Интеграција вештачке интелигенције и машинског учења у складишној логистици – Глобални развој у Немачкој, ЕУ, САД и Јапану

Будућност складишне логистике: Процеси вођени вештачком интелигенцијом за максималну продуктивност

Вештачка интелигенција (ВИ) односи се на способност машина или софтвера да обављају задатке који обично захтевају људску интелигенцију - као што су логичко резоновање, учење, планирање или креативно решавање проблема. У суштини, ради се о томе да рачунарски системи буду способни да извлаче закључке из података и доносе одлуке, уместо да једноставно прате строго унапред дефинисана правила. Машинско учење (МУ) је подобласт ВИ у којој алгоритми независно препознају обрасце анализирајући велике количине података и сходно томе прилагођавају своје понашање. Једноставно речено, МУ систем учи из искуства: „Обучава се“ са историјским подацима, а затим може да доноси предвиђања или одлуке на основу нових, непознатих података. Ово омогућава ВИ да континуирано побољшава сопствена предвиђања и перформансе без потребе да је људи експлицитно програмирају за сваки појединачни случај.

У логистици – а посебно у складишној логистици – вештачка интелигенција и машинско учење отварају огромне могућности. Логистичка индустрија има опсежне мреже и генерише огромне количине података, што је чини идеалним подручјем примене за вештачку интелигенцију. Интелигентни алгоритми могу, на пример, предвидети будуће количине поруџбина, израчунати оптималне руте или контролисати сложене процесе у складишту. Самоучећи системи могу доносити одлуке брже и често прецизније од људи, посебно када је у питању обрада великих количина података у реалном времену. Стога се технологије вештачке интелигенције користе у различитим областима модерних складишта – од управљања залихама и прикупљања поруџбина до контроле транспорта унутар складишта.

Генерално, вештачка интелигенција у складишту у суштини опонаша „размишљање“ веома искусног менаџера складишта, само са приступом далеко већем броју података. На пример, системи вештачке интелигенције могу да идентификују које се ставке добро продају и када, како најефикасније складиштити робу или којим рутама виљушкар треба да се креће да би уштедео време. Ове аутоматизоване, на подацима засноване одлуке чине основу за све већу интеграцију вештачке интелигенције и машинског учења у складишну логистику.

Оптимизација складишних процеса путем вештачке интелигенције

Једна од највећих предности вештачке интелигенције у складишној логистици је оптимизација постојећих процеса. Складишта се ослањају на константан проток информација – на пример, података о залихама, података о поруџбинама или информација о локацији робе. Тамо где су људи склони грешкама или имају ограничене могућности обраде информација, вештачка интелигенција пружа прецизност и брзину. На пример, вештачка интелигенција може да пружи и анализира податке у реалном времену, омогућавајући брже откривање и исправљање грешака пре него што изазову проблеме. Рутински задаци као што су провера нивоа залиха или евидентирање долазне робе могу се аутоматизовати, чиме се растерећује терет запослених.

Системи вештачке интелигенције такође могу препознати обрасце у процесима у складишту који би могли промаћи људском оку. Кроз ову анализу података, систем боље разуме тренутну ситуацију у складишту, идентификује уска грла или неефикасности и предлаже побољшања. Практичан пример је оптимизација руте: Алгоритми могу анализирати и оптимизовати пешачке руте радника у складишту или опреме за руковање материјалом (нпр. виљушкари). На пример, листе за прикупљање се сортирају тако да запослени користе најкраћу могућу руту кроз складиште. Ово смањује време путовања и омогућава брже састављање поруџбина. Слично томе, функције вештачке интелигенције могу одредити најбољу локацију за складиштење за сваки производ - на основу његове величине, стопе обрта и других фактора - како би складиштење и преузимање било ефикасније.

Још један важан аспект је смањење грешака и побољшање квалитета. Системи за препознавање слика засновани на вештачкој интелигенцији могу, на пример, скенирати пакете по пријему и проверити њихово стање и димензије. Ово омогућава тренутно откривање оштећења или погрешно обележених предмета. Такве аутоматизоване контроле квалитета осигуравају да се проблеми решавају рано у процесу и да се не шире кроз цео ланац снабдевања. Штавише, вештачка интелигенција учи током времена: Иако се грешке могу појавити у почетку, технике машинског учења континуирано побољшавају препознавање слика, постепено смањујући стопу грешака.

Све ове оптимизације на крају доводе до повећања продуктивности и смањења трошкова у складиштењу. Роботи и системи вештачке интелигенције могу обављати неке задатке знатно брже и прецизније од људи, чиме се повећава продуктивност. Истовремено, алгоритамска анализа података из складишта омогућава боље стратешке одлуке – на пример, у планирању особља и ресурса – чинећи свеобухватне процесе ефикаснијим. Решења вештачке интелигенције могу континуирано пратити операције, анализирати ризике и деловати проактивно (нпр. открити предстојеће уско грло и предузети контрамере). Генерално, ово побољшава транспарентност у складишту, а проблеми се често идентификују пре него што се и појаве. Све ово доприноси смањењу трошкова, јер ефикасније складиште генерише мање отпада, смањује трошкове грешака и оптимално користи радно време. Према стручним прогнозама, технологије вештачке интелигенције могле би значајно повећати ефикасност у логистичкој индустрији у наредним годинама – Accenture, на пример, процењује повећање ефикасности од преко 40% до 2035. године.

Укратко, вештачка интелигенција повећава брзину, тачност и флексибилност складишних процеса. Ово се креће од бржег лоцирања и отпреме производа, до минимизирања неслагања у залихама и боље координације са другим деловима ланца снабдевања. За компаније, ово значи већу ефикасност складишта, а истовремено ослобађа запослене монотоних или сложених задатака.

У вези са овим:

• Складиште на граници својих могућности? Аутоматизација складишта: Оптимизација складишта наспрам реконструкције – Права одлука за ваше складиште

Прогнозирање потражње и управљање залихама помоћу машинског учења

Кључна примена машинског учења у складишној логистици је предвиђање потражње. Ово се односи на предвиђање будуће потражње – другим речима, питање: Који производ ће бити потребан, када и у којој количини? Прецизан одговор на ово питање је непроцењив, јер омогућава оптимално управљање залихама. Превише залиха непотребно везује капитал и складишни простор, док премало залиха доводи до уских грла у снабдевању и незадовољних купаца. Системи засновани на вештачкој интелигенцији могу ублажити ову дилему тако што ће правити веома тачна предвиђања на основу великих скупова података.

Модерни модели машинског учења анализирају историјске бројке продаје, сезонске флуктуације, тренутне поруџбине, маркетиншке кампање, трендове на друштвеним мрежама и многе друге факторе који утичу. Из овога уче обрасце и корелације. Такав систем може, на пример, препознати да се продаја одређених артикала повећава чим је одређени догађај неизбежан (на пример, потражња за роштиљским ћумуром расте пре летњих викенда). На основу таквих образаца, вештачка интелигенција аутоматски предвиђа које количине робе треба испоручити на коју локацију и у које време. Ова предвиђања помажу компанијама да прилагоде нивое залиха како би задовољиле потражњу. Конкретно, то значи да ако се предвиди да ће потражња за производом ускоро порасти, вештачка интелигенција осигурава да се залихе наруче и буду доступне у складишту благовремено. Насупрот томе, издаје упозорење ако се очекује смањење потражње за производом, чиме се спречава прекомерно складиштење и прекомерна производња.

Практичан пример је немачки онлајн продавац OTTO. Од 2019. године, компанија користи сопствени систем за прогнозирање продаје, заснован на вештачкој интелигенцији. Овај систем у суштини гледа у будућност продаје и подржава све релевантне процесе – од куповине и складиштења до испоруке. Прогнозе вештачке интелигенције показују OTTO-у тачно које ће ставке стићи у складиште и када, као и очекивани обим продаје у било ком тренутку. На основу ових информација, OTTO одлучује да ли и у којој количини треба купити артикал и како га дистрибуирати. На пример, вештачка интелигенција одређује да ли производ треба држати на залихама или га директно послати од произвођача купцу када је потребан. Прогноза тако има директан утицај на куповину, складиштење и дистрибуцију. Резултат: Само роба која је заиста потребна држи се на залихама, смањујући скупо превелико складиштење и накнадну продају са попустима. Истовремено, прогнозе осигуравају да су артикли доступни чим се потражња повећа, како се не би пропустиле продајне прилике. Захваљујући овој вештачкој интелигенцији, OTTO сада аутоматски наручује 35% свог асортимана производа без потребе за ручним наручивањем од стране човека – доказ колико добро предвиђања функционишу.

Друге компаније такође користе оптимизацију залиха засновану на вештачкој интелигенцији. DHL, на пример, извештава да системи вештачке интелигенције могу да упореде потражњу и нивое залиха у реалном времену и аутоматски покрену поновне поруџбине. Чак су у стању да предвиде вршну потражњу како би спречили и недостатак залиха и превелике залихе. Ово осигурава брзу испоруку купцима јер увек има довољно залиха на располагању, а истовремено елиминише непотребне резервне залихе које би произвеле трошкове.

Прогнозирање потражње путем машинског учења не утиче само на залихе саме компаније, већ и на цео њен ланац снабдевања. Прецизне прогнозе омогућавају, на пример, да се роба унапред шаље регионалним дистрибутивним центрима, чак и пре него што се поруџбине приме. OTTO, на пример, креира регионалне прогнозе како би предвидео који ће производи бити наручени где и у којим количинама. Ови артикли се затим проактивно испоручују у оближње складиште. Ово скраћује време испоруке и смањује транспортне удаљености, што такође смањује емисију CO₂.

Укратко, планирање потражње засновано на вештачкој интелигенцији доводи до ефикаснијег управљања залихама: увек постоји прави производ у правој количини у право време. Ово омогућава компанијама да избегну уска грла у снабдевању, повећају задовољство купаца и истовремено смање трошкове складиштења. За складишну логистику, то значи мање операција „гашења пожара“ како би се решиле изненадне несташице, јер је веома вероватно да ће вештачка интелигенција рано открити и управљати таквим ситуацијама. У временима све нестабилнијег понашања купаца (помислите на бум е-трговине, сезонске врхунце због онлајн промоција итд.), ово проактивно управљање постаје кључна конкурентска предност.

Аутоматизација и роботика у складишту

Једно посебно упечатљиво подручје интеграције вештачке интелигенције је аутоматизација путем роботике у складиштима. Модерна складишта се све више ослањају на паметне машине које могу да померају, подижу, сортирају или пакују робу – често контролисане или подржане од стране вештачке интелигенције. Ови роботи у складиштима растерећују људске запослене, посебно физички захтевне, монотоне или временски критичне задатке.

Један пример су аутономна возила у складиштима, позната и као AGV (Аутоматски вођена возила) или AMR (Аутономни мобилни роботи). Ова возила – од малих, равних транспортних робота до аутоматизованих виљушкара – могу потпуно самостално транспортовати палете, кутије или појединачне предмете од тачке А до тачке Б. То је омогућено сензорима, камерама и навигационим системима, у комбинацији са вештачком интелигенцијом (ВИ) алгоритмима за планирање руте. Роботи „виде“ своју околину, детектују препреке и проналазе најбољу руту до свог одредишта. ВИ омогућава овим возилима да реагују на промене у реалном времену – на пример, да се крећу око препреке која се изненада појави у пролазу – док и даље одржавају оптималну руту. У многим складиштима, такви аутономни носачи терета су већ стварност: они превозе робу између складишних локација, допуњавају залихе на полицама, сакупљају артикле за поруџбине купаца (аутоматизовано прикупљање поруџбина) или превозе завршене поруџбине до отпремне станице. Ово ослобађа људске запослене дугих пешачких удаљености и транспортних задатака, омогућавајући им да се фокусирају на захтевније активности.

Још једна примена роботике су роботи за брање којима управља вештачка интелигенција. То су стационарни или мобилни роботи са хватаљкама које могу да преузимају артикле са полица. Користећи обраду слике (камере и софтвер вештачке интелигенције), такав робот идентификује исправан артикал и бира потребну количину. Већ постоје системи где роботи бирају појединачне делове: Робот прима поруџбину од система за управљање складиштем, на пример, да бира 5 јединица артикла X. Он се креће (ако је мобилан) до одговарајућег одељка, визуелно идентификује артикал и прецизно га бира. Сензори тежине проверавају да ли је исправна количина изабрана, а вештачка интелигенција поново потврђује идентитет артикла путем препознавања слике. Такви системи често раде у одвојеним областима или ноћу како би припремали поруџбине 24 сата дневно. Користе се и сложенији системи аутоматизације, као што су аутоматизовани системи за брање (аутоматизована складишта) – овде се различити артикли складиште у контејнерима или жлебовима, а на захтев, систем аутоматски транспортује жељени артикал до контејнера за издавање.

Амазон је постао познат у овом контексту: Компанија се већ око деценију у великој мери ослања на роботе у складишту. У Амазоновим складиштима, хиљаде малих наранџастих робота (раније из Кива Системс) транспортују целе модуле полица кроз складиште директно до људских сакупљача поруџбина. Интелигентна вештачка интелигенција координира ове роботске полице тако ефикасно да се путне удаљености запослених минимизирају. Интерна студија Амазона показала је да ова координација оптимизована вештачком интелигенцијом доводи до огромних уштеда – Амазон штеди око пола милијарде америчких долара годишње јер роботи брже и ефикасније испоручују робу запосленима. Вештачка интелигенција стално израчунава које модуле полица треба испоручити поред ког запосленог како би оптимално обрадила поруџбине. Резултат: брже испуњавање поруџбина купаца по нижој цени.

Роботи за сортирање и паковање такође постају уобичајени. У неким DHL пакет центрима, на пример, роботи већ узимају пакете са транспортне траке и сортирају их у одељке за одговарајуће руте испоруке. Ови такозвани DHLBot-ови покрећу се вештачком интелигенцијом и флексибилни су – опремљени 3D камерама, препознају величину и облик пошиљки, скенирају бар-кодове и аутономно одлучују у који одељак пакет припада. Стога су много више од крутих индустријских робота; могу да рукују широким спектром величина пакета и да се прилагођавају променљивим процесима. У пракси то значи да се пакети брже и прецизније претходно сортирају, што убрзава испоруку до последње миље.

На међународном нивоу постоје бројни узбудљиви примери. У логистичком центру кинеског гиганта електронске трговине Alibaba (тачније, његове логистичке подружнице Cainiao), постављено је високо аутоматизовано складиште где роботи обављају око 70% посла. Приближно 60 мобилних робота – локално познатих као „Zhu Que“ – транспортују робу до станица за паковање у складишту површине 3.000 м², чиме се утростручује продуктивност. Људски складиштар обично бира око 1.500 артикала по смени – уз подршку робота, ова бројка расте на 3.000 артикала, са знатно мањом удаљеношћу ходања. Вештачка интелигенција осигурава да роботи ефикасно раде заједно, избегавају да се међусобно сметају и увек испоручују следећи артикал на станицу за прикупљање у тачно правом тренутку. Ово складиште Alibaba демонстрира шта је технички могуће када је складишна логистика скоро потпуно аутоматизована: запослени готово више не морају да ходају кроз пролазе јер роботи доносе полице или робу директно до њих, а проток се драматично повећава.

Паметна складишта често интегришу више технологија: аутономна возила, роботске руке, аутоматизоване транспортне траке, IoT сензоре за праћење услова околине и залиха, и вештачке интелигенције (AI) системе као „мозак“ који контролише све. Циљ је високо аутоматизовано складиште које функционише ефикасно, безбедно и транспарентно. Људски запослени у овим окружењима често раде руку под руку са колаборативним роботима (коботима) који им помажу у тешком подизању или испоруци робе. Иако увођење ове роботике доводи до промене профила посла запослених, она повећава укупну ефикасност складишта.

Многа складишта су још увек на почетку овог развоја – према проценама, само око 20% складишта у Немачкој и САД је аутоматизовано, док се остатак и даље углавном управља ручно. Али велики играчи попут Амазона, Алибабе и DHL-а предњаче у томе, постепено опремајући своја складишта вештачком интелигенцијом технологијама и роботима. У наредним годинама очекује се да ће све више процеса у складиштима бити аутоматизовано – било кроз системе транспорта без возача, аутоматизоване системе сортирања или интелигентне системе помоћи за запослене.

У вези са овим:

• Ефикасна аутоматизација складишта: 25 важних питања и одговора за вашу оптимизацију – савети за оптимизацију и санацију складишта

Вештачка интелигенција у ланцу снабдевања и пословном софтверу (SCM, DCM, ERP)

Не само појединачни роботи, већ и основни софтвер игра кључну улогу у интеграцији вештачке интелигенције у складишној логистици. Модерни системи за управљање ланцем снабдевања (SCM) и решења за планирање ресурса предузећа (ERP) све се више опремају функцијама вештачке интелигенције како би се побољшало планирање, контрола и управљање дуж ланца снабдевања. Термин управљање ланцем потражње (DCM) се такође појављује у овом контексту – овде је фокус посебно на потражњи купаца и ланцу снабдевања усклађеном са њом. Вештачка интелигенција може послужити као нека врста интелигентног слоја у свим овим системима, значајно побољшавајући традиционалне функције.

Кључни пример је систем за управљање складиштем (WMS) – софтвер који управља свим операцијама у складишту (од пријема и складиштења робе до прикупљања поруџбина и издавања робе). У прошлости, WMS-ови су радили према унапред програмираним правилима. Међутим, сада произвођачи интегришу вештачку интелигенцију (AI) модуле који WMS чине „паметнијим“. На пример, пољски модни продавац LPP имплементирао је AI решење (PSIwms AI) у свој систем за управљање складиштем које користи механизме машинског учења за оптимизацију процеса. Резултат су биле знатно краће руте прикупљања и укупна већа ефикасност складишта. Ово показује да AI може да допуни постојећи логистички софтвер омогућавајући му да учи из сопствених оперативних података и самостално побољша процесе. WMS подржан AI може, на пример, да препозна које се ставке често наручују заједно и да сходно томе приближи њихове локације складиштења (аутоматизована оптимизација распореда). Или може динамички да да приоритет поруџбинама на основу расположивих ресурса, услова у саобраћају или рокова испоруке.

Системи управљања ланцем снабдевања

Системи управљања ланцем снабдевања са подршком за вештачку интелигенцију иду корак даље гледајући даље од појединачног складишта на цео ланац снабдевања. Они користе вештачку интелигенцију за обављање оптимизација од почетка до краја: на пример, балансирање залиха на више локација у складишту, оптимизацију транспортног капацитета и флексибилно реаговање на поремећаје. Алати за управљање ланцем снабдевања засновани на вештачкој интелигенцији могу да агрегирају велике количине података из различитих извора - као што су подаци о времену, информације о саобраћају и информације о добављачима - и тако прилагоде распореде испоруке у реалном времену. Oracle описује како компаније користе вештачку интелигенцију за балансирање нивоа залиха и проналажење ефикаснијих рута испоруке у погледу потрошње горива много ефикасније него што би то било могуће са конвенционалним софтвером. Такав систем би, на пример, могао аутоматски да израчуна алтернативну руту за наредне камионе ако се пут изненада затвори и да поново закаже погођене испоруке. Или би могао да открије проблеме са квалитетом код одређеног добављача и да благовремено упозори пре него што неисправни делови стигну до складишта.

Управљање ланцем потражње (DCM)

Управљање ланцем потражње (DCM), које се фокусира на страну потражње, такође има велике користи од вештачке интелигенције. Циљ је оптимално задовољавање потреба купаца – у суштини, интегрисање маркетинга/продаје са ланцем снабдевања. У DCM-у, вештачка интелигенција може, на пример, анализирати поруџбине купаца и побољшати прогнозе како би још прецизније ускладила производњу и залихе са стварном потражњом. У пракси, управљање ланцем снабдевања (SCM) и DCM се често преклапају, али оба имају за циљ да користе вештачку интелигенцију како би што ефикасније уравнотежили понуду и потражњу.

Велики ERP добављачи, попут SAP-а и Oracle-а, већ су интегрисали функционалности вештачке интелигенције у своје производе. SAP ово назива „пословна вештачка интелигенција“ у својим ERP модулима, који су дизајнирани да оптимизују процесе као што су складиштење, обрада поруџбина и транспорт користећи увиде засноване на вештачкој интелигенцији. Oracle наглашава да системи вештачке интелигенције могу да препознају обрасце у ланцима снабдевања који остају скривени људима, омогућавајући тачнија предвиђања потражње купаца и тиме исплативије управљање залихама. Microsoft и специјализовани добављачи логистичког софтвера такође нуде модуле вештачке интелигенције који се беспрекорно интегришу у постојеће процесе. Често се обезбеђују стандардни интерфејси за ERP системе, што омогућава моделима вештачке интелигенције (на пример, за прогнозирање) да релативно брзо раде са подацима компаније. На пример, модел вештачке интелигенције за прогнозирање продаје може се директно интегрисати у обраду ERP поруџбина: Систем затим аутоматски генерише предлоге за поруџбине на основу предвиђања машинског учења.

Једна лако разумљива примена софтвера за вештачку интелигенцију је употреба четботова у логистици. Ови дигитални асистенти могу се интегрисати у системе за управљање складиштима или системе за управљање транспортом и помоћи запосленима и екстерним партнерима да брзо приступе информацијама. У контексту складишта, четботови би, на пример, могли да одговоре на питања попут „Где се налази артикал XY?“ или „Колики је тренутни ниво залиха производа Z?“ – и то за неколико секунди, 24 сата дневно. Могу да прихвате захтеве за поруџбине или да предвиде време испоруке. Интерно, такви асистенти ослобађају особље дуготрајних истраживачких задатака; екстерно, побољшавају корисничку услугу (нпр. пружањем информација о стању залиха поруџбине).

Укратко, вештачка интелигенција прожима пејзаж логистичког софтвера на свим нивоима. Од WMS-а и SCM/DCM-а до ERP-а, традиционални системи се проширују вештачком интелигенцијом како би се омогућило аутоматизовано доношење одлука. Интеграција је кључна: вештачка интелигенција решења морају се беспрекорно уклопити у постојеће процесе. Захваљујући cloud технологији и стандардизованим интерфејсима, ово постаје све лакше. Компаније често могу да додају вештачке интелигенције као проширење својим постојећим системима. Ипак, успешна имплементација остаје задатак који захтева стручност – прави подаци морају бити доступни, модели обучени и континуирано праћени. Када се ово савлада, софтверски системи подржани вештачком интелигенцијом нуде значајну додатну вредност: транспарентност, брзина и проактивна контрола постају нова норма у складишној логистици.

Практични примери из компанија

Многе компаније широм света већ успешно користе вештачку интелигенцију у својим процесима складиштења и логистике. Ево неколико практичних примера који демонстрирају разнолик спектар примене:

Амазон (САД)

Као пионир, Амазон користи вештачку интелигенцију и роботику у великим размерама. У центрима за испуњење поруџбина овог гиганта електронске трговине, десетине хиљада робота премешта полице са робом до запослених. Вештачка интелигенција континуирано оптимизује процес – одређујући која полица иде ком запосленом да преузме артикал. Ова интелигентна контрола прикупљања драматично је повећала ефикасност Амазона. Студије процењују уштеде од Амазонове оптимизације прикупљања засноване на вештачкој интелигенцији на приближно 470 милиона евра годишње. Штавише, Амазон користи вештачку интелигенцију у многим другим областима, као што су планирање рута за возила за доставу, динамичко заказивање радне снаге на основу обима поруџбина и предиктивно одржавање своје складишне опреме.

Алибаба (Кина)

Алибаба, преко своје логистичке подружнице Цаиниао, управља високо аутоматизованим складиштима где роботи обављају већину физичког рада. У једном познатом складишту у Гуангдонгу, паметни транспортни роботи обављају 70% складишних задатака, утростручујући продуктивност. Контролисани вештачком интелигенцијом, роботи испоручују робу људским колегама, који се првенствено фокусирају на паковање. Захваљујући координацији вештачком интелигенцијом, један запослени уз помоћ робота може да сортира до 3.000 пакета по смени, у поређењу са приближно 1.500 без подршке. Алибаба такође користи вештачку интелигенцију за дронове за доставу и аутономна возила за доставу у локалном транспорту и користи машинско учење за оптимизацију расподеле залиха у својим бројним дистрибутивним центрима. Резултат су муњевито брзе испоруке (понекад истог дана или у року од неколико сати) упркос огромним количинама поруџбина – што је омогућено процесима оптимизованим вештачком интелигенцијом.

Дојче Пост ДХЛ (Немачка)

Као глобални добављач логистичких услуга, DHL улаже у вештачку интелигенцију у различитим пословним областима. У области доставе пакета, DHL тестира аутономне дронове за доставу и уличне роботе, а вештачка интелигенција се користи и у самом складишту. У неким DHL складиштима и центрима за пакете, роботи покретани вештачком интелигенцијом аутоматски сортирају пакете према њиховом региону одредишта. Ове роботске руке користе 3Д камере и вештачку интелигенцију да би препознале сваку пошиљку, ухватиле је и поставиле у одговарајући одељак за отпрему – знатно брже него што би то могао човек. DHL такође користи алате вештачке интелигенције за оптимизацију рута својих возних паркова камиона, предиктивно одржавање својих транспортних система и управљање залихама за уговорне купце. На пример, у уговорној логистици (складишна логистика за индустријске купце), DHL користи вештачку интелигенцију за праћење залиха купаца и покретање аутоматских налога за допуну залиха пре него што дође до несташице. Ово омогућава DHL-у да повећа поузданост испоруке и ојача односе са купцима.

OTO (Немачка)

Као што је горе поменуто, OTTO успешно користи вештачку интелигенцију за прогнозирање продаје и управљање залихама. Систем аутоматски наручује залихе и оптимизује нивое залиха. Ово је омогућило OTTO-у да смањи вишак залиха, а истовремено побољша перформансе испоруке. OTTO је пример како немачка компанија може да развије и продуктивно примени вештачку интелигенцију интерно како би остала конкурентна на веома конкурентном тржишту (е-трговина).

Хитачи (Јапан)

У Јапану, где се многи процеси традиционално и даље обављају ручно, сада почиње широко распрострањена интеграција вештачке интелигенције у складишну логистику. Један пример је Хитачи, који истражује вештачку интелигенцију како би побољшао прикупљање поруџбина у својим дистрибутивним центрима. Компанија има за циљ да подржи своју старију радну снагу препознавањем слика и роботским хватаљкама. Друге јапанске компаније - на пример, у аутомобилској индустрији - такође се све више ослањају на аутоматизоване складишне системе са вештачком интелигенцијом. Јапанска влада промовише такве пројекте у оквиру „Друштва 5.0“ и посебних програма за ублажавање недостатка квалификованих радника у логистичком сектору. Роботика генерално ужива велику прихваћеност у Јапану, а нове стратегије се сада фокусирају на даљу аутоматизацију складишта и ланаца снабдевања.

Волмарт (САД)

Највећи светски малопродајни ланац такође улаже у вештачку интелигенцију за свој ланац снабдевања. Волмарт користи аналитику вештачке интелигенције за праћење нивоа залиха у реалном времену у својим дистрибутивним центрима и предвиђање када ће продавницама бити потребно обнављање залиха. Волмарт је такође тестирао роботе за управљање залихама у неким продавницама који се крећу кроз пролазе и користе вештачку интелигенцију за идентификацију производа које треба обнављати. Аутоматизовани системи за сортирање користе се у великим логистичким центрима компаније за е-трговину, а вештачка интелигенција оптимизује расподелу пакета рутама камиона. Заједно са компанијама попут Волмарта, ови амерички малопродајни гиганти покрећу усвајање вештачке интелигенције у логистици.

Наведени примери показују да и технолошке компаније и традиционални логистички добављачи продуктивно користе вештачку интелигенцију у својим складиштима. Амазон и Алибаба, посебно, постављају стандарде које други следе. Али пројекти вештачке интелигенције се успешно појављују и у Немачкој и другде – неки су развијени интерно (као у ОТТО-у), неки у сарадњи са технолошким партнерима, а други кроз аквизицију стартапова. Кључно је да се ови успеси заживе: Многе мале и средње логистичке компаније пажљиво прате шта раде већи играчи и сада такође почињу да пилотирају решења вештачке интелигенције у одређеним областима.

Економски утицај вештачке интелигенције у складиштењу

Увођење вештачке интелигенције и машинског учења у складишну логистику није само техничка већ и економска одлука. Компаније очекују опипљиве пословне предности, али морају и да инвестирају и размотре потенцијалне нуспојаве.

Прво, погледајмо позитивне економске ефекте

Као што је претходно објашњено, вештачка интелигенција значајно повећава ефикасност складишта – процеси се одвијају брже и са мање грешака. Ово директно утиче на трошкове. На пример, планирање рута оптимизовано вештачком интелигенцијом за раднике у складишту или роботе може драстично смањити време прикупљања поруџбина, омогућавајући обраду више поруџбина по смени (већи проток). Трошкови особља могу се уштедети или боље искористити јер аутоматизација ослобађа запослене, омогућавајући им да буду продуктивније распоређени негде другде. Управљање залихама подржано вештачком интелигенцијом смањује трошкове залиха, јер је мање капитала везано за вишак залиха, а отписи због кварења или застарелих производа се смањују. Анкета је показала да многе логистичке компаније виде вештачку интелигенцију као прилику за значајно повећање квалитета и продуктивности – преко половине компанија чак сматра логистику пионирским сектором у дигитализацији. То значи да индустрија очекује да ће вештачка интелигенција дати велики допринос стварању вредности.

Конкретне бројке поткрепљују потенцијал уштеде

Анализе компаније Accenture предвиђају да би употреба вештачке интелигенције могла повећати ефикасност логистике за преко 40% до 2035. године. То би се претворило у огромно смањење трошкова, јер повећана ефикасност генерално значи постизање већег учинка (испуњење поруџбина) са истим или мањим улагањем (време, особље, простор). Чак и данас, конкретни пројекти често показују релативно брз повраћај инвестиције (ROI). Системи вештачке интелигенције који оптимизују транспорт или утовар камиона, на пример, могу уштедети на трошковима горива и избећи празне вожње, омогућавајући да се инвестиција у софтвер исплати у року од само неколико година. Вештачка интелигенција такође доприноси уштеди трошкова спречавањем застоја (прекида који доводе до кашњења у испоруци), као што је случај када системи предиктивног одржавања спречавају скупе застоје машина у складишту.

Пилот пројекти и пословни случајеви: Када се вештачка интелигенција исплати у складишној логистици

Међутим, ове могућности су супротстављене инвестиционим трошковима и изазовима. Набавка робота за складишта, сензора и софтвера за вештачку интелигенцију је у почетку скупа. Нема свака компанија финансијске ресурсе попут Амазона да инвестира стотине милиона у аутоматизацију. Многи доносиоци логистичких одлука оклевају због високих инвестиционих трошкова или недостатка ИТ инфраструктуре. Мања и средња складишта, посебно, често немају неопходне дигиталне основе (нпр. прикупљање података од почетка до краја) да би у потпуности искористила вештачку интелигенцију. Штавише, имплементација захтева стручност: стручњаци за вештачку интелигенцију и анализу података су тражени, али су ретки и скупи. У почетку, пројекти вештачке интелигенције могу повећати сложеност, што захтева обуку запослених и управљање променама.

Краткорочно гледано, могуће су и промене трошкова. На пример, повећана употреба ИТ-а повећава трошкове безбедности података и одржавања система. Буџети морају бити издвојени за редовна ажурирања софтвера, преобуку модела (у случају машинског учења) и системе за прављење резервних копија. Трошкови интеграције – односно интеграције вештачке интелигенције у постојеће системске пејзаже – такође не треба потцењивати. Oracle, на пример, наглашава да имплементација често може бити тешка и скупа, посебно када је потребно обучити прилагођене моделе машинског учења на власничким подацима.

Међутим, дугорочно гледано, већина стручњака очекује да ће потенцијалне уштеде надмашити инвестицију. Када компанија превазиђе почетне препреке, складиште подржано вештачком интелигенцијом обично послује много економичније. Постоје и меки фактори: Модерно, аутоматизовано складиште може ефикасније да се прилагоди расту (обрађује више поруџбина без потребе за линеарним повећањем броја запослених). Повећава конкурентност – компаније остају конкурентне у погледу времена испоруке и трошкова, или се чак могу диференцирати кроз посебно брзу услугу. Штавише, процеси оптимизовани вештачком интелигенцијом помажу у скраћивању времена испоруке, што заузврат може повећати лојалност купаца и приход (задовољни купци ће вероватније поново наручити).

Један занимљив аспект је одрживост, која такође постаје економски релевантна. Вештачка интелигенција доприноси еколошки прихватљивијем раду складишта (нпр. кроз оптимално коришћење капацитета камиона, што штеди на путовањима, или избегавањем вишка залиха, што смањује прекомерну производњу). Пошто одрживост сада цене и инвеститори и купци, то може индиректно донети финансијске предности (кључна реч: „Зелена логистика“ као продајни аргумент).

Укратко, вештачка интелигенција утиче на трошкове залиха на много начина: трошкови запослених, трошкови залиха, трошкови грешака и трошкови застоја – све се то може смањити помоћу вештачке интелигенције. Међутим, ово се мора упоредити са инвестиционим и оперативним трошковима вештачке интелигенције. Компаније морају размотрити када и где вештачка интелигенција има финансијског смисла за њих. У пракси често видимо пилот пројекте који се прво покрећу како би се добили конкретни подаци. Они обично јасно показују да ли се скалирање исплати. Како технологија постаје све приступачнија и приступачнија (клауд услуге, стандардна решења), баријера за улазак се смањује.

Укратко, вештачка интелигенција је конкурентски фактор у логистици. Они који рано и стратешки инвестирају могу постићи лидерство у трошковима или предност у услузи. Компаније које чекају, с друге стране, ризикују да постану мање ефикасне на дужи рок и изгубе тржишни удео. Ипак, имплементација није тривијална – захтева убедљив пословни случај, добро планирање и често подршку менаџмента, јер укључује стратешке одлуке.

У вези са овим:

• Ефикасно планирање и имплементација: вештачка интелигенција, роботика и аутоматизација у модерним складишним структурама

Регионалне разлике: Немачка, ЕУ, САД и Јапан

Развој и ширење вештачке интелигенције у складишној логистици варира регионално, под утицајем економских услова, технолошких лидера и политичких оквира. Поглед на кључне регионе:

Немачка и ЕУ

У Немачкој, логистички сектор је традиционално заузимао истакнуту позицију и сматра се релативно иновативним. Студије показују да 22% немачких логистичких компанија већ користи вештачку интелигенцију, а додатних 26% има конкретне планове да то учини. Немачке компаније виде вештачку интелигенцију као посебно корисну у областима предвиђања потражње, планирања продаје и оптимизације транспорта. Ипак, само око 20% складишта у Немачкој је тренутно у великој мери аутоматизовано. То значи да већина и даље послује претежно ручним процесима. Изазови често леже у сложености система и недостатку квалификованих радника, што отежава имплементацију нових технологија. Упркос томе, немачке компаније улажу велика средства у вештачку интелигенцију како би оптимизовале процесе и остале конкурентне.

И Немачка и Европска унија пружају значајну политичку подршку технологијама вештачке интелигенције. Немачка је покренула стратегију за вештачку интелигенцију и издвојила милијарде евра за истраживање. Институције попут Фраунхоферових института (нпр. IML у Дортмунду) посебно раде на решењима вештачке интелигенције за логистику. Концепти попут Индустрије 4.0 и Логистике 4.0 уоквирују визију у којој вештачка интелигенција игра кључну улогу. ЕУ, заузврат, планира да унапреди вештачку интелигенцију и роботику у индустрији кроз програме попут Хоризонта Европе и посебне пројекте финансирања. Истовремено, Европа посвећује велику пажњу етичким смерницама и регулативи – Европска комисија и Европска регулаторна иницијатива за вештачку интелигенцију (AI Act) су кључни примери. Циљ овога је да се осигура да се вештачка интелигенција користи на поуздан и безбедан начин, што је такође кључно у логистици (нпр. заштита података за запослене, безбедносни стандарди за аутономне системе).

САД

Сједињене Америчке Државе су дуго биле лидер у аутоматизацији и истраживању вештачке интелигенције и дом су технолошких гиганата попут Гугла, Амазона, IBM-а и Мајкрософта, који покрећу развој вештачке интелигенције. Међутим, у пракси, САД нису значајно аутоматизованије од Европе када је у питању складишна логистика. Процене сугеришу да је само око 20% америчких складишта високо аутоматизовано. Ипак, високи трошкови рада и све већи недостатак радне снаге у САД сада подстичу значајна улагања у аутоматизацију. Велике компаније попут Амазона, Волмарта и УПС-а имплементирају системе засноване на вештачкој интелигенцији и делују као пионири. САД препознају да је технологија вештачке интелигенције неопходна како би се избегло заостајање у глобалној конкуренцији (посебно са Азијом).

Политички, САД имају донекле другачије приоритете – доминирају приватне инвестиције и иницијативе. Владина финансирања су мање централизована него у ЕУ или Кини, али постоје програми Министарства одбране и Министарства енергетике који индиректно подржавају истраживање вештачке интелигенције (нпр. за аутономна возила, што такође користи логистици). У скорије време, стратегије вештачке интелигенције су такође разматране на националном нивоу, посебно у циљу јачања индустријске базе. Генерално, може се рећи да америчке компаније прагматично унапређују вештачку интелигенцију у логистици, док креатори политике полако покушавају да створе оквир за сустизање на међународном нивоу.

Јапан

Јапан је пионир у роботици и аутоматизацији – у индустрији (нпр. производња аутомобила), Јапан се може похвалити густином робота од 399 робота на 10.000 радника, што га сврстава међу светске лидере. Међутим, Јапан је био неодлучнији у вези са складишном логистиком. Традиционалне методе рада и висока вредност која се придаје људском раду дуго су резултирали релативно ограниченом аутоматизацијом складишта. Али то се сада брзо мења, јер се Јапан суочава са акутним демографским изазовима: млада радна снага се смањује, а законска ограничења радног времена приморавају компаније да имплементирају решења за аутоматизацију како би одржале продуктивност. Сходно томе, све већи број јапанских фирми окреће се модерним складишним решењима заснованим на вештачкој интелигенцији. Влада активно промовише ово – „Нова стратегија робота“ посебно подстиче употребу робота у секторима услуга као што је логистика.

Штавише, Јапан промовише концепт Друштва 5.0, супер-повезаног друштва у којем је вештачка интелигенција свеприсутна, циљајући на решавање друштвених изазова (као што је старење становништва). У оквиру овог оквира, у току је рад на аутоматизованим камионима за доставу, системима за утовар и истовар уз помоћ робота и ланцима снабдевања оптимизованим за вештачку интелигенцију. Већ видимо јапанске логистичке центре опремљене виљушкарима без возача и транспортним системима контролисаним вештачком интелигенцијом. Иако је Јапан можда почео нешто касније, аутоматизација у складиштима и употреба вештачке интелигенције ће се вероватно драматично повећати тамо у наредним годинама. Културно, прихватање робота је веома високо, што олакшава ову трансформацију.

Кина и Јужна Кореја (за поређење)

Иако се то експлицитно не тражи у питању, вреди укратко погледати: Кина агресивно улаже у роботику и вештачку интелигенцију и сада је највеће светско тржиште за индустријске роботе. Преко 50% свих нових робота широм света инсталирано је у Кини. Кинеска влада у великој мери субвенционише овај развој како би модернизовала своје ланце снабдевања. Посебно због бума електронске трговине (Alibaba, JD.com, итд.), Кина је доживела велики пораст у аутоматизованим решењима за складишта. Јужна Кореја се, заузврат, сматра скривеним лидером у аутоматизацији складишта: Преко 40% њених складишта је већ аутоматизовано, захваљујући великој склоности ка технологији и компанијама попут Coupang-а, које се у великој мери ослањају на вештачку интелигенцију. Такве земље служе као референтне тачке за оно што је могуће када се технологија доследно примењује.

Европа (ЕУ) у целини

Уз неколико изузетака, Европа је отприлике на нивоу САД у овој области. Унутар Европе, земље попут Немачке, Холандије и скандинавских земаља су добро позициониране у погледу логистичке информационе технологије, док друге имају посла да их сустигну. ЕУ покушава да равномерно покрене напредак кроз заједничке пројекте (нпр. GAIA-X за инфраструктуру података) и програме финансирања. Штавише, постоје истраживачки пројекти широм ЕУ у области вештачке интелигенције за транспорт и логистику (нпр. о аутономним камионским платонима, регулација дронова за доставу итд.), који природно утичу и на складишта, јер је све међусобно повезано.

Укратко: Немачка/ЕУ и САД су и даље релативно равноправне у практичној употреби вештачке интелигенције у складиштима – препознаје се значајан потенцијал, али великим деловима индустрије и даље недостаје вештачка интелигенција. Азија представља хетерогену слику: Кина и Јужна Кореја су веома испред захваљујући својој агресивној имплементацији, док Јапан сустиже. Регионална политика и програми финансирања играју главну улогу: Док Кина и делови Европе снажно промовишу вештачку интелигенцију кроз владине иницијативе, приватни сектор покреће развој у САД. На крају крајева, сви се међусобно посматрају: Добра решења се усвајају на међународном нивоу. Стога се може очекивати одређени степен конвергенције – складишна логистика је глобална, а успешни концепти вештачке интелигенције (било да се ради о „Амазоновом начину рада“ или Алибабиним роботима) прошириће се широм света.

Аутоматизована складишта 2050: Визија постаје стварност

Поглед у будућност складишне логистике са вештачком интелигенцијом и машинским учењем обећава даљи узбудљиви развој. Један термин који се стално појављује је „паметно складиште“ – то јест, готово потпуно дигитализовано и интелигентно складиште. У таквим будућим сценаријима, сви системи и машине комуницирају једни са другима (кључна реч: Интернет ствари, IoT). Вештачка интелигенција делује као мозак који контролише ове умрежене уређаје. Може се замислити складиште 2050. године где су скоро сви рутински задаци аутоматизовани: аутономна возила превозе робу, роботи прикупљају поруџбине, дронови обављају провере залиха (нпр. откривање празнина на полицама помоћу лета камере), а системи вештачке интелигенције прате све у реалном времену.

У вези са овим:

• Даљи развој и реоптимизација складишне логистике: складишта, аутоматизација, роботика и вештачка интелигенција за нову еру ефикасности

Потенцијални развој догађаја

Тек смо на почетку онога што вештачка интелигенција може да постигне у логистици. У будућности, алгоритми за самоучење могли би да оптимизују читаве складишне комплексе у реалном времену – динамички се прилагођавајући асортиману производа, обиму поруџбина или чак непредвиђеним догађајима (као што су изненадно затварање граница или несташица сировина). Генеративна вештачка интелигенција (позната из ChatGPT-а и сличних апликација) могла би да помогне у процесима планирања, на пример, дизајнирањем алтернативних сценарија за поремећаје у ланцу снабдевања. Роботика ће вероватно постати још свестранија: Данас имамо специјализоване роботе за одређене задатке; у будућности, хуманоидни роботи или изузетно флексибилни роботски системи могли би да раде у складиштима, обављајући широк спектар задатака (хватање, ношење, вожња). Први приступи овоме (двоножни роботи као помоћници у складишту) се већ тестирају.

Сарадња између човека и машине се такође додатно усавршава. Коботи би могли блиско да сарађују са људима без заштитних кавеза, а вештачка интелигенција би могла да служи као лични асистент за сваког радника у складишту – на пример, путем паметних наочара са проширеном стварношћу које приказују све релевантне информације запосленом у реалном времену (локација складиштења, следећи корак, упозорења). Носиви уређаји са вештачком интелигенцијом такође би могли да прате безбедност (нпр. наруквица вибрира када је виљушкар у близини). Све ово има за циљ побољшање услова рада и додатно смањење грешака или незгода.

Наравно, постоје и изазови и етичка питања на том путу. Често помињана брига је питање радних места: Ако се све више процеса у складишту аутоматизује, шта ће се десити са пословима складишних радника? Краткорочно гледано, одређени задаци могу нестати – на пример, потребно је мање ручних сакупљача ако роботи преузму ове задатке. Студије предвиђају пад људских послова, посебно за једноставне, понављајуће задатке. Али истовремено, појављују се нове улоге: вештачка интелигенција такође ствара нова радна места – само другачија. У будућности ће постојати све већа потреба за стручњацима за одржавање роботике, анализу података или подршку вештачкој интелигенцији. Дакле, док се рутински физички рад смањује, захтеви за техничком стручношћу радне снаге се повећавају. Компаније су дужне да преквалификују и додатно образују своје запослене како би могли ефикасно допринети окружењу које подржава вештачка интелигенција. Занимљиво је да неке компаније чак извештавају да им је аутоматизација омогућила да се прошире и запосле више особља јер је њихов посао порастао. Машина не мора нужно у потпуности да одузме посао, већ често само монотоне и стресне делове – омогућавајући људима да преузму квалификованије задатке.

Човек против машине? Зашто ће хибридна решења доминирати у складиштењу

Етичка разматрања такође укључују заштиту података и транспарентност. Вештачка интелигенција у складиштима прикупља велику количину података, као што су подаци о учинку запослених (брзина прикупљања, обрасци кретања) или о праћењу окружења. Овде се са личним подацима мора пажљиво поступати како би се заштитила приватност и надзор на радном месту одржао у разумним границама. Одлуке које доноси вештачка интелигенција треба да буду разумљиве – на пример, ако алгоритам диктира колико запослени треба да произведе, потребни су транспарентни критеријуми како би се осигурала праведност. У том контексту, ЕУ наглашава поуздану вештачку интелигенцију – алгоритме који су објашњиви, праведни и поуздани.

Још једно важно питање је безбедност: Аутономни роботи и системи вештачке интелигенције морају бити дизајнирани на такав начин да не представљају опасност за људе. То захтева техничке стандарде и тестирање (на пример, виљушкар који се сам вози мора поуздано да се заустави 100% времена ако му се особа нађе на путу). Сајбер безбедност такође постаје све важнија: Умрежено складиште може бити мета хакерских напада, тако да системи вештачке интелигенције морају бити заштићени од манипулације.

У будућој визији, могли би се замислити чак и потпуно аутономна складишта која раде без светла ноћу, покретана искључиво машинама. Људи би првенствено обављали функције праћења. Међутим, у догледној будућности, људи ће остати кључна компонента – макар само да би се осигурала флексибилност и могућности решавања проблема у непредвиђеним ситуацијама. Хибридно решење (човек + вештачка интелигенција) ће стога вероватно бити пут напред у наредних неколико деценија.

Будућност складишне логистике: Зашто вештачка интелигенција сада постаје неопходна

Даљи изазови леже у практичној примени: Многе компаније се суочавају са питањем како увести вештачку интелигенцију. Недостају стандарди, постоји џунгла добављача, а успех зависи од доброг квалитета података. Они са лошим или непотпуним подацима неће постићи добре резултате са вештачком интелигенцијом („смеће унутра, смеће напоље“). Интероперабилност између различитих система (нпр. вештачка интелигенција у складишту и вештачка интелигенција у управљању транспортом) мора бити осигурана како би се створио заиста беспрекоран, интелигентан ланац снабдевања.

Ипак, тренд је јасан: вештачка интелигенција постаје све важнија у складишној логистици. За десет година, много тога што је тренутно пилот пројекат постаће уобичајено. Компаније које почињу данас стичу драгоцено искуство и могу да скалирају своја решења. Доносиоци политика у многим земљама промовишу овај развој јер препознају да је логистика кључни сектор за целокупну економију – а вештачка интелигенција је полуга да се ова кључна индустрија учини ефикаснијом и отпорнијом.

Интеграција вештачке интелигенције и машинског учења у складишну логистику је већ почела, са видљивим успесима у ефикасности и брзини. Она захтева инвестиције и трансформацију, али нуди огромне могућности – од уштеде трошкова и побољшане корисничке услуге до нових пословних модела. Регионалне разлике ће се временом смањивати како се најбоље праксе буду усвајале глобално. Будућност обећава још паметнију, углавном аутоматизовану складишну логистику где људи и машине тесно сарађују. Истовремено, морамо одговорно управљати овим променама – ангажовањем запослених, обезбеђивањем безбедности технологије и поштовањем етичких смерница. Ако успемо, можемо очекивати свет логистике који је далеко ефикаснији, флексибилнији и отпорнији од свега што смо познавали у прошлости.

☑️ Подршка малим и средњим предузећима у стратегији, консултацијама, планирању и имплементацији

☑️ Креирање или реорганизација дигиталне стратегије и дигитализације

☑️ Проширење и оптимизација међународних продајних процеса

☑️ Глобалне и дигиталне B2B платформе за трговање

☑️ Пионирски развој пословања

 

Било би ми драго да вам будем лични саветник.

Можете ме контактирати попуњавањем контакт форме испод или ме једноставно позовите на +49 7348 4088 965 .

Радујем се нашем заједничком пројекту.

 

 

Xpert.Digital је центар за индустрију фокусиран на дигитализацију, машинство, логистику/интралогистику и фотонапонске системе.

Са нашим решењем за развој пословања од 360°, пружамо подршку реномираним компанијама, од нових пословања до постпродајних услуга.

Тржишна интелигенција, маркетиншки маркетинг, маркетиншка аутоматизација, развој садржаја, односи с јавношћу, мејлинг кампање, персонализоване друштвене мреже и неговање потенцијалних клијената су део наших дигиталних алата.

Више информација можете пронаћи на: www.xpert.digital - www.xpert.solar - www.xpert.plus