Інтеграція ШІ та машинного навчання в складській логістиці - глобальні розробки в Німеччині, ЄС, США та Японії

Майбутнє складської логістики: контрольовані AI процеси максимальної продуктивності

Штучний інтелект (AI) описує здатність машин або програмного забезпечення виконувати завдання, які зазвичай потребують людського інтелекту - наприклад, логічне мислення, навчання, планування чи творче вирішення проблем. По суті, мова йде про комп'ютерні системи з даних і може приймати рішення, а не лише дотримуватися суворо визначених правил. Машинне навчання (ML) -це підводнером ШІ, в яких алгоритми незалежно визначають закономірності та адаптують свою поведінку, аналізуючи велику кількість даних. Простіше кажучи, система ML дізнається з досвіду: вона "навчена" з історичними даними, а потім може передбачити або приймати рішення з новими невідомими даними. Як результат, AI здатний постійно вдосконалювати власні прогнози та послуги, не будучи явно запрограмованими людьми для кожного окремого випадку.

У логістиці - і особливо в складській логістиці - AI та ML відкриті величезні можливості. Логістична промисловість має великі мережі та генерує величезну кількість даних, що робить його ідеальним полем застосування для ШІ. Наприклад, інтелектуальні алгоритми можуть передбачити кількість майбутніх порядку, обчислити оптимальні маршрути або контролювати складні процеси складів. Системи самостійного навчання можуть приймати рішення швидше і часто точніше, ніж люди, особливо якщо мова йде про обробку великої кількості даних у режимі реального часу. На сучасних складах технології AI використовуються в різних областях з управління запасами для вибору (компіляція замовлень) для транспортування контролю в межах складу.

Загалом, застосовується наступне: AI в таборі імітує "мислення" дуже досвідченого менеджера табору, лише те, що вона може отримати доступ до набагато більше даних. Наприклад, системи AI можуть розпізнати, які товари добре продаються, коли, як найефективніше зберігати товари, або які шляхи планури повинні їздити, щоб заощадити час. Ці автоматизовані рішення, керовані даними, є основою для того, що AI та ML все частіше проникають у склад складу.

Оптимізація складських процесів ШІ

Однією з найбільших переваг ШІ в складській логістиці є оптимізація існуючих процесів. Склади залежать від постійного струму інформації - наприклад, даних про запаси, замовлення даних або інформації про місцезнаходження з товарів. Однак, коли люди схильні до помилок або можуть обробити лише обмежену інформацію, KI забезпечує точність та швидкість. Наприклад, AI може надати та аналізувати дані в режимі реального часу, а це означає, що помилки розпізнаються та виправляються швидше, перш ніж викликати проблеми. Звичайні завдання, такі як перевірка запасів або збір вкладень товарів, можна автоматизувати, що звільняє працівників.

Системи AI також можуть розпізнати закономірності в складських процесах, які можуть пропустити людське око. За допомогою цих аналізів даних система краще розуміє поточну ситуацію на складі, визначає вузькі місця або неефективність та пропонує вдосконалення. Практичним прикладом є оптимізація: алгоритми можуть аналізувати та оптимізувати пішохідні доріжки складів або промислових вантажівок (наприклад, навантажувачів). Наприклад, списки вибору так сортуються таким чином, щоб працівники проходять найкоротший можливий маршрут через склад. Це зменшує терміни, а замовлення складаються швидше. Аналогічно, функції AI можуть визначити найкращий простір для зберігання для кожного продукту- заснований на його розмірі, покритті та інших факторах- для того, щоб зробити депозит та аутсорсинг більш ефективним.

Ще один важливий аспект - зменшити помилки та покращити якість. Системи ідентифікації зображень, що підтримуються AI, можуть, наприклад, сканувати пакети та перевіряти їх стан та розміри під час отримання. Це негайно визнає, якщо є пошкодження або стаття була неправильно позначена. Такий автоматизований контроль якості гарантує, що проблеми вирішуються на початку процесу і не протікають по всьому ланцюгу поставок. Крім того, AI вчиться з часом: спочатку помилки все ще можуть виникати, але завдяки технік машинного навчання розпізнавання зображень постійно покращується і ще більше знижує рівень помилок.

Усі ці оптимізації в кінцевому рахунку призводять до більшої продуктивності та зниження витрат на складських операціях. Роботи та системи AI можуть виконувати кілька завдань набагато швидше і точно, ніж люди, що підвищує продуктивність. У той же час, алгоритмічна оцінка даних складів дає можливість кращими стратегічними рішеннями- наприклад, в персоналі та плануванні ресурсів- що робить всебічніші процеси більш ефективними. AI Solutions може постійно контролювати процеси, аналізувати ризики та діяти активно (наприклад, визнати та протидіяти загрозливому вузькому місці). Загалом, прозорість на складі покращується, і проблеми часто визнаються ще до того, як вони навіть виникають. Все це сприяє зменшенню витрат, оскільки більш ефективний склад викликає менше відходів, менші витрати на помилки та оптимально використовує робочий час. На думку експертів, технології AI можуть підвищити ефективність в логістичній галузі в найближчі роки за значною магнітофонною акцентом, наприклад, оцінює підвищення ефективності понад 40 % до 2035 року.

Підсумовуючи, AI збільшує швидкість, точність та гнучкість складських процесів. Це варіюється від більш швидкого пошуку та надсилання продукції, мінімізації відмінностей запасів, до кращої координації з іншими областями ланцюга поставок. Для компаній це означає більш високу ефективність їх складу, полегшуючи працівників монотоніки або складних завдань.

Підходить для цього:

• Лагер на межі? Автоматизація складів: оптимізація складів проти модернізації - правильне рішення для вашого складу

Прогноз попиту та управління запасами з ML

Центральна сфера застосування машинного навчання в складській логістиці - це прогноз вимог. Це означає прогноз майбутнього попиту - питання: який продукт потрібен, коли і в якій кількості? Точна відповідь на це питання варта золота, оскільки це дозволяє оптимально контролювати інвентаризацію. Занадто багато товарів у акції прив'язує капітал та приміщення для зберігання непотрібних, занадто мало товарів призводить до вузьких місць доставки та незадоволених клієнтів. Системи на основі AI можуть зневажати цю дилему, роблячи дуже точні прогнози на основі великої кількості даних.

Сучасні моделі машинного навчання аналізують історичні продажі, сезонні коливання, поточні замовлення, маркетингові кампанії, тенденції соціальних медіа та багато інших факторів, що впливають на вплив. З цього вони вивчають закономірності та стосунки. Наприклад, така система може визнати, що абзац збільшує певні предмети, як тільки певна подія неминуча (наприклад, попит на збільшення вуглецю гриль до літніх вихідних). Виходячи з таких моделей, AI автоматизує кількість товарів, які слід доставити, в якому місці в який час. Ці прогнози допомагають компаніям адаптувати свій інвентар до їх інвентаризації. Зокрема, це означає, що якщо продукт буде все більш затребуваний, ШІ гарантує, що постачання замовлених вчасно і доступний на складі. І навпаки, вона попереджає, що продукт, ймовірно, буде затребуваний, так що уникнути зайвих запасів та надмірного виробництва.

Німецький інтернет -роздрібний торговець Otto наводить практичний приклад. Компанія використовує саморозвинену систему AI для прогнозу продажів з 2019 року. Ця система розглядає майбутнє продажів, так би мовити, і підтримує всі залучені процеси-від закупівлі до складання до доставки. Прогнози AI показують OTTO, які саме предмети надходять на склад і наскільки високим буде очікуваний абзац у певний момент часу. Виходячи з цього, Отто вирішує, чи купується стаття та як її слід продавати. Наприклад, AI визначає, чи зберігається продукт на складі як на складі, або, якщо потрібно, надсилається безпосередньо замовнику виробником. Прогноз має прямий вплив на придбання, склад та розповсюдження. Результат: завжди є лише товари, які дійсно потрібні, що зменшує дорогі надлишки акцій та пізніші посилання зі знижками. У той же час, прогнози гарантують, що предмети доступні, як тільки попит приваблює попит не пропустити можливості продажів. З Отто, завдяки цьому ШІ, 35 % діапазону зараз автоматично переробляються без необхідності запускання наказів - доказ того, наскільки добре працюють прогнози.

Інші компанії також використовують такі оптимізації запасів на основі AI. DHL повідомляє, що системи AI можуть порівнювати попит і існувати в режимі реального часу та автоматично впорядковують перепорядкування. Вони навіть здатні заздалегідь обчислити поради щодо попиту, щоб не створювати неправильні акції (поза запасами) або зайві стенди. Це гарантує швидку доставку клієнтам, оскільки на складі завжди достатньо товарів, але на складі немає зайвих буферів, які спричинили б витрати.

Прогноз попиту через ML впливає не лише на ваш власний склад, але й на всю ланцюг поставок (ланцюг поставок). Наприклад, хороші прогнози дозволяють заздалегідь надсилати регіональні центри розподілу до того, як навіть були отримані замовлення. Наприклад, Отто створює регіональні прогнози, щоб передбачити, які продукти впорядковуються, в якому число. Відповідно, ці предмети вже доставляються до сусіднього депо як запобіжну обережність. Це скорочує час доставки та скорочує транспортні маршрути, що також знижує викиди CO₂.

Підсумовуючи це, планування попиту, що підтримується AI, призводить до більш ефективного складу: завжди правильний продукт у потрібний час у відповідній кількості на складі. Це дозволяє компаніям уникати вузьких місць доставки, збільшувати задоволеність клієнтів і в той же час зменшити витрати на зберігання. Для складської логістики це означає менше "вставки пожежної бригади", щоб виправити раптові вузькі місця, оскільки AI визнає та любить такі ситуації на початку. У часі все більш мінливої ​​поведінки клієнтів (ключове слово електронної комерції, сезонні піки через онлайн-дії тощо), цей перспективний контроль стає рішучим конкурентним фактором.

Автоматизація та робототехніка на складі

Особливо привабливою областю інтеграції AI є автоматизація за допомогою робототехніки на складах. Сучасні підшипники все частіше покладаються на розумні машини, які можуть переміщувати, підняти, сортувати або пакувати - часто контролюються або підтримуються AI. Ці складські роботи полегшують людських службовців, особливо у фізично виснажливих, одноманітних або часових завданнях.

Одним із прикладів є автономні транспортні засоби на складі, також відомі як FTS (транспортні системи без водіїв) або AMR (автономний мобільний робот). Такі транспортні засоби - від невеликих, плоских транспортних роботів до автоматизованих навантажувачів - можуть транспортувати піддони, коробки або окремі статті від А до Б повністю самостійно. Це стало можливим за допомогою датчиків, камер та навігаційних систем у поєднанні з алгоритмами AI для планування маршруту. Роботи «бачать» своє оточення, розпізнають перешкоди та шукають найкращий шлях до мети. AI дозволяє цим транспортним засобам реагувати на зміни в режимі реального часу - наприклад, обхід перешкоди, яка раптом знаходиться в коридорі - і все ще зберігає оптимальний маршрут. Такі автономні носії навантаження вже є реальністю у багатьох таборах: вони транспортують товари між приміщеннями для зберігання, приносять приладдя на полицю, збирають статті для замовлень клієнтів (автоматизований вибір) або сприяють готовим замовленням на доставку. Це звільняє людських службовців від тривалих пішохідних маршрутів та транспортних завдань і може сконцентруватися на більш вимогливих заходах.

Ще одним робототехнічним додатком є ​​AI-контрольовані роботами. Це стаціонарні або мобільні роботи з руками, які можна знайти з полиць. За допомогою обробки зображень (камер та програмного забезпечення AI) такий робот визначає правильну статтю та упаковує необхідну суму. Вже є рослини, в яких роботи вибирають окремі частини: робот отримує порядок із системи управління складами, наприклад 5 фрагментів статті X. Він переходить (якщо мобільний) до відповідної теми, візуально розпізнає статтю та доступ до нього. Датчики ваги перевіряють, чи була видалена правильна кількість, а AI знову підтверджує ідентичність статті за допомогою розпізнавання зображень. Такі системи часто працюють в окремих районах або вночі, щоб мати можливість готувати замовлення цілодобово. Також використовуються більш складні системи автоматизації, такі як машини для вибору (автоматичні магазини) - у контейнерах або валах є різні статті, а за запитом система автоматично транспортує потрібний елемент у вихідний контейнер.

У цьому контексті Amazon стала відомим: компанія протягом десятиліття масовою була на складських роботах. У таборах Амазонки тисячі маленьких помаранчевих роботів (раніше з систем Kiva) транспортують цілі модулі полиці через склад безпосередньо до людських виборів. Розумний контроль AI координує ці полиці роботів настільки ефективно, що шляхи працівників мінімізовані. Внутрішнє дослідження Amazon показало, що ця оптимізована AI-координація призводить до величезних заощаджень півмільярда доларів США на рік, економить Amazon, приносячи роботів до працівників швидше та ефективніше. AI завжди обчислює, які модулі шельфу поруч із працівником доведеться донести до якого працівника, щоб оптимально обробити замовлення. Результат: швидше виконання замовлень клієнтів одночасно.

Сортування та упаковки роботів також переїжджають. У деяких центрах пакувальних центрів DHL, наприклад, роботи вже беруть пакети з конвеєра та сортують їх у суб'єкти для відповідних маршрутів доставки. Завдяки AI, ці так звані DHLBots здатні вчитися та гнучко оснащені 3D-камерами, ви можете побачити розмір та форму програм, сканування штрих-кодів та автономно вирішувати, який предмет включає пакет. Тож вони набагато більше, ніж жорсткі промислові роботи; Ви можете обробляти широкий спектр розмірів пакетів та адаптуватися до змінених процесів. На практиці це означає, що пакети попередньо розраховані швидше і більше помилок, що прискорює доставку на "останній милі".

У міжнародному рівні є численні захоплюючі приклади. У логістичному центрі китайського гіганта електронної комерції Alibaba (точніше його дочка з логістики Каїнао), було створено високо автоматизований склад, в якому роботи виконують близько 70 % роботи. Близько 60 мобільних роботів, які також називаються "Zhu Que" на місцевому рівні - транспорт у таборі 3000 м² до упаковки та втричі продуктивність. Працівник складу людини зазвичай створює 1500 підібраних предметів за зміну - за підтримки роботів є 3000 статей із значно меншою кількістю ходьби. AI гарантує, що роботів працюють разом ефективно, не заважають і завжди приносять наступні товари до точки вилучення в потрібний момент. Цей склад Alibaba демонструє те, що технічно можливо, якщо ви майже повністю автоматизуєте логістику складу: працівникам навряд чи доводиться ходити по серії полиць, оскільки роботи приносять полиці або товари безпосередньо, а пропускна здатність зростає надзвичайно.

Такі розумні склади часто інтегрують кілька технологій: автономні транспортні засоби, гімнастика роботи, автоматизовані конвеєрні ремені, датчики IoT для моніторингу умов навколишнього середовища та запасів, а також системи AI, як "мозок", що контролює все. Мета - високо автоматизований склад, який працює ефективно, безпечно та прозоро. У цих умовах людські працівники часто працюють рука об руку з роботами спільних (коботів), які вони підтримують у сильних процесах підйому або приносять їх до них. Впровадження цього робототехніка призводить до зміненого профілю завдань для працівників, але загалом збільшує ефективність складу.

На початку цього розвитку ще багато таборів - за підрахунками, близько 20 % складів автоматизовано лише в Німеччині та США, решта все ще значною мірою працює вручну. Але великі гравці, такі як Amazon, Alibaba або DHL, розпочали його та поступово оснащували свої табори технологіями та роботами AI. У найближчі роки очікується все більше складських процесів - будь то через транспортні системи без водіїв, автоматизовані системи сортування або інтелектуальні системи допомоги для працівників.

Підходить для цього:

• Ефективна автоматизація складів: 25 важливих питань та відповідей для вашої оптимізації - поради щодо оптимізації складів та модернізації

AI у програмному забезпеченні ланцюга поставок та корпоративних програм (SCM, DCM, ERP)

Не тільки окремі роботи, але й програмне забезпечення у фоновому режимі відіграє вирішальну роль у інтеграції ШІ в складській логістиці. Сучасні системи управління ланцюгами поставок (SCM) та рішення планування ресурсів (ERP) все більше оснащуються функціями AI для покращення планування, контролю та адміністрування по ланцюгу поставок. Термін управління ланцюжками попиту (DCM) також з'являється в цьому контексті, її зосереджується, особливо на попиту клієнтів та ланцюгу поставок на основі нього. У всіх цих системах AI може слугувати своєрідним інтелектуальним шаром, який значно покращує класичні функції.

Центральним прикладом є система управління складами (WMS)-програмне забезпечення, яке керує всіма процесами на складі (від отримання товарів до зберігання та вибору до виробництва товарів). У минулому WMS працював за твердо запрограмованими правилами. Тим часом, однак, виробники інтегрують модулі AI, які роблять WMS "розумнішими". Наприклад, LPP -роздрібний торговець моди впровадив рішення AI (PSIWMS AI) у своїй системі управління складами, яке використовує механізми машинного навчання для оптимізації процесів. Результатом цього було значно коротші стежки для вибору та загалом більш висока ефективність на складі. Це показує: AI може додавати існуюче логістичне програмне забезпечення таким чином, що він дізнається з власних операційних даних та вдосконалює процеси незалежно. Наприклад, WMS на основі AI може визнати, які елементи часто впорядковуються разом і чиї місця зберігання рухаються ближче (автоматизована оптимізація макета). Або він динамічно надає пріоритет замовлення відповідно до наявних ресурсів, умов дорожнього руху або дати доставки.

Системи управління ланцюгами поставок

Системи управління ланцюгами поставок із підтримкою AI йдуть на крок далі, переглядаючи весь ланцюг поставок поза індивідуальним підшипником. Вони використовують AI для того, щоб зробити оптимізацію в кінці: для компенсації запасів у кількох місцях зберігання, оптимально використовувати транспортні потужності та гнучко реагувати на розлади. Інструменти SCM на основі AI можуть принести велику кількість даних з різних джерел-E.g. Дані про погоду, інформація про дорожній рух, інформація про постачальників і, таким чином, адаптуйте плани доставки в режимі реального часу. Наприклад, Oracle описує, що компанії використовують AI для збалансування запасів та знаходження маршрутів доставки палива, набагато ефективніші, ніж це було б можливо за допомогою звичайного програмного забезпечення. Наприклад, така система може автоматично обчислити альтернативний маршрут для наступних вантажівок у разі раптового заблокованого маршруту руху та постраждалих поставок. Або це помічає проблеми з якості з певним постачальником і попереджає час, перш ніж несправні деталі потрапляють у табір.

Управління ланцюжками попиту (DCM)

Управління ланцюжками попиту (DCM), який зосереджується на стороні попиту, також виграє від ШІ. Йдеться про оптимальне використання потреб клієнтів - в основному інтеграція маркетингу/продажів з ланцюгом поставок. Наприклад, у DCM AI може аналізувати замовлення на клієнтів та вдосконалювати прогнози, щоб адаптувати виробництво та складання ще більш точно до фактичного попиту. На практиці SCM та DCM часто розмиваються, але обидва мають на меті узгодити пропозицію та пропозицію з AI максимально ефективно.

Великі постачальники ERP, такі як SAP або Oracle, вже інтегрували функції AI у свої продукти. SAP говорить про "Business AI" в рамках модулів ERP, які повинні оптимізувати складування, обробку замовлень та транспортуватись із знаннями, що підтримуються AI. Oracle підкреслює, що системи AI можуть визнати закономірності в ланцюгах поставок, які залишаються прихованими для людини, наприклад, для того, щоб прогнозувати попит клієнтів більш точно і, таким чином, забезпечити більш економічно ефективне управління запасами. Microsoft та спеціалізовані постачальники програмного забезпечення для логістичного програмного забезпечення також пропонують модулі AI, які кличуть існуючі процеси. Стандартні інтерфейси часто забезпечуються ERP -системами, так що моделі AI (наприклад, для прогнозів) могли швидко працювати з даними компанії. Наприклад, модель AI для прогнозу продажів може бути інтегрована безпосередньо в обробку замовлення ERP: Потім система автоматично створює пропозиції щодо замовлення для поставок у закупівлі, виходячи з прогнозу ML.

Легко зрозуміле використання програмного забезпечення - це чат -боти AI для логістики. Ці цифрові помічники можуть бути інтегровані в системи управління складами або системи управління транспортом та допомогти працівникам, таким як зовнішні партнери, щоб швидко отримати інформацію. У контексті зберігання чати можуть відповісти на запитання, наприклад, à la "Де стаття XY?" або "Наскільки високе існування продукту Z?" - і за лічені секунди, цілодобово. Ви можете прийняти запити на замовлення або прогнозувати терміни доставки. Внутрішньо такі помічники полегшують персонал часу, що споживають науково -дослідну роботу, зовні покращують обслуговування клієнтів (наприклад, інформація про стан складу замовлення).

Підводячи підсумок, AI проникає в ландшафт програмного забезпечення в логістиці на всіх рівнях. Від WMS до SCM/DCM до ERP, класичні системи доповнюються AI для включення автоматизованих рішень. Інтеграція важлива: рішення AI повинні безперешкодно вписуватися в існуючі процеси. Завдяки хмарній технології та стандартизованим інтерфейсам, це стає простіше. Сьогодні компанії часто можуть додавати функції AI до існуючих систем як розширення. Тим не менш, успішна реалізація залишається завданням, яке вимагає ноу-хау-правильні дані повинні бути доступними, моделі, які навчаються та постійно контролюються. Після того, як це було освоєно, програмні системи на базі AI пропонують значну додаткову вартість: прозорість, швидкість та активний контроль стають новою нормальністю в логістиці складу.

Проблеми впровадження AI: саме так компанії освоїли інвестиції, і це перешкоджає: xpert.digital

Практичні приклади компаній

Багато компаній у всьому світі вже успішно використовують AI у своїх складах та логістичних процесах. Ось кілька практичних прикладів, які показують, наскільки різноманітні програми:

Амазонка (США)

Як один із піонерів, Amazon використовує AI та робототехніку у великих масштабах. У центрах виконання (логістичні центри) гіганта електронної комерції десятки тисяч роботів переходять до працівників. AI назавжди оптимізує процес - який полиця рухає, до якого працівника, щоб видалити статтю. Цей розумний контроль вибору надзвичайно підвищив ефективність Amazon. Дослідження оцінюють заощадження від оптимізації "вибору" на основі AIS на основі AIS близько 470 мільйонів євро на рік. Крім того, Amazon KI використовує у багатьох інших областях, наприклад, у плануванні маршруту транспортних засобів, динамічному плануванні персоналу залежно від обсягу замовлення або для прогнозного обслуговування (прогностичного обслуговування) його об'єктів на складі.

Алібаба (Китай)

Alibaba працює з високим складом зі своєю дочкою логістики Каїніо, в якій роботи виконують більшість фізичних робіт. У добре відомому таборі в Гуандуні розумні транспортні роботи виконують 70 % робочих місць для зберігання та підвищують продуктивність трійкою. Роботи - контрольовані AI - приносять колегам людини, які в основному беруть на себе лише упаковку. Завдяки координації ШІ, працівник сортує до 3000 пакетів за зміну, а не 1500 без підтримки. Alibaba також використовує KI для доставки безпілотників та автономних транспортних засобів для місцевого транспорту та, з ML, оптимізує розподіл запасів до численних центрів розподілу. Результатом є швидкі поставки блискавки (іноді насіннєвий день або протягом декількох годин), незважаючи на величезні величини, що підтримуються AI-оптимізованими процесами.

Deutsche Post DHL (Німеччина)

Як глобальний постачальник послуг логістики, DHL інвестує в різні сфери бізнесу в ШІ. У доставці посилки DHL тестує, наприклад, автономні безпілотники доставки та вуличні боти, але рішення AI також використовуються в самому складі. У деяких таборах DHL або центерах посилки робочі на базі AI повністю автоматично сортують пакети за цільовим регіоном. Ці руки-робота розпізнають кожне шоу за допомогою 3D-камери та AI, захоплюйте та кладуть їх у потрібну тему доставки швидше, ніж людина могла. DHL також використовує інструменти AI для оптимізації маршруту автопарків вантажівки, перспективного обслуговування своїх систем фінансування та управління запасами для клієнтів контрактів. Приклад останнього: DHL KI використовує в контрактній логістиці (складська логістика для промислових клієнтів) для моніторингу запасів своїх клієнтів та запуску автоматичних замовлень на постачання до створення вузького місця. Таким чином, DHL підвищує надійність доставки та більш уважно пов'язує клієнтів.

Отто (Німеччина)

Як було сказано вище, Отто Кі успішно використовує для прогнозу продажів та контролю зберігання. Система впорядкувала автономно та оптимізує інвентар. Як результат, Отто зміг зменшити зайві стенди і в той же час покращити здатність до доставки. Otto - це приклад того, як німецька компанія розвиває AI внутрішньо та продуктивно використовує, щоб залишатися конкурентоспроможними на висококонкурентному ринку (онлайн -торгівля).

Хітачі (Японія)

У Японії, де багато процесів традиційно проводяться вручну, зараз починається широка інтеграція ШІ в складській логістиці. Приклад - Хітачі, який досліджує ШІ, щоб покращити вибір у своїх центрах розповсюдження. Старіння робочої сили слід підтримувати з розпізнаванням зображень та зчепленням. Інші японські компанії - наприклад, в галузі автомобільної постачання - також все більше покладаються на автоматизовані складські системи з AI. Японський уряд просуває такі проекти як частину "суспільства 5.0" та спеціальних програм для того, щоб дефіктувати кваліфікованих робітників у логістичному секторі. Загалом, робототехніка в Японії користується високим рівнем прийняття, а нові стратегії мають на меті автоматизувати склади та ланцюги поставок.

Walmart (США)

Найбільша світова роздрібна мережа також інвестує в ШІ для її ланцюга поставок. Walmart використовує аналіз AI для здійснення інвентаризації в режимі реального часу у своїх центрах розповсюдження та для прогнозування, коли гілки потребують поповнення. Крім того, Walmart випробовував роботів інвентаризації в деяких галузях, які їздять по полиці, і визнає, які продукти потрібно поповнити. Автоматизовані системи сортування використовуються у великих центрах логістики електронної комерції групи, а AI оптимізує розподіл пакетів на маршрутах вантажних автомобілів. Разом з такими компаніями, як Walmart, американські торгові гіганти керують прийняттям ШІ в логістиці.

Згадані приклади показують, що як технологічні групи, так і класичні постачальники послуг логістики AI продуктивно використовують у своїх таборах. Амазонка та Алібаба, зокрема, встановлені стандарти, на яких орієнтуються інші. Але також у Німеччині та інших місцях проекти AI-частково розроблені внутрішніми (як і у Отто), частково у співпраці з технологічними партнерами або за рахунок придбання стартапів. Важливо, щоб ці успіхи робили школу: багато малих та середніх логістичних компаній спостерігають саме тим, що роблять великі, а тепер також починають пілотувати рішення AI в деяких районах.

Економічні наслідки ШІ на складі

Впровадження AI та ML в складській логістиці є не лише технічним, але й економічним рішенням. Компанії сподіваються на відчутні переваги бізнесу, але також повинні інвестувати та враховувати можливі побічні ефекти.

Спочатку до позитивних економічних наслідків

Як уже було пояснено, AI значно підвищує ефективність складських процесів - процеси працюють швидше і з меншою кількістю помилок. Це впливає на витрати безпосередньо. Наприклад, за допомогою оптимізованого AI-планування маршруту для складських робітників або роботів, час для клюлення замовлення може бути різко скорочений, а це означає, що більше замовлень може бути оброблений на шар (більша пропускна здатність). Витрати на персонал можна заощадити або краще використовувати, оскільки працівники звільняються від автоматизації, а більш продуктивні в інших місцях можна використовувати в інших місцях. Управління інвентаризацією, що підтримується AI, зменшує витрати на запаси, оскільки менший капітал пов'язаний з непотрібними товарами та амортизацією через псування або застарілу продукцію зменшується. Опитування показало, що багато логістичних компаній в ШІ бачать можливість значно підвищити якість та продуктивність праці - навіть як піонерська галузь оцифрування, понад половина компаній оцінила логістику. Це означає, що галузь очікує, що AI сприятиме додатковій вартості.

Конкретні числа лежать в основі потенціалу заощаджень

Аналіз Accenture прогнозує, що використання ШІ може підвищити ефективність логістики до 2035 року на понад 40 %. Це означатиме величезне зниження витрат, оскільки підвищення ефективності зазвичай означає більшу кількість виробництва (експлуатація замовлень) з однаковим або меншим входом (час, персонал, площа). Вже сьогодні рентабельність інвестицій (рентабельність інвестицій) часто відносно швидка в конкретних проектах. Наприклад, системи AI, які оптимізують транспортні або вантажні навантаження, можуть заощадити витрати на пальне та уникати порожніх поїздок, щоб інвестиції в програмне забезпечення платять за себе протягом декількох років. KI також сприяє економії витрат, уникаючи простоїв (розладів, що призводять до затримки доставки), наприклад, якщо прогнозована головна заважає системам запобігти дорогим стендом машинного світла на складі.

Пілотні проекти та ділові випадки: Коли AI окупається в складській логістиці

Однак інвестиційні витрати та проблеми також компенсуються можливостями. Купівля складських роботів, датчиків та програмного забезпечення AI спочатку дорога. Не кожна компанія має фінансові сили Amazon, щоб ввести сотні мільйонів автоматизації. Багато осіб, які приймають рішення, вагаються через високі інвестиційні витрати або відсутність ІТ-інфраструктури. Особливо в магазинах, розміщених у малих та середніх, цифрові основи (наприклад, безперервне отримання даних) часто відсутні для повного використання AI. Крім того, впровадження вимагає ноу-хау: експерти в галузі ШІ та аналіз даних користуються попитом, але рідкісні та дорогі. Спочатку проекти AI можуть збільшити складність того, що робить навчання працівників та управління змінами необхідним.

За короткий термін також можуть бути зрушення витрат. Наприклад, при більшій кількості використання, зусилля для безпеки даних та обслуговування систем збільшуються. Потрібно запланувати бюджети на регулярні оновлення програмного забезпечення, модель тренування Neut (у випадку ML) або резервних систем. Інтеграція коштує-тобто. Інтегувати рішення AI у існуючі системні ландшафти-це не слід недооцінювати. Наприклад, Oracle підкреслює, що впровадження часто може бути складним і дорогим, особливо коли індивідуальні моделі ML ML повинні проходити навчання за власними даними.

Однак у довгостроковій перспективі більшість експертів очікують, що потенціал заощаджень переважає інвестиції. Якщо компанія подолала початкові перешкоди, склад, що підтримується AI, зазвичай працює значно економічно. Існують також м'які фактори: сучасний, автоматизований склад може реагувати більш масштабовано на зростання (впоратися з більшою кількістю замовлень без необхідності поповнювати лінійний персонал). Це збільшує конкурентоспроможність - ви залишаєтесь конкурентоспроможними з термінами доставки та витратами або навіть можете розрізнити себе особливо швидким обслуговуванням. Крім того, оптимізовані AI-процеси допомагають скоротити терміни доставки, що, в свою чергу, може збільшити лояльність клієнтів та продажі (будь ласка, замовляйте задоволених клієнтів).

Цікавим аспектом є стійкість, що також є економічно актуальним. KI допомагає працювати більш екологічно чистим (наприклад, шляхом оптимального використання потужностей вантажних автомобілів, що економить подорожі, або уникаючи зайвих стендів, що знижує надмірне виробництво). Оскільки стабільність зараз також винагороджується інвесторами та клієнтами, це може опосередковано принести фінансові вигоди (ключове слово "зелена логістика" як аргумент продажів).

Підсумовуючи, AI багато в чому впливає на витрати на зберігання: витрати на персонал, витрати на запаси, витрати на помилки, витрати на збитки - все це може бути зменшено ШІ. Це стикається з інвестиціями та експлуатаційними витратами для систем AI. Компанії доводиться зважувати, коли і де AI за них окупається. На практиці ми відчуваємо, що пілотні проекти часто розпочали спочатку, щоб отримати конкретні фігури. Зазвичай вони показують, чи варто масштабування. Оскільки технологія стає все більш доступною та дешевшою (хмарні сервіси, стандартні рішення), поріг входу падає.

Загалом можна сказати: AI є конкурентним фактором логістики. Якщо ви інвестуєте рано та розумно, ви можете отримати лідерство витрат або досягти послуг. Компанії, які чекають, з іншого боку, ризикують працювати більш неефективним у довгостроковій перспективі та втрачаючи частки на ринку. Тим не менш, вступ не є тривіальним-це має переконливий діловий випадок, хороше планування, а також часто підтримка управління, оскільки мова йде про стратегічний курс.

Підходить для цього:

• Ефективне планування та впровадження: AI, робототехніка та автоматизація в сучасних конструкціях зберігання

Регіональні відмінності: Німеччина, ЄС, США та Японія

Розробка та поширення ШІ в складській логістиці відрізняються регіонально, впливаючи економічні умови, технологічні піонерські та політичні рамки. Погляд на важливі регіони:

Німеччина та ЄС

У Німеччині логістична індустрія традиційно дуже важлива і вважається порівняно інноваційною. Дослідження показують, що 22 % німецьких логістичних компаній вже використовують AI, а ще 26 % мають конкретні плани для цього. Німецькі компанії вважають, що німецькі компанії KI корисні, особливо в галузі прогнозу попиту, планування продажів та оптимізації транспорту. Однак близько 20 % складу в Німеччині в даний час значною мірою автоматизовані. Це означає, що більшість все ще працює з переважно ручними процесами. Проблеми часто полягають у складності системи та дефіцині кваліфікованих працівників, що гальмує реалізацію нових технологій. Тим не менш, німецькі компанії сильно інвестують в ШІ, щоб оптимізувати процеси та залишатися конкурентоспроможними.

Політично і Німеччина, і Європейський Союз масово сприяють технологіям AI. Німеччина розпочала стратегію AI та надала мільярди досліджень. Такі інститути, як інститути Fraunhofer (наприклад, IML в Dortmund), орієнтуються на рішення AI для логістики. Такі терміни, як промисловість 4.0 та Logistics 4.0, клацають бачення, в якому AI також відіграє ключову роль. ЄС планує просуватися з такими програмами, як Horizon Europe та спеціальні проекти підтримки, AI та робототехніка в промисловості. У той же час, в Європі ви звертаєте увагу на етичні вказівки та комісію ЄС-ключа та європейський проект Регламенту AI (Закон про AI). Це покликане забезпечити використання AI надійним та безпечним, що також важливо в логістиці (наприклад, захист даних для даних працівників, стандарти безпеки для автономних систем).

США

Сполучені Штати були довгими лідерами в дослідженнях автоматизації та AI та розміщували технічних гігантів, таких як Google, Amazon, IBM, Microsoft, які сильно стимулюють AI. Однак у практиці складської логістики США не набагато далі автоматизована, ніж Європа. За підрахунками, лише близько 20 % складів США є високо автоматизованими. Однак високі витрати на оплату праці та зростання дефіциту праці в США зараз значно збільшують інвестиції в автоматизацію. Великі компанії, такі як Amazon, Walmart або UPS, впроваджують системи на базі AI, і виконують функції проектів коней. Сполучені Штати розуміють, що технологія AI необхідна, щоб не відставати від глобальної конкуренції (особливо порівняно з Азією).

Політично в США є й інші пріоритети - тут домінують приватні інвестиції та ініціативи. Державне фінансування є менш центральним, ніж в ЄС чи Китаї, але є програми Міністерства оборони або Міністерства енергетики опосередковано підтримують дослідження ШІ (наприклад, для автономних транспортних засобів, які також приносять користь логістиці). Однак останнім часом стратегії AI також обговорюються на національному рівні, зокрема для зміцнення промислової основи. Загалом, можна сказати: Американські компанії прагматично прагнуть AI в логістиці, тоді як політика повільно намагається створити основу, щоб наздогнати на міжнародному рівні.

Японія

Японія - один із піонерів з робототехніки та автоматизації - в промисловості (наприклад, автомобільне виробництво), Японія має щільність роботів 399 роботів на 10 000 робітників і знаходиться у верхній частині у всьому світі. Однак у складі логістики Японія поки що була більш зарезервована. Традиційні методи роботи та висока оцінка людської роботи давно призвели до того, що автоматизація складів залишалася порівняно низькою. Але зараз це швидко змінюється, оскільки Японія стикається з гострими демографічними проблемами: є менше і менше молодих робітників, а законодавчі робочі обмеження змушують компанії встановлювати рішення автоматизації, щоб підтримувати продуктивність. Таким чином, все більше японських компаній звертаються до сучасних рішень AI підшипників. Уряд активно просуває це - існує "нова стратегія робота", яка орієнтована на використання роботів у секторах сервісу, таких як логістика.

Крім того, Японія розповсюджує концепцію суспільства 5.0, суперслівне суспільство, в якому AI є всюдисущим до освоєння соціальних викликів (таких як старіння суспільства). У цьому контексті, наприклад, автоматизовані вантажівки для доставки, системи зарядки та вивантаження роботів та оптимізовані AI-ланцюги поставок. Ми вже бачимо японські логістичні центри, які оснащені навантажувачами без водіїв та контрольованими AI конвеєрними системами. Тож поки Японія розпочалася трохи пізніше, автоматизація в таборах та використання AI повинні раптово там збільшуватися в найближчі кілька років. Культурно прийняття роботів дуже високе, що полегшує зміни.

Китай та Південна Корея (для порівняння)

Навіть якщо це не вимагається явно в питаннях, швидкий погляд вартий: Китай агресивно інвестує в робототехніку та AI і зараз є найбільшим світовим ринком промислових роботів. У Китаї встановлено понад 50 % усіх нових роботів у всьому світі. Китайський уряд субсидує цей розвиток для модернізації своїх ланцюгів поставок. Особливо через бум електронної комерції (Alibaba, JD.com тощо) Китай зазнав великої тяги в автоматизованих складах. З іншого боку, Південна Корея вважається таємним лідером в автоматизації складу: понад 40 % таборів є автоматизованими, завдяки високій спорідненості та компаніям, таким як Coung, які покладаються на ШІ. Такі країни служать орієнтиром для того, що можливо, якщо ви послідовно впроваджуєте технології.

Європа (ЄС) загалом

Європа рухається - за винятками - на рівні США. У Європі такі країни, як Німеччина, Нідерланди чи Скандинавія, добре розміщуються з точки зору логістики, а інші мають деякі наздоганяють. З спільними проектами (наприклад, Gaia-X для інфраструктури даних) та гранти, ЄС намагається сприяти прогресу рівномірно. Крім того, в галузі ШІ є дослідницькі проекти в ЄС для транспорту та логістики (наприклад, до автономних взводів вантажних автомобілів, регулювання безпілотників тощо), які, звичайно, також впливають на табори, оскільки все замикається.

Підсумовуючи: Німеччина/ЄС та США все ще відносно рівні у практичному використанні AI у таборах-багато потенційних визнаних, але все ж великих частин галузі без ШІ. Азія неоднорідна: Китай та Південна Корея дуже далеко вперед через вимушене використання, Японія в процесі улови. Регіональна політика та програми фінансування відіграють головну роль: хоча Китай, а іноді Європа сильно відштовхується від держави, приватний сектор їде в США. Зрештою, всі зауважують: хороші рішення приймаються на міжнародному рівні. Отже, певна конвергенція може бути очікувана логістика-Warehouse є глобальною, і успішні концепції AI (будь то "Амазонський шлях" чи роботів Alibaba) пошириться по всьому світу.

Автоматизований склад 2050: бачення стає реальністю

Погляд на майбутнє складської логістики з AI та машинним навчанням обіцяє подальші захоплюючі розробки. Термін, який знову і знову падає, - це "розумний склад" - майже повністю оцифрований та розумний табір. У таких майбутніх сценаріях усі системи та машини спілкуються один з одним (ключове слово Інтернет речей, IoT). AI утворює мозок, який контролює ці мережеві пристрої. Ви можете уявити склад у 2050 році, в якому автоматизовано майже всі рутинні заходи: автономні транспортні засоби пропагувались, вибір роботів, інвентар (наприклад, розпізнавання шельфів по камеру), системи AI контролюють все в режимі реального часу.

Підходить для цього:

• Подальша розробка та нова оптимізація складської логістики: склад, робототехніка автоматизації та AI для нової ери ефективності

Потенційні розробки

Ми лише на початку того, що AI може зробити в логістиці. В майбутньому алгоритми самостійного навчання можуть оптимізувати цілі комплекси зберігання в режимі реального часу - динамічно адаптуватися до суміші продукту, ситуацію з замовленням або навіть непередбачених подій (наприклад, раптове закриття кордону або дефіцит сировини). Генеративний AI (відомий Chatgpt & Co.) може допомогти у плануванні процесів, наприклад, розробляючи альтернативні сценарії збоїв ланцюгів поставок. Роботика, мабуть, більш універсальна: сьогодні ми маємо спеціалізовані роботи для певних завдань; В майбутньому гуманоїдні роботи або надзвичайно гнучкі системи роботи можуть працювати на складі, які набувають широкого спектру завдань (захоплення, носіння, водіння). Перші підходи (двомовні роботи були помічниками складів) вже перевіряються.

Співпраця людини-машини також також вдосконалюється. Коботи могли тісно співпрацювати з людьми без захисних кліток, і AI може слугувати особистим помічником для кожної складної роботи - наприклад, через окуляри даних з розширеною реальністю, які показують працівника в режимі реального часу всю відповідну інформацію (зберігання, наступний крок, попередження). Комплектовані AI, що підтримуються, також можуть контролювати безпеку (наприклад, браслет вібрує, коли поруч знаходиться навантажувач). Все це служить для поліпшення умов праці та подальшого зменшення помилок або нещасних випадків.

Звичайно, на шляху туди є також проблеми та етичні питання. Часто обговорюване занепокоєння - це питання про роботу: якщо все більше і більше автоматизовано на складі, що відбувається з складськими працівниками? У короткостроковій перспективі певні заходи можна опустити - наприклад, вам потрібно менше ручних підборів, якщо роботів приймуть це завдання. Дослідження прогнозують зниження робочих місць людини, особливо в простому, повторюваному заходах. Але є також нові ролі: AI також створює нові роботи - лише інші. Надалі експерти з технічного обслуговування робототехніки, аналізу даних або підтримка системи AI будуть все частіше потрібні в майбутньому. Тож, хоча фізична рутинна робота зменшується, вимоги до технічного збільшення ноу-хау. Компанії зобов’язані тренувати та тренувати своїх працівників, щоб вони могли мати сенс у середовищі на базі ШІ. Цікаво, що деякі компанії навіть повідомляють, що автоматизація дозволила їм розширити та найняти більше персоналу, оскільки їхній бізнес зростав. Машина не обов'язково бере роботу в цілому, але часто лише одноманітні та стресові частини - люди можуть взяти на себе більш кваліфіковані завдання.

Людина проти машини? Чому гібридні рішення будуть домінувати на складі

Етичні аспекти також впливають на захист даних та прозорість. AI на складі збирає безліч даних, таких як ефективність працівників (показники вибору, схема руху) або для моніторингу навколишнього середовища. Тут особисті дані повинні оброблятися ретельно, щоб підтримувати конфіденційність та зберегти спостереження на робочому місці в рамках. Рішення, які приймає AI, повинні бути зрозумілими - наприклад, якщо алгоритм вказує, скільки повинен приймати працівник, для забезпечення справедливості потрібні прозорі критерії. У цьому контексті ЄС наголошує на надійних алгоритмах AI - пояснених, справедливих та надійних.

Інша тема - безпека: автономні роботи та системи AI повинні бути розроблені таким чином, щоб для людей не було небезпеки. Для цього потрібні технічні стандарти та тести (наприклад, автовиробник, що займається самостійним рухом, повинен надійно зупинити на 100 %, якщо людина перешкоджає). Кібербезпека також стає важливішою: мережевий табір може стати метою хакерських атак, тому системи AI повинні бути захищені від маніпуляцій.

У майбутньому баченні ви навіть могли уявити повністю автономні табори, які працюють, не освітлюючи вночі, оскільки активні лише машини. Люди скоріше взяли б на себе функції контролю. Однак люди залишаються центральним компонентом для осяжного майбутнього - якщо тільки для забезпечення гнучкості та здатності до вирішення проблем у непередбачених ситуаціях. Таким чином, гібридний розчин (людина + АІ) повинен бути шляхом наступних десятиліть.

Майбутнє складської логістики: чому AI зараз незамінний

У практичній реалізації також виникають проблеми: багато компаній стикаються з питанням, як запровадити ШІ. Стандарти відсутні, є джунглі постачальників, а успіх залежить від хорошої якості даних. Якщо у вас погані або неповні дані, ви не отримуєте хороших результатів з AI ("сміття, сміття"). Сумісність між різними системами (наприклад, ШІ складу та ШІ управління транспортом) повинна бути гарантована, щоб справді створюється безперервна інтелектуальна ланцюг поставок.

Тим не менш, тенденція зрозуміла: AI стає все більш важливим у складській логістиці. Через десять років багато того, що є пілотним проектом сьогодні, звичайно, буде частиною повсякденного життя. Компанії, які починають сьогодні, отримують цінний досвід і можуть масштабувати свої рішення. Політика у багатьох країнах сприяє цьому розвитку, оскільки було визнано, що логістика є ключовою сферою для загальної економіки - і AI важіль, щоб зробити цю ключову галузь більш ефективною та кризою.

Інтеграція ШІ та машинного навчання в складській логістиці вже почала з видимих ​​успіхів у ефективності та швидкості. Це вимагає інвестицій та гойдалок, але пропонує величезні можливості - від економії витрат до кращого обслуговування клієнтів до нових бізнес -моделей. Регіональні відмінності з часом стануть меншими, оскільки найкращі практики приймаються в усьому світі. Майбутнє обіцяє ще більш розумну, в основному автоматизовану логістику складу, в якій люди та машина тісно співпрацюють. У той же час, ми повинні відповідально мати справу зі змінами - приймати співробітників з нами, технології дизайну безпечно та дотримуватися етичних огороджень. Якщо це досягне успіху, ми стикаємося з логістичним світом, який набагато ефективніший, гнучкіший і стійкіший за все, що ми знаємо з минулого.

☑ Підтримка МСП у стратегії, порадах, плануванні та впровадженні

☑ Створення або перестановка цифрової стратегії та оцифрування

☑ Розширення та оптимізація міжнародних процесів продажів

☑ Глобальні та цифрові торгові платформи B2B

☑ Піонерський розвиток бізнесу

Конрад Вольфенштейн

Я радий допомогти вам як особистого консультанта.

Ви можете зв’язатися зі мною, заповнивши контактну форму нижче або просто зателефонуйте мені за номером +49 89 674 804 (Мюнхен) .

Я з нетерпінням чекаю нашого спільного проекту.

Xpert.digital - це центр для промисловості з фокусом, оцифруванням, машинобудуванням, логістикою/внутрішньологічною та фотоелектричною.

За допомогою нашого рішення щодо розвитку бізнесу на 360 ° ми підтримуємо відомі компанії від нового бізнесу до після продажу.

Ринкова розвідка, маха, автоматизація маркетингу, розвиток контенту, PR, поштові кампанії, персоналізовані соціальні медіа та виховання свинцю є частиною наших цифрових інструментів.

Ви можете знайти більше на: www.xpert.digital - www.xpert.solar - www.xpert.plus