Управљана вештачка интелигенција за логистику: Како нова категорија реорганизује интралогистику

Логистика у напетости између трошкова, сложености и нестабилности

Логистика је историјски била ухваћена између: она је истовремено и центар трошкова, и пружалац услуга, и стратешка полуга. Међутим, последњих година оквирни услови су се драстично погоршали. Цене енергије у Европи су понекад два до четири пута веће него у САД или Азији, што врши огроман притисак на марже, посебно на енергетски интензивне индустријске и логистичке локације. Истовремено, укупни трошкови логистике значајно расту, вођени вишим трошковима транспорта, плата, енергије, трошковима земљишта и трошковима аутоматизације.

Истовремено, индустрија се бори са структурним недостатком радне снаге: у Европи се примећују огромна уска грла у секторима транспорта и складиштења; студије показују да око три четвртине анкетираних логистичких оператера пати од недостатка запослених, а значајан део њих пријављује озбиљан недостатак. Док потражња из електронске трговине, омниканалне малопродаје, фармацеутских производа, логистике аутомобилских батерија и других сектора са високим растом наставља да расте, показује се изузетно тешким привући и задржати довољно квалификованог особља.

Истовремено, техничка сложеност се повећава. Тржиште аутоматизације складишта расте двоцифреним годишњим стопама; процене предвиђају обим од преко 55 милијарди америчких долара до 2030. године и глобални раст од око 15 до скоро 19 процената годишње. Тржиште решења за аутоматизацију интралогистике већ се процењује на преко 20 милијарди америчких долара и такође значајно расте, вођено електронском трговином, већим захтевима за услугама и ограниченим простором.

Употреба вештачке интелигенције дуж логистичког ланца развија се још динамичније. Глобално тржиште за вештачку интелигенцију у логистици било је у високом једноцифреном до двоцифреном распону милијарди долара средином 2020-их и очекује се да ће порасти на неколико стотина милијарди америчких долара почетком до средине 2030-их, са годишњим стопама раста већим од 40 процената. Сличан тренд се очекује за вештачку интелигенцију у складиштењу: и овде се очекују двоцифрена тржишта од милијарди долара и стопе раста знатно изнад 20 процената.

Резултат је напетост: менаџери логистике улажу у аутоматизацију, роботику и софтвер, али се истовремено боре са огромном нестабилношћу потражње, капацитета, трошкова енергије и особља. Управљање овим високо умреженим, све више аутоматизованим системима традиционалним ИТ и организационим приступима достиже своје границе. Управо ту долази идеја за нову категорију производа и решења: вештачка интелигенција којом се управља у логистици.

У вези са овим:

• Потенцијал решења за индустријски управљану вештачку интелигенцију у Индустрији 4.0 и 5.0

Од индустријски управљане вештачке интелигенције до логистички управљане вештачке интелигенције: Зашто је логистици потребан сопствени приступ

Последњих година, концепт управљане вештачке интелигенције (Managed AI), или индустријске управљане вештачке интелигенције (Industrial Managed AI), успоставио се у пословном окружењу. Ово се односи на платформе и услуге које пружају вештачку интелигенцију не само као модел или самостално решење, већ као потпуно управљани систем: од интеграције података и развоја модела, преко рада, праћења и управљања, до безбедности и усклађености. У индустрији, услуге индустријске вештачке интелигенције првенствено се баве темама као што су предиктивно одржавање, оптимизација процеса, енергетска ефикасност и контрола квалитета.

Ови концепти су вредни, али углавном остају генерички или у великој мери фокусирани на производне процесе. У логистици – посебно у интралогистици са високорегалним складиштима, аутоматизованим складиштењем ситних делова, шатл системима, транспортном технологијом и роботиком – захтеви су фундаментално другачији:

Прво, логистика је много критичнија у реалном времену. Одложене или погрешне одлуке у управљању складиштем или транспортом имају директан и видљив утицај на ниво услуге, време испоруке и задовољство купаца.

Друго, многи логистички процеси су високо стохастички: нередовни пријеми робе, нестабилне поруџбине, краткорочне промоције, сезонски врхови, кварови транспортних капацитета или изненадни поремећаји у мрежи могу се представити само у ограниченој мери коришћењем класичних модела планирања на недељном или месечном нивоу.

Треће, логистички системи функционишу унутар чврсто интегрисаног екосистема WMS-а, TMS-а, ERP-а, роботских контролера, IoT сензора, платформи за превознике, платформских трговаца и система за кориснике. Логика је дистрибуирана преко бројних техничких и организационих интерфејса.

Иако генеричка понуда управљане вештачке интелигенције може да пружи техничке основе (платформу података, MLOps, управљање), она ретко решава прецизне задатке логистичке оркестрације које је потребно решавати сваког минута. Стога, логистици није потребна само „вештачка интелигенција“, већ и сопствена категорија специфична за домен: Логистичка управљана вештачка интелигенција – слој управљане вештачке интелигенције посебно дизајниран за интралогистичке и логистичке процесе.

Шта је вештачка интелигенција управљана логистиком?

Вештачка интелигенција у логистици може се описати као независна категорија производа и решења која спаја три нивоа:

• Прво, слој података и интеграције специфичан за логистику, оријентисан на домен, који повезује оперативне системе (WMS, TMS, ERP, контролере роботике, сензоре, интерфејсе носача) у реалном времену и разуме их семантички.
• Друго, колекција унапред дефинисаних, прилагодљивих вештачких интелигенцијских градивних блокова за типичне домене логистичких одлучивања: оптимизација залиха, распоређивање, планирање радне снаге, пуштање поруџбина, формирање таласа, рутирање, избор превозника, динамичка контрола нивоа услуге, модели ризика и отпорности.
• Треће, модел управљања и операција који пружа ове градивене блокове вештачке интелигенције као континуирану услугу: са SLA-овима, радом 24/7, праћењем, континуираном преквалификацијом, усклађеношћу са прописима, документацијом и јасним оквиром за људску интервенцију и одобрења.

За разлику од традиционалних WMS или TMS система, вештачка интелигенција којом се управља у логистици није првенствено трансакциони систем који управља и „обрађује“ поруџбине. Уместо тога, то је свеобухватни, учећи слој одлучивања који контролише, координира и континуирано оптимизује понашање ових система у реалном времену – уграђен у модел управљаних услуга.

За разлику од генеричких решења за управљану вештачку интелигенцију за предузећа или индустрију, вештачка интелигенција управљана логистиком је радикално прилагођена логистичким процесима. Унапред изграђени случајеви употребе, модели података и обрасци одлучивања су дизајнирани да се директно интегришу у процесе складиштења и транспорта, уместо да захтевају апстрактну дефиницију на нивоу предузећа.

Економско образложење: Зашто посебна категорија има пословног смисла

Питање да ли нова категорија производа има смисла је у крајњој линији увек економско питање: Може ли се структурна додата вредност генерисати независном, јасно дефинисаном категоријом која би иначе била недостижна или би се могла постићи само уз високе опортунитетне трошкове?

У случају вештачке интелигенције којом се управља у логистици, неколико макроекономских и микроекономских фактора то подржава.

На макро нивоу, релевантна тржишта брзо расту и истовремено се приближавају нивоу зрелости који превазилази појединачна решења. Тржиште вештачке интелигенције у логистици и управљању складиштима расте по годишњим стопама знатно изнад 20 процената, а у неким областима чак и преко 40 процената. Тржишта интралогистике и аутоматизације складишта достићи ће десетине милијарди америчких долара до 2030/2034. године. Истовремено, усвајање роботике брзо расте: процене сугеришу да ће до 2025. године око половина свих великих складишта користити неки облик роботике.

Ова динамика ствара нови слој сложености: што је више система, сензора, робота и услуга у облаку интегрисано, већа је потреба за координирајућом, специфичном „интелигенцијом“ за домен која не само да оптимизује у одређеним областима већ и холистички оркестрира.

На микро нивоу, компаније се све више суочавају са питањем како истовремено постићи оперативну изврсност, отпорност и исплативост. Студије показују да процеси складиштења подржани вештачком интелигенцијом могу омогућити тачност залиха која се приближава 99 процената, значајно смањење трошкова складиштења и особља, као и знатно скраћивање рокова испоруке. Међутим, истовремено расту и фиксни трошкови за простор, технологију аутоматизације и ИТ. Економска логика се мења: они који већ сносе високе фиксне трошкове требају највеће могуће коришћење опреме и процеса како би амортизовали те трошкове.

Вештачка интелигенција управљана логистиком решава ову економску логику не само тако што доноси изолована побољшања ефикасности, већ динамички и на основу података користећи све расположиве капацитете – складишта, технологију, људе, транспортну мрежу. Додата вредност не лежи само у процентуалним поенима смањења трошкова, већ и у структурном побољшању ефикасности капитала, отпорности и предвидљивости.

Прича: Типичан власник средње компаније суочава се са одлуком

Да би потреба за вештачком интелигенцијом управљаном логистиком била опипљива, корисна је наративна перспектива. Замислимо типичну средњеевропску компанију, као што је добављач аутомобилске или машинске индустрије са великим складиштем са високим регалима, брзо растућом подружницом за е-трговину резервних делова и неколико регионалних дистрибутивних центара.

Последњих година, компанија је значајно инвестирала: у аутоматизовано складиште са високим регалима и хиљадама палетних места, аутоматизовано складиште ситних делова (AS/RS) са шатл системом, нову технологију транспортера, аутономне мобилне роботе за интерни транспорт, модерни систем управљања складиштем (WMS), систем управљања транспортом (TMS) за планирање рута и различите интерфејсе ка системима купаца и добављача. Инвестиције су оправдане обећањем уштеде особља и повећане ефикасности простора, као и могућношћу флексибилнијег реаговања на потребе купаца.

Реалност на терену је знатно контрадикторнија. У данима са највећом потрошњом, као што је крај квартала или пре сезонских врхунаца, одређени делови складишта достижу своје границе, док други остају недовољно искоришћени. Упркос свим плановима, смене запослених често нису оптимално попуњене јер краткотрајна боловања и неочекивани пораст поруџбина ремете планове. Неки системи шатл превоза раде пуним капацитетом, док други пролази остају релативно мирни.

Овоме се додају и спољни шокови: изненадно кашњење транспортног контејнера, краткорочно уско грло у транспортним капацитетима, ограничења ноћних смена везана за трошкове енергије или смањено време рада у расхладним просторима. Сваки од ових поремећаја захтева брзе, исправне одлуке – одлуке које се често и даље доносе ад хок на основу искуства, интуиције и Ексел анализа.

Истовремено, компанија је покренула своје прве вештачке интелигенције пројекте: решење за прогнозирање потражње, пилот пројекат за динамичку оптимизацију залиха и оптимизатор рутирања у оквиру система за управљање преносом поруџбина (TMS). Међутим, ове иницијативе су раштркане по различитим одељењима, користе различите базе података и њима управљају различити добављачи услуга. Резултат: мозаик вештачких острва који даје обећавајуће резултате у малом обиму, али не и свеобухватну трансформацију у великом обиму.

Управо ту би дошла на сцену вештачка интелигенција управљана логистиком: не као још један алат, већ као управљани, свеобухватни слој интелигенције који оркестрира постојећа средства уместо да ствара нова силосна острва.

Архитектонски концепт: Од појединачних решења до оркестрираног слоја вештачке интелигенције

Технички и концептуално, вештачка интелигенција управљана логистиком може се схватити као слој између оперативних система и корпоративног менаџмента.

На доњем крају су трансакциони системи и физичка средства: WMS, TMS, ERP, контролери робота, технологија транспортних трака, IoT сензори, платформе за превоз робе, управљање двориштима, контролни центри. Ови системи генеришу и конзумирају догађаје са великом фреквенцијом: креирање поруџбина, пријем робе, налози за прикупљање робе, налози за транспорт, промене статуса система, поруке о кваровима и GPS позиције возила.

На врху су класични алати за управљање и планирање: S&OP процеси, планирање буџета и инвестиција, дизајн мреже, одлуке о локацији и распореду, стратешки избор добављача и оператера.

Многе компаније имају празнину у овој области: имају центре за оперативну контролу, али готово да немају конзистентно обједињени слој за доношење одлука који учи, препоручује, оптимизује и интервенише у свим логистичким подобластима. Ту долази до изражаја вештачка интелигенција управљана логистиком.

Архитектура се обично састоји од четири основна елемента:

• Прво, платформа за податке и догађаје специфична за логистику која хармонизује и обогаћује оперативне податке у готово реалном времену и преводи их у семантички разумљиве објекте. Систем мора да зна шта је поруџбина, позиција, локација складиштења, рута, слот или ресурс – не само технички, већ и са пословне перспективе.
• Друго, библиотека вештачке интелигенције агената и модела, од којих је сваки одговоран за специфичне домене одлучивања: моделе прогнозирања, оптимизације, класификације и генерисања, комбиноване са логиком заснованом на правилима и хеуристичком логиком. Ови агенти не раде изоловано, већ су међусобно повезани у слоју оркестрације.
• Треће, слој интеракције и контроле који омогућава људским диспечерима, особљу контролне собе и менаџменту да интерагују са овим слојем вештачке интелигенције: давање одобрења, симулирање сценарија, постављање заштитних ограда, промена приоритета, дефинисање изузетака.
• Четврто, оперативни и управљачки оквир који обезбеђује континуирано функционисање, праћење, одржавање модела, усклађеност са регулаторним захтевима (као што су регулатива вештачке интелигенције, заштита података, радно право, одговорност за производе) и документацију.

Кључна карактеристика приступа управљања логистиком помоћу вештачке интелигенције је да ова архитектура није само дизајнирана, већ се и испоручује и користи као услуга из једног извора – са јасним одговорностима, уговорима о нивоу услуге (SLA) и економским индикаторима.

Типичне области примене у интралогистици

У складиштима са високим регалима и другим интралогистичким окружењима, јављају се бројне могућности за вештачку интелигенцију управљану логистиком.

Кључни случај употребе је динамичко пуштање поруџбина и формирање таласа. Уместо груписања поруџбина према крутим правилима – као што су време прекида или региони одредишта – слој вештачке интелигенције може континуирано да одлучује које поруџбине се уносе у систем, када и у којој комбинацији, како би се избегла уска грла, минимизирало време испоруке и оптимизовало коришћење расположивих ресурса. Овај процес укључује прогнозе долазних поруџбина, тренутна стања система, распоред особља и транспортне слотове.

Други случај употребе укључује распоређивање, тј. дистрибуцију артикала на локације за складиштење. Методе подржане вештачком интелигенцијом могу динамички поставити артикле тамо где се могу преузети уз минималан напор, узимајући у обзир трендове обима, сезонске обрасце, токове повратка и физичка ограничења. Студије показују да интелигентне стратегије распоређивања и залиха могу донети мерљиву ефикасност и исплативост.

Трећа област је управљање распоређивањем особља и планирање смена. С обзиром на недостатак радне снаге у складиштењу и транспорту, економски је кључно оптимално искористити расположиве запослене. Логистички управљана вештачка интелигенција може претворити прогнозе обима поруџбина и оптерећења процеса у конкретне моделе смена, рано идентификовати потребе за прековременим радом и симулирати алтернативне сценарије (на пример: Колико поруџбина може бити обрађено са датим бројем запослених и на ком нивоу услуге?).

Четврто, дубока интеграција роботике и вештачке интелигенције отвара нови потенцијал. Аутономни мобилни роботи, шатл системи и роботска решења за брање генеришу велике количине података који се могу користити за предиктивно одржавање, оптимизацију путање, управљање уским грлима и сарадњу са људима. Логистички управљана вештачка интелигенција може деловати као „мозак“ који координира различите роботске системе, даје приоритет њиховом распоређивању и балансира безбедност, ефикасност и ергономске критеријуме.

Коначно, повезивање интралогистике и транспортне логистике путем заједничког слоја вештачке интелигенције омогућава оптимизацију од почетка до краја, од пријема робе до испоруке. Ово омогућава динамичко прилагођавање рокова, стратегија паковања и планова утовара расположивости превозника, прогнозама саобраћаја и трендовима трошкова.

Нова димензија дигиталне трансформације са „Управљаном вештачком интелигенцијом“ – платформа и B2B решење | Xpert Consulting - Слика: Xpert.Digital

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Решење за управљану вештачку интелигенцију - Индустријске услуге вештачке интелигенције: Кључ конкурентности у секторима услуга, индустрије и машинства

Области примене у транспортној и мрежној логистици

Чак и ван складиштења, категорија вештачке интелигенције управљане логистиком нуди разноврсна поља примене. У транспортној логистици, волатилност потражње и капацитета значајно се повећала последњих година; цене превоза терета драстично варирају, а поремећаји због временских прилика, геополитичких тензија или уских грла у капацитету постали су чешћи.

Логистички специфичан управљани слој вештачке интелигенције може да функционише као „екосистем агената“ који у реалном времену балансира транспортне налоге, расположиве капацитете, спољне тржишне податке (спот цене, путарине, трошкове горива) и обавезе у погледу нивоа услуге. Агенти могу, на пример, да планирају алтернативне руте, динамички прерасподеле мешавине превозника, идентификују повратне релације или препознају могућности консолидације и директно дају предлоге систему управљања транспортом (TMS) или диспечерима.

У међусобно повезаним логистичким мрежама – као што су оне великих 3PL провајдера, добављача услуга испоруке пакета или мрежа дистрибутивних центара за резервне делове – вештачка интелигенција управљана логистиком може помоћи у углађивању токова, померању шпица и оптимизацији ресурса на нивоу целе мреже, а не на нивоу специфичном за локацију. Ово такође укључује стратешка питања: Које поруџбине се прикупљају у ком дистрибутивном центру? Где се исплати унакрсни докинг? Које нивое залиха треба одржавати у којим регионима како би се ублажила волатилност без непотребног везивања капитала?

У мултимодалним мрежама, вештачка интелигенција такође може да узме у обзир време рада и преседања, редове вожње возова, капацитете терминала и друмски саобраћај у заједничком процесу оптимизације. С обзиром на све веће захтеве одрживости и одређивање цена CO₂, слој доношења одлука може експлицитно да укључи трошкове емисије у оптимизацију, чиме се повезују трошкови и циљеви климатске политике.

У вези са овим:

• Зашто би управљана вештачка интелигенција могла да премости глобални јаз у усвајању вештачке интелигенције

Пословни модели: Како се може понудити и одредити цена вештачке интелигенције управљане логистиком

Да би вештачка интелигенција којом се управља у логистици постала економски исплатива као категорија производа, потребни су јасни пословни модели. Три приступа су очигледна.

Платформски усмерен приступ пружа стандардизовану, облаком засновану платформу за вештачку интелигенцију којом се управља у логистици, са унапред изграђеним конекторима, моделима података и случајевима употребе. Корисници лиценцирају коришћење на основу корисника, локација складишта, обима трансакција или њихове комбинације. Додатне услуге са додатом вредношћу – као што су прилагођавање модела, консултације и управљање променама – наплаћују се одвојено.

Приступ усмерен ка услугама позиционира управљану вештачку интелигенцију у логистици као континуирану управљану услугу, где пружалац услуга преузима одговорност за рад, континуирану оптимизацију и извештавање. Компензација овде може бити више оријентисана на резултате, на пример, кроз повећање ефикасности, уштеде трошкова или побољшање нивоа услуга. Међутим, ово захтева јасну дефиницију основне линије и транспарентне кључне индикаторе учинка (KPI).

Хибридни приступ комбинује елементе платформе и услуге: Техничка основа је обезбеђена као стандардизована платформа, док одабрани кориснички модули раде као индивидуално управљана услуга – на пример, у случају посебно критичних локација или мрежа.

Са економске перспективе, делимично на резултатима заснован приступ је посебно интересантан, јер боље усклађује подстицаје и добављача и купца. Добављачи који дубоко интегришу своје системе вештачке интелигенције у своје пословање генерално имају већу предност да постигну опипљива побољшања резултата и могу их демонстрирати купцу.

Разлика: Како се вештачка интелигенција управљана логистиком разликује од WMS-а, TMS-а и генеричке вештачке интелигенције управљане логистиком

Нова категорија има смисла само ако се може јасно разликовати од постојећих категорија.

Вештачка интелигенција којом се управља у логистици разликује се од система за управљање складиштем (WMS) по томе што првенствено не управља трансакцијама, већ доноси одлуке. WMS зна које поруџбине постоје, које локације за складиштење су заузете и који су ресурси доступни; он је извршна инстанца. С друге стране, вештачка интелигенција којом се управља у логистици одлучује које поруџбине треба издати и када, како треба да се групишу, где треба да се усмере и како треба распоредити ресурсе – и учи из резултата.

Вештачка интелигенција којом се управља у логистици разликује се од система за управљање транспортом (TMS) на сличан начин: TMS креира руте, управља пошиљкама и комуницира са превозницима. Вештачка интелигенција којом се управља у логистици одређује када се које поруџбине додељују којој рути, који превозници треба да се користе и у којој комбинацији, како се нивои услуга оптимизују са становишта трошкова и како се спољни поремећаји могу најбоље ублажити.

Логистичка управљана вештачка интелигенција разликује се од генеричких понуда управљане вештачке интелигенције за предузећа или индустрију по својим моделима, онтологијама и случајевима употребе специфичним за домен. Док генеричке платформе првенствено пружају инфраструктуру, алате и управљање, Логистичка управљана вештачка интелигенција додатно пружа готове интелигенцијске модуле прилагођене логистици и разумевању кључних индикатора учинка специфичних за логистику, супротстављених циљева и процеса.

Ова разлика јасно показује: Логистичка управљана вештачка интелигенција није конкурент WMS/TMS или индустријским вештачким интелигенцијама, већ недостајући слој између и изнад њих – слој који интерпретира, учи, координира и генерише стварну, континуирано управљану додатну вредност из података и система.

Покретачи потражње: Трошкови, ризик, услуга, регулација

Потражња за таквом категоријом није вођена само технолошким могућностима, већ првенствено пословним потребама.

Притисак на трошкове и маржу је кључни покретач. Растуће цене енергије, плате и трошкови простора и материјала стављају логистичке и индустријске компаније под огроман притисак. Они који су инвестирали у скупу аутоматизацију морају максимизирати искоришћење ових средстава и минимизирати грешке у планирању. Логистичка управљана вештачка интелигенција се бави управо овим изазовом оптимизације.

Управљање ризицима и отпорност све више долазе у фокус због криза, геополитичких тензија и све веће учесталости екстремних временских догађаја. Традиционални циклуси S&OP и статични планови за непредвиђене ситуације нису довољни за управљање веома нестабилним ситуацијама у реалном времену. Управљани слој одлучивања заснован на вештачкој интелигенцији може помоћи раним идентификовањем поремећаја, израчунавањем алтернативних сценарија и пружањем практичних препорука.

Очекивања у погледу услуга настављају да расту. Корисници у електронској трговини су се навикли на брзе и предвидљиве испоруке; B2B купци све више очекују сличну транспарентност и брзину реаговања. Они који не само да реагују већ и проактивно управљају овим процесима, издвојиће се на тржишту.

Регулација и управљање такође добијају на значају. Прописи о енергији и емисијама, обавезе дужне пажње у ланцима снабдевања, безбедносни захтеви у процесима складиштења и транспорта, заштита података и нови прописи о вештачкој интелигенцији постављају високе захтеве за транспарентност и контролу. Структурирани, управљани приступ вештачкој интелигенцији у логистици постаје предуслов за обезбеђивање усклађености, ограничавање ризика од одговорности и изградњу поверења са купцима и регулаторним органима.

Препреке и ризици: Зашто се вештачка интелигенција којом се управља у логистици неће сама од себе прихватити

Колико год економска логика деловала убедљиво, пут ка успостављању логистички управљане вештачке интелигенције као категорије је пун препрека.

Технички гледано, многи логистички системи су се органски развијали током времена и веома су фрагментирани. Различите верзије WMS-а, алати развијени у самој компанији, застарели интерфејси и власнички контролери робота компликују интеграцију. Без јасне мапе пута за хармонизацију података и система, сваки управљани вештачки пројекат ризикује неуспех због сложености.

Организационо, улоге и одговорности су често нејасне. Ко на крају одлучује: контролни центар, вештачка интелигенција, централно управљање ланцем снабдевања или ИТ? Како се решавају супротстављени циљеви између трошкова, услуга, залиха и циљева одрживости? Без јасно дефинисаног управљања, постоји ризик да ће слој вештачке интелигенције, иако технички функционалан, бити блокиран или игнорисан у свакодневном пословању.

Културолошки гледано, прелазак са модела управљања који је снажно вођен искуством и хеуристиком на модел вођен подацима и вештачком интелигенцијом је изазован. Многи диспечери и менаџери складишта поседују огромно искуство и стручност у локалној оптимизацији; то треба искористити, а не надјачати алгоритмима. Приступ управљане вештачком интелигенцијом мора свесно наглашавати сарадњу између људи и машина.

Коначно, постоји ризик од везаности за добављача. Препуштање контролне логистике екстерно управљаној услузи вештачке интелигенције у великој мери везује компаније за њену технологију и модел података. Отворени интерфејси, преносивост модела и података и јасан план изласка постају стратешки критеријуми при избору добављача.

Сценарији имплементације: Како компаније могу постепено да усвоје вештачку интелигенцију управљану логистиком

У овом контексту, постепен, фокусиран приступ има смисла. Типичан пут би могао да почне са јасно дефинисаним, уско ограниченим случајем употребе који се може брзо измерити: на пример, динамичко формирање таласа у складишту за електронску трговину, планирање радне снаге подржано вештачком интелигенцијом у веома флуктуирајућем дистрибутивном центру или оптимизација превозника и руте заснована на агентима на одабраним рутама.

Важно је размотрити управљану димензију од самог почетка: не само развити модел и једном га имплементирати, већ дефинисати текуће пословање, праћење, преобуку, прилагођавање променама процеса и управљање. Ово омогућава компанијама да у малом обиму науче шта значи делимично делегирати логистичке одлуке управљаном слоју вештачке интелигенције.

У следећем кораку, могу се додати даљи случајеви употребе, идеално они који се заснивају на истим подацима и темељима интеграције: оптимизација залиха, распоређивање, благовремена испорука и одређивање приоритета поруџбина према нивоу услуге и маргини. Ово постепено ствара екосистем вештачке интелигенције агената који је у почетку ограничен на локално подручје (нпр. једно складиште), али се касније може скалирати на целу мрежу.

На вишем нивоу зрелости, вештачка интелигенција управљана логистиком може се интегрисати и у процесе стратешког планирања и доношења одлука: дизајн мреже, одлуке о локацији, планирање инвестиција за аутоматизацију и преговоре са превозницима. Исти подаци и основа за доношење одлука који се користе оперативно затим се такође уносе у стратешке сценарије.

Перспектива за добављаче: Ко може кредибилно да попуни тржиште логистички управљане вештачке интелигенције?

Из перспективе добављача, категорија Логистика управљана вештачком интелигенцијом отвара нове могућности позиционирања. Вреди размотрити неколико група играча.

Добављачи WMS-а, TMS-а и система за аутоматизацију складишта поседују дубинско знање о домену и приступ оперативним подацима. Они могу проширити своје постојеће системе слојем вештачке интелигенције и оркестрације и понудити то као управљану услугу. Кључно је да се не ограничавају на сопствени екосистем, већ да остану отворени за интеграције са трећим странама како би омогућили праву оркестрацију од почетка до краја.

Добављачи платформи за вештачку интелигенцију у облаку и за предузећа доносе снажне могућности у управљању подацима, MLO-овима, скалирању и безбедности. Они могу да граде решења специфична за логистику на својим генеричким платформама, али би требало да тесно сарађују са стручњацима за логистику и интралогистику како би постигли неопходну дубину разумевања процеса и кључних индикатора учинка.

Специјализоване консултантске и интеграционе фирме са фокусом на логистику могу играти улогу моста: Оне разумеју процесе, системе и организације и могу развити индивидуалне мапе пута за управљање логистиком и вештачком интелигенцијом које комбинују технологију, организацију и управљање.

Коначно, појавиће се нови играчи, који ће од самог почетка функционисати као логистички управљане платформе или добављачи услуга вештачке интелигенције. Они ће покушати да успоставе интегрисана, cloud-native, агентска решења која се повезују са постојећим WMS/TMS/ERP/роботичким пејзажима путем стандардизованих конектора.

Дугорочно гледано, тржиште ће вероватно видети хибридне облике: веће платформе које пружају основне функције вештачке интелигенције и података, и специјализована решења за управљање логистиком и вештачком интелигенцијом изграђена на њима, која се повезују путем АПИ-ја и модела домена.

Дугорочна визија: Од управљаног складишта до самооптимизирајућег логистичког ланца

Како се вештачка интелигенција управљана логистиком успоставља као категорија, циљне слике за логистичке организације ће се такође променити.

Као први корак, складишта и мреже добијају „подршку вештачке интелигенције“: Диспечери и контролни центри користе препоруке, симулације и прогнозе, али на крају остају доносиоци одлука. Систем објашњава своје предлоге, квантификује њихове ефекте и учи из одбијања или алтернативних одлука. Организација се навикава на сарадњу са интелигентним ентитетом.

У напредној фази, одређене области постају „вођене вештачком интелигенцијом“ уз људски надзор: специфични рутински задаци, као што су одређивање приоритета стандардних поруџбина, расподела роботских ресурса или избор превозника према јасно дефинисаним критеријумима, углавном су аутоматизовани. Људи се концентришу на изузетке, сложена разматрања и стратешке одлуке.

Дугорочно гледано, појављује се „самооптимизирајући“ логистички ланац, у којем вештачка интелигенција којом се управља у логистици континуирано учи из података у реалном времену, повратних информација и спољних сигнала. Препознаје обрасце који измичу људском оку и проактивно предлаже промене распореда, подешавања процеса, структура уговора или топологија мреже. Управљачке одлуке постају више засноване на подацима и транспарентне.

Ова визија није сама себи циљ. Она је одговор на структурна ограничења: недостатак вештина, притисци трошкова, нестабилност и регулаторни захтеви могу се управљати само у ограниченој мери коришћењем традиционалних метода. У овом контексту, доследно управљан, специфичан за домен слој вештачке интелигенције је мање „лепа ствар“ него логичан следећи корак у еволуцији логистике.

Логистички управљана вештачка интелигенција као неопходан развој, а не модна реч

Развој ка логистичкој управљаној вештачкој интелигенцији одражава шири тренд: вештачка интелигенција се удаљава од пилот пројеката и лабораторија и постаје оперативни производни алат – слично виљушкарима, транспортној технологији или ИТ системима. У логистици, где су количина података, густина процеса и захтеви за рад у реалном времену посебно изражени, ова транзиција је посебно приметна.

Самостална категорија производа, Логистички управљана вештачка интелигенција (AI), има економског и стратешког смисла јер премошћује неколико јазова: између генеричких платформи AI и специјализованих логистичких система, између индивидуалног размишљања о решењима и оркестрације од почетка до краја, и између изолованих повећања ефикасности и структурне отпорности.

То није замена за WMS, TMS, роботику или ERP, већ недостајући слој интелигенције који интегрише ове системе на такав начин да технолошка улагања заправо генеришу одрживе економске користи. Његова имплементација захтева техничке, организационе и културне промене, али алтернативе – даља фрагментација, недовољно коришћење средстава за аутоматизацију и све већи притисак на маржу са растућом сложеношћу – нису баш атрактивне са пословне перспективе.

У свету где је логистика постала кључни фактор разликовања у готово свакој индустрији, конкуренција ће све више зависити од тога ко најбоље стратешки управља својим физичким токовима путем управљаног, интелигентног слоја учења. Логистичка управљана вештачка интелигенција пружа концептуални оквир за ово – и означава прелаз са „више технологије“ на истински управљане, интелигентне логистичке операције.

☑️ Наш пословни језик је енглески или немачки

☑️ НОВО: Преписка на вашем матерњем језику!

Konrad Wolfenstein

Ја и мој тим смо срећни што вам можемо бити на располагању као ваш лични саветник.

Можете ме контактирати попуњавањем контакт форме овде или једноставно позовите на +49 89 89 674 804 ( Минхен) . Моја имејл адреса је: [email protected]

Радујем се нашем заједничком пројекту.

☑️ 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 / Маркетинг / Односи с јавношћу / Сајмови

Искористите предности Xpert.Digital-овог опсежног, петоструког стручног знања у свеобухватном пакету услуга | Истраживање и развој, XR, односи с јавношћу и оптимизација дигиталне видљивости - Слика: Xpert.Digital

Xpert.Digital поседује дубинско знање у различитим индустријама. То нам омогућава да развијемо прилагођене стратегије прецизно усклађене са захтевима и изазовима вашег специфичног тржишног сегмента. Континуираном анализом тржишних трендова и праћењем развоја у индустрији, можемо деловати проактивно и понудити иновативна решења. Комбинација искуства и стручности ствара додатну вредност и пружа нашим клијентима одлучујућу конкурентску предност.

Више информација овде:

• Искористите предности 5 области стручности компаније Xpert.Digital у једном пакету – већ од 500 евра месечно