные пики из-за онлайн-акций и т. д.) такое проактивное управление становится важнейшим конкурентным преимуществом.

Автоматизация и робототехника на складе

Особенно впечатляющей областью интеграции ИИ является автоматизация складов с помощью робототехники. Современные склады все чаще полагаются на интеллектуальные машины, способные перемещать, поднимать, сортировать или упаковывать товары – зачастую управляемые или поддерживаемые ИИ. Эти складские роботы освобождают сотрудников, особенно от физически тяжелых, монотонных или требующих быстрого выполнения задач.

Одним из примеров являются автономные транспортные средства на складах, также известные как AGV (автоматизированные управляемые транспортные средства) или AMR (автономные мобильные роботы). Эти транспортные средства — от небольших плоских транспортных роботов до автоматизированных погрузчиков — могут полностью самостоятельно перемещать поддоны, коробки или отдельные предметы из точки А в точку Б. Это становится возможным благодаря датчикам, камерам и навигационным системам в сочетании с алгоритмами искусственного интеллекта для планирования маршрута. Роботы «видят» окружающую среду, обнаруживают препятствия и находят оптимальный маршрут к месту назначения. Искусственный интеллект позволяет этим транспортным средствам реагировать на изменения в режиме реального времени — например, объезжать внезапно появившееся в проходе препятствие — при этом сохраняя оптимальный маршрут. Во многих складах такие автономные грузоносители уже стали реальностью: они перевозят товары между местами хранения, пополняют запасы на полках, собирают товары для заказов клиентов (автоматизированная комплектация заказов) или доставляют готовые заказы на станцию ​​отгрузки. Это освобождает сотрудников от длительных пеших переходов и транспортных задач, позволяя им сосредоточиться на более сложных задачах.

Еще одно применение робототехники — это роботы-комплектовщики с управлением ИИ. Это стационарные или мобильные роботы с захватными манипуляторами, способные извлекать предметы с полок. Используя обработку изображений (камеры и программное обеспечение ИИ), такой робот идентифицирует нужный предмет и берет требуемое количество. Уже существуют системы, в которых роботы берут отдельные детали: робот получает команду от системы управления складом, например, взять 5 единиц товара X. Он перемещается (если робот мобильный) в соответствующее отделение, визуально идентифицирует предмет и точно берет его. Весовые датчики проверяют правильность количества взятого товара, а ИИ еще раз подтверждает идентификацию предмета с помощью распознавания изображений. Такие системы часто работают в отдельных зонах или ночью, чтобы обрабатывать заказы круглосуточно. Используются и более сложные системы автоматизации, такие как автоматизированные системы комплектации (автоматизированные склады) — здесь различные предметы хранятся в контейнерах или желобах, и по запросу система автоматически транспортирует нужный предмет в контейнер для выдачи.

В этом контексте Amazon прославилась: компания уже около десяти лет активно использует складских роботов. На складах Amazon тысячи маленьких оранжевых роботов (ранее принадлежавших Kiva Systems) перемещают целые стеллажные модули по всему складу непосредственно к работникам, занимающимся комплектацией заказов. Интеллектуальное управление на основе ИИ координирует работу этих роботизированных стеллажей настолько эффективно, что расстояние, которое проходят сотрудники, сводится к минимуму. Внутреннее исследование Amazon показало, что такая оптимизированная с помощью ИИ координация приводит к огромной экономии — Amazon экономит около полумиллиарда долларов США в год, поскольку роботы доставляют товары сотрудникам быстрее и эффективнее. ИИ постоянно рассчитывает, какие стеллажные модули нужно доставить к какому сотруднику для оптимальной обработки заказов. Результат: более быстрое выполнение заказов клиентов при меньших затратах.

Роботы для сортировки и упаковки также становятся обычным явлением. Например, в некоторых центрах обработки посылок DHL роботы уже берут посылки с конвейерной ленты и сортируют их по отсекам для соответствующих маршрутов доставки. Эти так называемые DHLBots работают на основе искусственного интеллекта и отличаются гибкостью – оснащенные 3D-камерами, они распознают размер и форму отправлений, сканируют штрих-коды и автономно определяют, в какой отсек должна быть помещена посылка. Таким образом, они представляют собой гораздо больше, чем просто жесткие промышленные роботы; они могут обрабатывать посылки самых разных размеров и адаптироваться к меняющимся процессам. На практике это означает, что предварительная сортировка посылок происходит быстрее и точнее, что ускоряет доставку «последней мили».

На международном уровне существует множество впечатляющих примеров. В логистическом центре китайского гиганта электронной коммерции Alibaba (точнее, его логистического подразделения Cainiao) создан высокоавтоматизированный склад, где роботы выполняют около 70% работы. Примерно 60 мобильных роботов, известных в местном масштабе как «Чжу Цюэ», доставляют товары на упаковочные станции на складе площадью 3000 м², тем самым утроив производительность. Работник склада обычно комплектует около 1500 товаров за смену, а с помощью роботов эта цифра возрастает до 3000 товаров при значительно меньшем расстоянии перемещения. Искусственный интеллект обеспечивает эффективную совместную работу роботов, предотвращает взаимные помехи и всегда доставляет следующий товар на станцию ​​комплектации точно в нужный момент. Этот склад Alibaba демонстрирует, что технически возможно при почти полной автоматизации складской логистики: сотрудникам практически не нужно ходить по проходам, поскольку роботы доставляют полки или товары непосредственно к ним, а производительность резко возрастает.

В интеллектуальных складах часто интегрируются различные технологии: автономные транспортные средства, роботизированные манипуляторы, автоматизированные конвейерные ленты, датчики IoT для мониторинга условий окружающей среды и запасов, а также системы искусственного интеллекта в качестве «мозга», управляющего всем процессом. Цель — высокоавтоматизированный склад, работающий эффективно, безопасно и прозрачно. В таких условиях сотрудники часто работают бок о бок с коллаборативными роботами (коботами), которые помогают им поднимать тяжести или доставлять товары. Хотя внедрение робототехники меняет должностные обязанности сотрудников, оно повышает общую эффективность склада.

Многие склады все еще находятся в начале этого процесса — по оценкам, в Германии и США автоматизировано лишь около 20% складов, а остальные по-прежнему работают преимущественно вручную. Но такие крупные игроки, как Amazon, Alibaba и DHL, лидируют, постепенно оснащая свои склады технологиями искусственного интеллекта и роботами. В ближайшие годы ожидается, что все больше и больше складских процессов будет автоматизировано — будь то с помощью беспилотных транспортных систем, автоматизированных систем сортировки или интеллектуальных систем помощи сотрудникам.

В связи с этим:

• Эффективная автоматизация склада: 25 важных вопросов и ответов для оптимизации — советы по оптимизации и модернизации складских помещений

Искусственный интеллект в управлении цепочками поставок и корпоративном программном обеспечении (SCM, DCM, ERP)

В интеграции ИИ в складскую логистику решающую роль играют не только отдельные роботы, но и лежащее в их основе программное обеспечение. Современные системы управления цепочками поставок (SCM) и решения для планирования ресурсов предприятия (ERP) все чаще оснащаются функциями ИИ для улучшения планирования, контроля и управления по всей цепочке поставок. В этом контексте также появляется термин «управление цепочкой спроса» (DCM) — здесь акцент делается именно на спросе клиентов и соответствующей ему цепочке поставок. ИИ может выступать в качестве своего рода интеллектуального слоя во всех этих системах, значительно расширяя возможности традиционных функций.

Ключевым примером является система управления складом (WMS) — программное обеспечение, которое управляет всеми складскими операциями (от приемки и размещения товаров до комплектации заказов и отгрузки товаров). В прошлом WMS работали по заранее запрограммированным правилам. Однако сейчас производители интегрируют модули искусственного интеллекта, которые делают WMS «умнее». Например, польский ритейлер модной одежды LPP внедрил в свою систему управления складом решение на основе ИИ (PSIwms AI), использующее механизмы машинного обучения для оптимизации процессов. Результатом стало значительное сокращение маршрутов комплектации и общее повышение эффективности работы склада. Это демонстрирует, что ИИ может дополнять существующее логистическое программное обеспечение, позволяя ему обучаться на основе собственных операционных данных и самостоятельно улучшать процессы. WMS с поддержкой ИИ может, например, распознавать, какие товары часто заказываются вместе, и перемещать их места хранения ближе друг к другу (автоматическая оптимизация планировки). Или она может динамически расставлять приоритеты заказов на основе доступных ресурсов, дорожных условий или сроков доставки.

системы управления цепочками поставок

Системы управления цепочками поставок с поддержкой ИИ идут еще дальше, охватывая не только отдельный склад, но и всю цепочку поставок. Они используют ИИ для выполнения сквозной оптимизации: например, балансировки запасов на нескольких складах, оптимизации транспортных мощностей и гибкого реагирования на сбои. Инструменты управления цепочками поставок на базе ИИ могут агрегировать большие объемы данных из различных источников — таких как данные о погоде, информация о дорожном движении и информация о поставщиках — и, таким образом, корректировать графики доставки в режиме реального времени. Oracle описывает, как компании используют ИИ для балансировки уровней запасов и поиска экономичных маршрутов доставки гораздо эффективнее, чем это было бы возможно с помощью традиционного программного обеспечения. Такая система могла бы, например, автоматически рассчитывать альтернативный маршрут для последующих грузовиков в случае внезапного закрытия дороги и перепланировать затронутые доставки. Или она могла бы выявлять проблемы с качеством у конкретного поставщика и своевременно предупреждать о дефектных деталях до того, как они попадут на склад.

Управление цепочкой спроса (DCM)

Управление цепочкой спроса (DCM), которое фокусируется на стороне спроса, также получает значительную выгоду от использования ИИ. Цель здесь — оптимальное удовлетворение потребностей клиентов, по сути, интеграция маркетинга/продаж с цепочкой поставок. В DCM ИИ может, например, анализировать заказы клиентов и улучшать прогнозы, чтобы еще точнее согласовывать производство и запасы с фактическим спросом. На практике управление цепочкой поставок (SCM) и DCM часто пересекаются, но оба стремятся использовать ИИ для максимально эффективного балансирования спроса и предложения.

Крупные поставщики ERP-систем, такие как SAP и Oracle, уже интегрировали функции ИИ в свои продукты. SAP называет это «бизнес-ИИ» в своих модулях ERP, которые предназначены для оптимизации таких процессов, как складирование, обработка заказов и транспортировка, с использованием аналитических данных, полученных с помощью ИИ. Oracle подчеркивает, что системы ИИ могут распознавать закономерности в цепочках поставок, которые остаются скрытыми для человека, что позволяет более точно прогнозировать спрос клиентов и, следовательно, более эффективно управлять запасами. Microsoft и специализированные поставщики программного обеспечения для логистики также предлагают модули ИИ, которые легко интегрируются в существующие процессы. Часто предоставляются стандартные интерфейсы к системам ERP, что позволяет моделям ИИ (например, для прогнозирования) относительно быстро работать с данными компании. Например, модель ИИ для прогнозирования продаж может быть напрямую интегрирована в систему обработки заказов ERP: система затем автоматически генерирует предложения по заказам на закупку на основе прогнозов машинного обучения.

Одно из простых и понятных применений программного обеспечения на основе ИИ — использование чат-ботов в логистике. Эти цифровые помощники могут быть интегрированы в системы управления складом или транспортные системы и помогать сотрудникам и внешним партнерам быстро получать доступ к информации. В контексте складского хозяйства чат-боты могут, например, отвечать на вопросы типа «Где находится товар XY?» или «Каков текущий уровень запасов товара Z?» — и делать это за считанные секунды, круглосуточно. Они могут принимать запросы на заказы или прогнозировать время доставки. Внутри компании такие помощники освобождают персонал от трудоемких задач по поиску информации; извне они улучшают обслуживание клиентов (например, предоставляя информацию о наличии товара на складе при оформлении заказа).

Вкратце, искусственный интеллект проникает в ландшафт логистического программного обеспечения на всех уровнях. От WMS и SCM/DCM до ERP, традиционные системы дополняются ИИ для обеспечения автоматизированного принятия решений. Интеграция имеет решающее значение: решения на основе ИИ должны органично вписываться в существующие процессы. Благодаря облачным технологиям и стандартизированным интерфейсам это становится все проще. Компании часто могут добавлять функциональные возможности ИИ в качестве расширения к своим существующим системам. Тем не менее, успешная реализация остается задачей, требующей экспертных знаний – должны быть доступны необходимые данные, обучены модели и постоянно отслеживаться. После освоения этих навыков программные системы с поддержкой ИИ предлагают значительную дополнительную ценность: прозрачность, скорость и проактивный контроль становятся новой нормой в складской логистике.

Проблемы внедрения ИИ: как компании преодолевают инвестиционные и ИТ-препятствия – Изображение: Xpert.Digital

Практические примеры из практики компаний

Многие компании по всему миру уже успешно используют ИИ в своих складских и логистических процессах. Вот несколько практических примеров, демонстрирующих широкий спектр применений:

Amazon (США)

Компания Amazon, будучи пионером в этой области, широко использует искусственный интеллект и робототехнику. В центрах выполнения заказов этого гиганта электронной коммерции десятки тысяч роботов перемещают полки с товарами к сотрудникам. Искусственный интеллект постоянно оптимизирует процесс, определяя, какая полка должна перейти к какому сотруднику для получения товара. Такое интеллектуальное управление комплектацией заказов значительно повысило эффективность работы Amazon. По оценкам исследований, экономия от оптимизации комплектации заказов с помощью ИИ составляет приблизительно 470 миллионов евро в год. Кроме того, Amazon использует ИИ во многих других областях, таких как планирование маршрутов для транспортных средств доставки, динамическое планирование рабочего времени персонала на основе объема заказов и прогнозируемое техническое обслуживание складского оборудования.

Alibaba (Китай)

Компания Alibaba, через свою логистическую дочернюю компанию Cainiao, управляет высокоавтоматизированными складами, где роботы выполняют большую часть физической работы. На известном складе в провинции Гуандун интеллектуальные транспортные роботы выполняют 70% складских задач, утроив производительность. Управляемые искусственным интеллектом, роботы доставляют товары своим сотрудникам, которые в основном занимаются упаковкой. Благодаря координации с помощью ИИ, один сотрудник с помощью робота может отсортировать до 3000 посылок за смену, по сравнению с примерно 1500 без поддержки. Alibaba также использует ИИ для дронов-доставщиков и автономных транспортных средств в местном транспорте, а также применяет машинное обучение для оптимизации распределения запасов в своих многочисленных распределительных центрах. Результатом являются молниеносные доставки (иногда в тот же день или в течение нескольких часов), несмотря на огромные объемы заказов, — это стало возможным благодаря процессам, оптимизированным с помощью ИИ.

Deutsche Post DHL (Германия)

Как глобальный поставщик логистических услуг, DHL инвестирует в искусственный интеллект в различных областях бизнеса. В сфере доставки посылок DHL тестирует автономные дроны и уличных роботов, а решения на основе ИИ также используются на самих складах. В некоторых складах и центрах обработки посылок DHL роботы с поддержкой ИИ автоматически сортируют посылки в соответствии с регионом назначения. Эти роботизированные манипуляторы используют 3D-камеры и ИИ для распознавания каждой посылки, ее захвата и размещения в соответствующем отсеке — значительно быстрее, чем это мог бы сделать человек. DHL также использует инструменты ИИ для оптимизации маршрутов своего автопарка, прогнозируемого обслуживания конвейерных систем и управления запасами для контрактных клиентов. Например, в контрактной логистике (складская логистика для промышленных клиентов) DHL использует ИИ для мониторинга запасов клиентов и запуска автоматических заказов на пополнение до возникновения дефицита. Это позволяет DHL повысить надежность доставки и укрепить отношения с клиентами.

ОТТО (Германия)

Как уже упоминалось выше, компания OTTO успешно использует ИИ для прогнозирования продаж и управления запасами. Система автоматически заказывает новые товары и оптимизирует уровни запасов. Это позволило OTTO сократить избыточные запасы, одновременно улучшив показатели доставки. OTTO — пример того, как немецкая компания может разрабатывать и эффективно внедрять ИИ внутри компании, чтобы оставаться конкурентоспособной на высококонкурентном рынке (электронная коммерция).

Hitachi (Япония)

В Японии, где многие процессы традиционно по-прежнему выполняются вручную, начинается широкое внедрение ИИ в складскую логистику. Примером может служить компания Hitachi, которая исследует возможности ИИ для улучшения комплектации заказов в своих распределительных центрах. Компания стремится поддержать свой стареющий персонал с помощью распознавания изображений и роботизированных захватов. Другие японские компании — например, в автомобильной промышленности — также все чаще используют автоматизированные складские системы с ИИ. Правительство Японии поддерживает такие проекты в рамках концепции «Общество 5.0» и специальных программ по смягчению дефицита квалифицированных кадров в логистическом секторе. Робототехника в целом пользуется большим признанием в Японии, и новые стратегии сейчас сосредоточены на дальнейшей автоматизации складов и цепочек поставок.

Walmart (США)

Крупнейшая в мире розничная сеть также инвестирует в ИИ для своей цепочки поставок. Walmart использует аналитику на основе ИИ для отслеживания уровня запасов в режиме реального времени в своих распределительных центрах и прогнозирования необходимости пополнения запасов в магазинах. Walmart также протестировала в некоторых магазинах роботов-учетчиков, которые перемещаются по проходам и используют ИИ для определения того, какие товары нуждаются в пополнении. Автоматизированные системы сортировки используются в крупных логистических центрах компании, занимающихся электронной коммерцией, а ИИ оптимизирует распределение посылок по маршрутам грузовиков. Вместе с такими компаниями, как Walmart, эти американские розничные гиганты стимулируют внедрение ИИ в логистику.

Приведенные примеры демонстрируют, что как технологические компании, так и традиционные поставщики логистических услуг продуктивно используют ИИ на своих складах. В частности, Amazon и Alibaba устанавливают стандарты, которым следуют другие. Но проекты в области ИИ также успешно появляются в Германии и других странах – некоторые разрабатываются собственными силами (как в OTTO), некоторые в сотрудничестве с технологическими партнерами, а другие – путем приобретения стартапов. Крайне важно, чтобы эти успехи получили распространение: многие малые и средние логистические компании внимательно следят за действиями крупных игроков и начинают пилотировать решения на основе ИИ в конкретных областях.

Экономическое влияние ИИ на складское хозяйство

Внедрение ИИ и машинного обучения в складскую логистику — это не только техническое, но и экономическое решение. Компании ожидают ощутимых коммерческих преимуществ, но также должны инвестировать и учитывать потенциальные побочные эффекты.

Для начала рассмотрим положительные экономические эффекты

Как уже объяснялось ранее, ИИ значительно повышает эффективность складских операций — процессы выполняются быстрее и с меньшим количеством ошибок. Это напрямую влияет на затраты. Например, оптимизированное с помощью ИИ планирование маршрутов для складских работников или роботов может значительно сократить время комплектации заказов, позволяя обрабатывать больше заказов за смену (повышение производительности). Затраты на персонал можно сэкономить или использовать более эффективно, поскольку автоматизация освобождает сотрудников, позволяя им более продуктивно работать в других областях. Управление запасами с помощью ИИ снижает затраты на складские запасы, поскольку меньше капитала связано с избыточными запасами, а списания из-за порчи или устаревшей продукции уменьшаются. Опрос показал, что многие логистические компании видят в ИИ возможность значительно повысить качество и производительность — более половины компаний даже считают логистику передовым сектором в области цифровизации. Это означает, что отрасль ожидает от ИИ значительного вклада в создание ценности.

Конкретные цифры подтверждают потенциал экономии

Анализы Accenture прогнозируют, что использование ИИ может повысить эффективность логистики более чем на 40% к 2035 году. Это приведет к значительному снижению затрат, поскольку повышение эффективности, как правило, означает достижение большего объема производства (выполнение заказов) при тех же или меньших затратах (время, персонал, пространство). Даже сегодня конкретные проекты часто демонстрируют относительно быструю окупаемость инвестиций (ROI). Например, системы ИИ, оптимизирующие транспортировку или погрузку грузовиков, могут экономить на топливе и избегать холостых пробегов, позволяя инвестициям в программное обеспечение окупиться всего за несколько лет. ИИ также способствует экономии средств за счет предотвращения простоев (сбоев, приводящих к задержкам доставки), например, когда системы прогнозирующего технического обслуживания предотвращают дорогостоящие остановки оборудования на складе.

Пилотные проекты и бизнес-кейсы: Когда ИИ приносит свои плоды в складской логистике

Однако этим возможностям противостоят инвестиционные затраты и проблемы. Приобретение складских роботов, датчиков и программного обеспечения на основе ИИ изначально обходится дорого. Не каждая компания располагает финансовыми ресурсами, подобными тем, что есть у Amazon, чтобы инвестировать сотни миллионов в автоматизацию. Многие руководители логистических компаний колеблются из-за высоких инвестиционных затрат или отсутствия ИТ-инфраструктуры. В частности, небольшим и средним складам часто не хватает необходимой цифровой базы (например, сквозного сбора данных) для полного использования возможностей ИИ. Кроме того, внедрение требует экспертных знаний: специалисты по ИИ и анализу данных востребованы, но их мало, и они дороги. На начальном этапе проекты по внедрению ИИ могут усложняться, требуя обучения персонала и управления изменениями.

В краткосрочной перспективе возможны и перераспределения затрат. Например, увеличение использования ИТ-инфраструктуры повышает затраты на обеспечение безопасности данных и обслуживание систем. Необходимо выделять бюджеты на регулярные обновления программного обеспечения, переобучение моделей (в случае машинного обучения) и системы резервного копирования. Не следует недооценивать и затраты на интеграцию — то есть интеграцию решений ИИ в существующие системные ландшафты. Oracle, например, подчеркивает, что внедрение часто может быть сложным и дорогостоящим, особенно когда пользовательские модели машинного обучения необходимо обучать на собственных данных.

Однако в долгосрочной перспективе большинство экспертов ожидают, что потенциальная экономия перевесит инвестиции. После преодоления первоначальных трудностей склад, использующий ИИ, как правило, работает гораздо экономичнее. Есть и «мягкие» факторы: современный автоматизированный склад может более эффективно масштабироваться в соответствии с ростом (обрабатывая больше заказов без необходимости линейного увеличения штата). Он повышает конкурентоспособность – компании остаются конкурентоспособными с точки зрения сроков и стоимости доставки или даже могут выделиться за счет особенно быстрого обслуживания. Кроме того, оптимизированные с помощью ИИ процессы помогают сократить сроки доставки, что, в свою очередь, может повысить лояльность клиентов и выручку (довольные клиенты с большей вероятностью сделают заказ снова).

Один из интересных аспектов — это устойчивое развитие, которое также приобретает экономическое значение. Искусственный интеллект способствует более экологичной работе складов (например, за счет оптимального использования вместимости грузовиков, что сокращает количество поездок, или за счет предотвращения избыточных запасов, что снижает перепроизводство). Поскольку устойчивое развитие теперь ценится инвесторами и клиентами, это может косвенно принести финансовые выгоды (ключевое слово: «зеленая логистика» как конкурентное преимущество).

Вкратце, ИИ влияет на затраты на складские запасы различными способами: затраты на персонал, затраты на складские запасы, затраты, связанные с ошибками, и затраты, связанные с простоями — все это можно сократить с помощью ИИ. Однако это необходимо сопоставить с инвестиционными и эксплуатационными затратами на системы ИИ. Компаниям необходимо учитывать, когда и где внедрение ИИ имеет для них финансовый смысл. На практике мы часто видим, как сначала запускаются пилотные проекты для получения конкретных данных. Обычно они наглядно демонстрируют, стоит ли масштабирование. По мере того, как технология становится все более доступной и недорогой (облачные сервисы, стандартные решения), барьер для входа снижается.

Вкратце, ИИ является конкурентным фактором в логистике. Те, кто инвестирует на ранних этапах и стратегически, могут добиться лидерства по затратам или преимущества в обслуживании. Компании, которые медлят, напротив, рискуют стать менее эффективными в долгосрочной перспективе и потерять долю рынка. Тем не менее, внедрение — задача нетривиальная: оно требует убедительного обоснования целесообразности, грамотного планирования и зачастую поддержки руководства, поскольку включает в себя стратегические решения.

В связи с этим:

• Эффективное планирование и реализация: искусственный интеллект, робототехника и автоматизация в современных складских помещениях

Региональные различия: Германия, ЕС, США и Япония

Развитие и распространение ИИ в складской логистике различаются в зависимости от региона, на них влияют экономические условия, технологические лидеры и политические рамки. Рассмотрим ключевые регионы:

Германия и ЕС

В Германии логистический сектор традиционно занимает видное место и считается сравнительно инновационным. Исследования показывают, что 22% немецких логистических компаний уже используют ИИ, а еще 26% имеют конкретные планы по его внедрению. Немецкие компании считают ИИ особенно полезным в таких областях, как прогнозирование спроса, планирование продаж и оптимизация транспортировки. Тем не менее, в настоящее время в Германии автоматизировано лишь около 20% складов. Это означает, что большинство из них по-прежнему работают преимущественно с ручными процессами. Проблемы часто заключаются в сложности системы и нехватке квалифицированных кадров, что препятствует внедрению новых технологий. Несмотря на это, немецкие компании активно инвестируют в ИИ для оптимизации процессов и сохранения конкурентоспособности.

И Германия, и Европейский союз оказывают существенную политическую поддержку технологиям искусственного интеллекта. Германия разработала стратегию в области ИИ и выделила миллиарды евро на исследования. Такие институты, как Институты Фраунгофера (например, IML в Дортмунде), целенаправленно работают над решениями на основе ИИ для логистики. Концепции «Индустрия 4.0» и «Логистика 4.0» определяют видение, в котором ИИ играет ключевую роль. ЕС, в свою очередь, планирует продвигать ИИ и робототехнику в промышленности посредством таких программ, как «Горизонт Европа», и специальных проектов финансирования. В то же время Европа уделяет пристальное внимание этическим нормам и регулированию – ключевыми примерами являются Европейская комиссия и Европейская инициатива по регулированию ИИ (Закон об ИИ). Это направлено на обеспечение надежного и безопасного использования ИИ, что также имеет решающее значение в логистике (например, защита данных сотрудников, стандарты безопасности для автономных систем).

США

Соединенные Штаты долгое время были лидерами в области автоматизации и исследований в сфере искусственного интеллекта, и здесь расположены такие технологические гиганты, как Google, Amazon, IBM и Microsoft, которые стимулируют развитие ИИ. Однако на практике США не намного более автоматизированы, чем Европа, когда речь идет о складской логистике. По оценкам, только около 20% складов в США высоко автоматизированы. Тем не менее, высокие затраты на рабочую силу и растущий дефицит кадров в США сейчас стимулируют значительные инвестиции в автоматизацию. Крупные компании, такие как Amazon, Walmart и UPS, внедряют системы на основе ИИ и выступают в качестве первопроходцев. США понимают, что технологии ИИ необходимы для того, чтобы не отстать в глобальной конкуренции (особенно с Азией).

В политическом плане приоритеты США несколько отличаются – преобладают частные инвестиции и инициативы. Государственное финансирование менее централизовано, чем в ЕС или Китае, но существуют программы Министерства обороны и Министерства энергетики, которые косвенно поддерживают исследования в области ИИ (например, в области беспилотных автомобилей, что также приносит пользу логистике). В последнее время стратегии в области ИИ также обсуждаются на национальном уровне, особенно в части укрепления промышленной базы. В целом можно сказать, что американские компании прагматично продвигают ИИ в логистике, в то время как политики постепенно пытаются создать основу для того, чтобы наверстать упущенное на международном уровне.

Япония

Япония является пионером в области робототехники и автоматизации – в промышленности (например, в автомобилестроении) плотность роботов составляет 399 роботов на 10 000 работников, что ставит ее в число мировых лидеров. Однако в сфере складской логистики Япония проявляла большую осторожность. Традиционные методы работы и высокая ценность человеческого труда долгое время приводили к сравнительно ограниченной автоматизации складов. Но сейчас ситуация быстро меняется, поскольку Япония сталкивается с острыми демографическими проблемами: сокращается численность молодого населения, а законодательные ограничения на рабочее время вынуждают компании внедрять решения по автоматизации для поддержания производительности. В результате все больше японских фирм обращаются к современным складским решениям на основе искусственного интеллекта. Правительство активно продвигает это направление – «Новая стратегия роботизации» специально поощряет использование роботов в таких секторах услуг, как логистика.

Кроме того, Япония продвигает концепцию Общества 5.0 — сверхсвязанного общества, в котором искусственный интеллект повсеместно используется, — стремясь решить социальные проблемы (такие как старение населения). В рамках этой концепции ведется работа над автоматизированными грузовиками для доставки, роботизированными системами погрузки и разгрузки, а также оптимизированными с помощью ИИ цепочками поставок. Мы уже видим японские логистические центры, оснащенные беспилотными погрузчиками и конвейерными системами с управлением на основе ИИ. Хотя Япония, возможно, начала несколько позже, автоматизация на складах и использование ИИ, вероятно, значительно возрастут в ближайшие годы. В культурном плане принятие роботов очень высокое, что способствует этой трансформации.

Китай и Южная Корея (для сравнения)

Хотя это прямо не указано в вопросе, стоит кратко взглянуть: Китай активно инвестирует в робототехнику и искусственный интеллект и в настоящее время является крупнейшим в мире рынком промышленных роботов. Более 50% всех новых роботов в мире устанавливаются в Китае. Китайское правительство в значительной степени субсидирует это развитие для модернизации своих цепочек поставок. В частности, благодаря буму электронной коммерции (Alibaba, JD.com и др.), Китай пережил значительный рост в области автоматизированных складских решений. Южная Корея, в свою очередь, считается скрытым лидером в автоматизации складов: более 40% ее складов уже автоматизированы благодаря высокой склонности к технологиям и таким компаниям, как Coupang, которые в значительной степени полагаются на искусственный интеллект. Такие страны служат эталоном того, что возможно при последовательном внедрении технологий.

Европа (ЕС) в целом

За некоторыми исключениями, Европа в этой области примерно на одном уровне с США. Внутри Европы такие страны, как Германия, Нидерланды и страны Скандинавии, занимают хорошие позиции с точки зрения ИТ в логистике, в то время как другим еще предстоит наверстать упущенное. ЕС пытается обеспечить равномерный прогресс посредством совместных проектов (например, GAIA-X для инфраструктуры данных) и программ финансирования. Кроме того, существуют общеевропейские исследовательские проекты в области ИИ для транспорта и логистики (например, по автономным колоннам грузовиков, регулированию дронов для доставки и т. д.), которые, естественно, также влияют на склады, поскольку все взаимосвязано.

Вкратце: Германия/ЕС и США по-прежнему относительно равны в практическом применении ИИ на складах – значительный потенциал признается, но большая часть отрасли все еще не использует ИИ. В Азии картина неоднородна: Китай и Южная Корея значительно опережают другие страны благодаря агрессивному внедрению, в то время как Япония догоняет. Региональная политика и программы финансирования играют важную роль: в то время как Китай и некоторые части Европы активно продвигают ИИ посредством государственных инициатив, в США развитие осуществляется частным сектором. В конечном итоге, все наблюдают друг за другом: хорошие решения внедряются на международном уровне. Поэтому можно ожидать определенной степени конвергенции – складская логистика носит глобальный характер, и успешные концепции ИИ (будь то «метод Amazon» или роботы Alibaba) будут распространяться по всему миру.

Автоматизированные склады 2050: мечта становится реальностью

Взгляд в будущее складской логистики с использованием ИИ и машинного обучения обещает еще более захватывающие разработки. Один из терминов, который постоянно встречается, — это «умный склад», то есть практически полностью оцифрованный и интеллектуальный склад. В таких будущих сценариях все системы и машины взаимодействуют друг с другом (ключевое слово: Интернет вещей, IoT). ИИ выступает в роли мозга, управляющего этими сетевыми устройствами. Можно представить себе склад в 2050 году, где почти все рутинные задачи автоматизированы: автономные транспортные средства перевозят товары, роботы комплектуют заказы, дроны проводят инвентаризацию (например, обнаруживают пробелы на полках с помощью камеры во время полета), а системы ИИ отслеживают все в режиме реального времени.

В связи с этим:

• Дальнейшее развитие и оптимизация складской логистики: склады, автоматизация, робототехника и искусственный интеллект для новой эры эффективности

Потенциальные разработки

Мы находимся лишь в начале пути к тому, чего может достичь ИИ в логистике. В будущем самообучающиеся алгоритмы смогут оптимизировать целые складские комплексы в режиме реального времени, динамически адаптируясь к ассортименту продукции, объему заказов или даже непредвиденным событиям (таким как внезапное закрытие границы или нехватка сырья). Генеративный ИИ (известный по ChatGPT и аналогичным приложениям) может помочь в процессах планирования, например, путем разработки альтернативных сценариев сбоев в цепочке поставок. Робототехника, вероятно, станет еще более универсальной: сегодня у нас есть специализированные роботы для выполнения конкретных задач; в будущем человекоподобные роботы или чрезвычайно гибкие роботизированные системы смогут работать на складах, выполняя широкий спектр задач (захват, переноска, управление). Первые подходы к этому (двуногие роботы в качестве помощников на складе) уже тестируются.

Взаимодействие человека и машины также постоянно совершенствуется. Коботы могли бы работать в тесном контакте с людьми без защитных ограждений, а искусственный интеллект мог бы выступать в качестве личного помощника для каждого работника склада — например, с помощью умных очков дополненной реальности, отображающих всю необходимую информацию в режиме реального времени (местоположение на складе, следующий шаг, предупреждения). Носимые устройства на базе ИИ также могли бы контролировать безопасность (например, браслет вибрирует, когда рядом находится погрузчик). Все это направлено на улучшение условий труда и дальнейшее снижение количества ошибок и несчастных случаев.

Конечно, на этом пути возникают и проблемы, и этические вопросы. Часто обсуждается вопрос рабочих мест: если все больше и больше процессов на складе автоматизируются, что произойдет с рабочими местами складских работников? В краткосрочной перспективе некоторые задачи могут исчезнуть – например, потребуется меньше ручных комплектовщиков, если роботы возьмут на себя эти задачи. Исследования предсказывают сокращение рабочих мест для людей, особенно для простых, повторяющихся задач. Но в то же время появляются новые роли: ИИ также создает новые рабочие места – просто другие. В будущем будет расти потребность в специалистах по обслуживанию робототехники, анализу данных или поддержке систем ИИ. Таким образом, хотя рутинный физический труд сокращается, требования к технической экспертизе рабочей силы возрастают. Компаниям необходимо переобучать и повышать квалификацию своих сотрудников, чтобы они могли эффективно работать в среде, поддерживаемой ИИ. Интересно, что некоторые компании даже сообщают, что автоматизация позволила им расшириться и нанять больше сотрудников, поскольку их бизнес вырос. Машина не обязательно полностью заменяет работу, а часто только монотонные и стрессовые ее части, позволяя людям выполнять более квалифицированные задачи.

Человек против машины? Почему гибридные решения будут доминировать на складах

Этические соображения также включают защиту данных и прозрачность. Искусственный интеллект на складах собирает большой объем данных, например, о производительности сотрудников (скорость комплектации заказов, схемы перемещения) или о мониторинге окружающей среды. В этом случае персональные данные должны обрабатываться с осторожностью для защиты конфиденциальности и поддержания наблюдения за рабочим местом в разумных пределах. Решения, принимаемые ИИ, должны быть понятными – например, если алгоритм определяет, сколько должен произвести сотрудник, необходимы прозрачные критерии для обеспечения справедливости. В этом контексте ЕС делает акцент на надежном ИИ – алгоритмах, которые объяснимы, справедливы и надежны.

Еще один важный вопрос — безопасность: автономные роботы и системы искусственного интеллекта должны быть спроектированы таким образом, чтобы не представлять опасности для людей. Это требует соблюдения технических стандартов и проведения испытаний (например, беспилотный погрузчик должен надежно останавливаться в 100% случаев, если человек находится на его пути). Кибербезопасность также приобретает все большее значение: сетевой склад может стать мишенью для хакерских атак, поэтому системы искусственного интеллекта должны быть защищены от манипуляций.

В перспективе можно даже представить себе полностью автономные склады, работающие без освещения ночью, исключительно за счет машин. Функции мониторинга будут в основном выполнять люди. Однако в обозримом будущем люди останутся важнейшим компонентом – хотя бы для обеспечения гибкости и способности решать проблемы в непредвиденных ситуациях. Поэтому гибридное решение (человек + ИИ), вероятно, станет перспективным направлением на ближайшие несколько десятилетий.

Будущее складской логистики: почему искусственный интеллект становится незаменимым

Дальнейшие сложности заключаются в практической реализации: многие компании сталкиваются с вопросом о том, как внедрить ИИ. Стандарты отсутствуют, существует огромное количество поставщиков, а успех зависит от качества данных. Те, у кого данные некачественные или неполные, не получат хороших результатов от ИИ («мусор на входе, мусор на выходе»). Для создания действительно бесшовной, интеллектуальной цепочки поставок необходимо обеспечить совместимость между различными системами (например, ИИ на складе и ИИ в управлении транспортом).

Тем не менее, тенденция очевидна: ИИ приобретает все большее значение в складской логистике. Через десять лет большая часть того, что сейчас является пилотным проектом, станет обыденным явлением. Компании, начинающие сегодня, получают ценный опыт и могут масштабировать свои решения. Политики во многих странах поддерживают это развитие, поскольку понимают, что логистика является ключевым сектором для всей экономики, а ИИ — рычагом, позволяющим сделать эту важнейшую отрасль более эффективной и устойчивой.

Интеграция ИИ и машинного обучения в складскую логистику уже началась, и уже видны успехи в повышении эффективности и скорости. Это требует инвестиций и преобразований, но открывает огромные возможности – от экономии затрат и улучшения обслуживания клиентов до новых бизнес-моделей. Региональные различия со временем уменьшатся по мере внедрения передовых методов по всему миру. Будущее обещает еще более интеллектуальную, в значительной степени автоматизированную складскую логистику, где люди и машины работают в тесном взаимодействии. В то же время мы должны ответственно управлять этими изменениями – вовлекать сотрудников, обеспечивать безопасность технологий и придерживаться этических норм. Если нам это удастся, мы можем ожидать мир логистики, который будет намного эффективнее, гибче и устойчивее, чем все, что мы знали в прошлом.

☑️ Поддержка малых и средних предприятий в области стратегии, консалтинга, планирования и реализации проектов

☑️ Разработка или корректировка цифровой стратегии и цифровизации

☑️ Расширение и оптимизация международных процессов продаж

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Развитие новаторского бизнеса

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

Вы можете связаться со мной, заполнив форму обратной связи ниже, или просто позвонить мне по номеру +49 7348 4088 965 .

Я с нетерпением жду начала нашего совместного проекта.

Xpert.Digital — это центр для предприятий, специализирующийся на цифровизации, машиностроении, логистике/внутрипроизводственной логистике и фотовольтаике.

С помощью нашего комплексного решения для развития бизнеса мы поддерживаем известные компании на всех этапах, от привлечения новых клиентов до послепродажного обслуживания.

Анализ рынка, маркетинговый маркетинг, автоматизация маркетинга, разработка контента, PR, почтовые рассылки, персонализированные кампании в социальных сетях и работа с потенциальными клиентами — все это входит в число наших цифровых инструментов.

Более подробную информацию можно найти по ссылкам: www.xpert.digital - www.xpert.solar - www.xpert.plus