Tutti parlano di Intelligenza Artificiale, ma quali sono le sue potenziali applicazioni per lo stoccaggio e la catena di fornitura? Edward Napier-Fenning, direttore vendite e marketing di un'azienda leader nel software per la catena di fornituraPalloncino, esplora cinque aree chiave che possono migliorare le prestazioni, tra cui la pianificazione del percorso, il prelievo, il reporting sulla gestione del lavoro e l'immissione dei dati.
All’improvviso, l’intelligenza artificiale (AI) è ovunque. Come per gli albori di molte altre tecnologie rivoluzionarie, ci sono molte rivendicazioni eccessive, e molto di ciò che attualmente viene pubblicizzato come "abilitato dall'intelligenza artificiale" è in realtà solo una sequenza di algoritmi, certamente molto veloci e molto intelligenti, che seguono la logica percorsi ideati dall’uomo. La capacità di elaborare immense quantità di “big data” alla velocità della luce è impressionante ed estremamente preziosa, ma non costituisce di per sé un’intelligenza artificiale. La vera intelligenza artificiale ha la capacità di apprendere dai dati storici e dalle attività attuali e, in un certo senso, di riscrivere i propri algoritmi.
Il ritmo di sviluppo dell’intelligenza artificiale sta accelerando e possiamo già vedere alcune aree chiave nei settori dello stoccaggio e della logistica in cui può essere applicata.
1. Pianificazione del percorso migliorata
Finora l'autista è partito con un percorso prestabilito, magari un giro regolare, oppure pianificato uno o due giorni prima, e spetta a lui elaborare la migliore risposta in caso di incidente, ingorgo o altro evento come e quando questi si presentano. Ora, la gestione del traffico può essere collegata in tempo reale a risorse come Google, elaborando non solo una soluzione alternativa a un problema attuale, ma utilizzando il suo apprendimento per prevedere dove è probabile che si verifichi la congestione, cosa che stranamente spesso non è al momento giusto. luogo dell'incidente reale. Ciò costituisce una raccomandazione di evitamento più solida e aiuta a mantenere le consegne da e verso il magazzino nei tempi previsti.
Questo approccio alla pianificazione del percorso può funzionare in tandem con la creazione di carichi dinamici. Attualmente non esiste un file degli ordini completo all'inizio della giornata o nel momento in cui devono essere fissati autisti e percorsi per le operazioni del giorno successivo. Il percorso, quindi, può includere destinazioni dove non c'è effettivamente un drop da effettuare, oppure tralasciare drop che avrebbero potuto utilmente essere effettuati. I sistemi intelligenti possono ripianificare, modificare e ottimizzare continuamente i percorsi man mano che il profilo dell'ordine si accumula. Ciò a sua volta può essere utile per l'argomento successivo, quello del picking efficiente degli ordini, che ovviamente ha i suoi problemi di percorso e instradamento.
2. Prelievo efficiente
Gran parte del rumore attorno all’intelligenza artificiale nella catena di fornitura riguarda questioni come l’inventario e gli ordini. Il miglioramento qui è chiaramente importante, ma abbiamo appena iniziato ad accennare a come gestire il magazzino in modo più efficiente, che è dove si collocano alcuni costi amministrativi e di manodopera davvero elevati, nonché potenziali risparmi.
L'ottimizzazione del percorso di prelievo è un tema caldo nel magazzinaggio, anche se nella fascia bassa ciò equivale a poco più che inserire gli ordini in una sequenza e suddividerli in blocchi di lavoro. È bello poterlo fare molto velocemente, ma la vera intelligenza artificiale sta cominciando a essere in grado di guardare l'intera situazione in modo più intelligente: dove si trovano le merci nel magazzino, quali merci possono o non possono essere combinate su un determinato carrello o contenitore ( e dove si trovano quei contenitori), quali sono gli ordini prioritari (che ha chiari collegamenti con la domanda sul routing di cui sopra) e quindi costruire le routine di prelievo più efficienti possibili.
L’intelligenza artificiale sarà in grado di migliorare la scelta e il funzionamento delle strategie di prelievo – e quella ottimale potrebbe variare a seconda del tipo di merce o anche dell’ora del giorno. Le strategie sono molte e varie: ad esempio il batch picking, che prevede di percorrere un percorso, prelevando uno SKU alla volta per un lotto di ordini. Oppure potrebbe essere un prelievo zonale o "cluster", in cui l'operatore preleva tutte le SKU in una "zona" per un lotto di ordini e la cassetta (con o senza quell'operatore) si sposta poi nella zona successiva.
Il picking in cluster è solitamente più efficiente, ma richiede l'ottimizzazione della disposizione delle merci nel magazzino, in modo che le merci che con maggiore probabilità si trovino negli stessi ordini siano raggruppate insieme e gli ordini siano raggruppati attorno a profili simili. Ciò significa anche che gli ordini non vengono necessariamente ritirati in ordine strettamente cronologico, cioè secondo gli orari di partenza del percorso di consegna, e quindi sono vulnerabili ai ritardi dovuti alla congestione, forse a causa dei corridoi stretti o della necessità di separare i pedoni dai camion e dai passeggeri. altri macchinari.
Lavorando con il cliente Pets Corner, Balloon ha sviluppato un modello di clustering degli ordini per scopi generali, che può funzionare come una funzione web basata su cloud. La nuova tecnica ha accelerato del 38% il tempo necessario per raccogliere un'ondata di ordini. Questo approccio non utilizza rigorosamente alcuna intelligenza artificiale sviluppata, ma possiamo facilmente vedere che l'intelligenza artificiale potrebbe consentire ulteriori miglioramenti significativi sia nel layout che nel funzionamento del prelievo degli ordini e nella selezione della strategia più appropriata per tali ordini, proprio adesso. Stiamo, ad esempio, lavorando su come questo approccio possa essere esteso agli ordini multilinea e per avere "punti di partenza" per percorsi di prelievo in diversi punti del magazzino. Ciò diventa rapidamente piuttosto complesso e l’intelligenza artificiale sarà molto utile per risolvere le cose.
Una fonte di efficienza è che le operazioni non devono essere vincolate a processi "standard", che a volte potrebbero non essere necessari. Un piccolo esempio è il lavoro che abbiamo svolto di recente per Birlea. Questa azienda utilizzava una procedura convenzionale in base alla quale alle merci prelevate viene assegnata un'etichetta "WMS" che mostra l'ordine a cui sono assegnate e vengono inviate per il controllo e il reimballaggio, dopodiché viene assegnata loro un'etichetta diversa "vettore". Ma i loro mobili non hanno bisogno di essere controllati o reimballati. È stato possibile eliminare l'etichetta WMS per queste merci e riprogrammare l'SQL in modo che il sistema ritenga che l'etichetta del corriere sia l'etichetta WMS che si aspettava a questo punto. Ciò di per sé non richiede l’intelligenza artificiale, ma è facile concepire sistemi di intelligenza artificiale che possano imparare a riconoscere che per un particolare articolo determinati processi sono ridondanti e possono essere eliminati, senza il rischio che un operatore umano faccia la chiamata sbagliata.
3. Gestione più efficace del lavoro
Nelle condizioni attuali la sfida più grande per aumentare l’efficienza è quella di dove allocare la manodopera scarsa e costosa. Una struttura con un buon software di gestione del magazzino (WMS) e altri sistemi dovrebbe avere una grande quantità di dati da un capo all'altro: cosa sta succedendo durante la ricezione, lo stoccaggio, il prelievo, il rifornimento e così via. Ciò dovrebbe dire all'operatore dove deve collocare il proprio personale, ma è complesso. Un WMS tradizionale gestisce tutto questo, fino a un certo punto, ma fa molto affidamento sulle persone che creano, immettono e mantengono i dati, dagli orari standard per elementi di lavoro, a chi è autorizzato a svolgere determinate attività e così via.
In una certa misura siamo già in grado di organizzare beni, attività e risorse in modo più efficace utilizzando documenti storici e l’acquisizione di dati attuali per consentire modelli di gestione del lavoro più complessi. Ma l’intelligenza artificiale potrebbe sicuramente dare un ulteriore contributo nell’estrarre dati dalle diverse fonti e nel dargli un senso.
Un’implementazione efficace diventerà ancora più importante man mano che le aziende inizieranno a utilizzare la robotica sotto forma di “cobot”, macchine che lavorano in collaborazione con le persone. Ciò è forse particolarmente pertinente per le PMI, che possono permettersi sempre più questo tipo di automazione e necessitano che sia molto più flessibile rispetto ai grandi sistemi automatizzati "merce alla persona" gestiti da grandi aziende. Ad esempio, i lavoratori potrebbero essere “taggati” con un dispositivo Bluetooth per localizzarli sia rispetto alla posizione attuale o prevista di un robot sia rispetto alla posizione e allo stato attuale degli ordini prioritari, ma per sfruttare appieno questa possibilità sono necessari sistemi intelligenti.
Non consideriamo l’uso dell’intelligenza artificiale per migliorare l’efficienza del lavoro come una questione primaria di riduzione dell’organico. Si tratta piuttosto di eliminare i “tempi morti” e le attività non produttive come camminare da un'estremità all'altra del magazzino. Ovviamente, ciò migliora la produttività, ma è anche più facile trattenere le brave persone se non trascorrono metà del loro tempo in ozio e l'altra metà in una fretta frenetica, il che può lasciare il personale stanco e sottovalutato.
4. Reporting e analisi più accurati
Balloon è attivamente coinvolta nell'applicazione dell'intelligenza artificiale nello spazio della catena di approvvigionamento. L’attività nel settore è in rapida crescita. Va ricordato che l’ambiente di ognuno è diverso, soprattutto tra le PMI, e questo è uno dei motivi per cui la capacità dell’intelligenza artificiale di imparare dalla situazione, piuttosto che limitarsi a elaborare un algoritmo derivato dall’esterno, è così attraente. Un'altra considerazione è che molti dati sono basati su testo, quindi una delle cose che stiamo facendo è inserire dati da più origini in un pacchetto di analisi Microsoft con un modello di dati che indica al sistema come correlare i dati a oggetti diversi. Possiamo creare un dashboard e oltre a questo possiamo sovrapporre alcune funzionalità di tipo ChatGPT - "mostrami un grafico a torta delle scelte del mio staff per giorno e per persona" - in modo che i manager non debbano chiedere all'IT di creare un report.
I sistemi basati sull’intelligenza artificiale possono ridurre notevolmente i costi e gli oneri legati alla tenuta manuale dei registri e all’analisi, per non parlare dell’eliminazione (o almeno del rilevamento) degli errori che inevitabilmente si presentano nei sistemi manuali. In definitiva, si potrebbe anche ottenere un risparmio nell'integrazione di tutti i diversi sistemi utilizzati dalle operazioni di magazzino e di distribuzione: l'intelligenza artificiale potrebbe essere in grado di "imparare" come trasferire i dati da un sistema all'altro, nonostante formati apparentemente incompatibili, piuttosto che avere qualcuno che faticosamente scrivere codice per ogni eventualità.
#Spedizioniere #doortodoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Spedizioniere 3pl dropshipping Agente di trasporto aereo DoortoDoor Jordan che spedisce il centro di evasione spedizionieri in Cina
kapoklog logistica trasporto aereo dalla Cina al Regno Unito DoortoDoor Amazon ExportAirFreight Jordan shipping Chinashippingto Jordan Jordan airfreight ship
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Cosmetici, servizio porta a porta in Arabia Saudita per via aerea e via mare
#CinaAgente di acquisto #CinaAgente di spedizione #CinaDropshipping #CinaSpedizioneLogistica
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴勒斯坦 #巴勒斯坦局势 #中东地区问题 #中东局势 #约旦门到门 #约旦物流#约旦DDP #约旦双清包税 #约旦海运 #约旦空运 #约旦海派 #约旦专线
Logistica kapoklog di Shenzhen Arabia Saudita sdoganamento doganale sdoganato porta a porta DDP
DDP dalla Cina all'Arabia Saudita
Logistica di Shenzhen kapoklog Servizio porta a porta di sdoganamento di Dubai DDP
DDP Cina a Dubai
Shenzhen kapoklog Logistica Co. % 2c Ltd
Shenzhen kapoklog logistica Qatar sdoganamento linea DDP porta a porta
DDP Cina-Qatar
Logistica di Shenzhen Kapoklog Pakistan DDP
DDP dalla Cina al Pakistan
Shenzhen kapoklog logistica Giordania sdoganamento porta a porta DDP dalla Cina alla Giordania
Shenzhen kapokloglogistics Egitto doppio sdoganamento porta a porta DDP
Logistica kapoklog di Shenzhen Sdoganamento Jeddah, Jeddah DDP, spedizione dalla Cina a Jeddah DDP
Logistica di Shenzhen Kapoklog Oman DDP, dalla Cina all'Oman DDP, spedizione dall'Oman DDP
Sdoganamento Shenzhen kapoklog Iraq, DDP dalla Cina all'Iraq
Logistica Shenzhen Kapoklog Sdoganamento Israele DDP, Cina-Israele porta a porta, Israele porta a porta, Cina-Israele DDP
5. Riconoscimento delle immagini migliorato e riprogrammazione ridotta
L’intelligenza artificiale sta già facendo la differenza, ad esempio nell’immissione dei dati, compreso il riconoscimento ottico dei caratteri e le immaginiscansione– dargli un senso, collegandolo ad altri elementi del sistema, e in particolare cercando errori e discrepanze. Potrebbe trattarsi di una differenza di quantità tra un ordine di vendita e la relativa nota di prelievo; oppure potrebbe trattarsi di un indirizzo di consegna che non esiste o non ha senso: nel qual caso potrebbe essere possibile configurare l'intelligenza artificiale per fornire suggerimenti intelligenti su quale dovrebbe essere l'indirizzo, prima che l'autista della consegna parta come un pazzo caccia.
Quindi c’è molto da fare con l’intelligenza artificiale nell’ambiente di magazzino. Al momento il panorama è un mosaico di piccoli sviluppi che aiutano le persone ad adattare pezzi di intelligenza artificiale alle loro operazioni, spesso iniziando semplicemente con l’eliminazione di pezzi di lavoro più piccoli nelle interfacce tra i sistemi, che è dove, ad esempio, le discrepanze nei dati tendono a manifestarsi. Ma questo mosaico si fonderà sicuramente in un tempo abbastanza breve.
Ciò concorda con l'approccio di Balloon in base al quale il nostro team di innovazione si rivolge a piccole sacche di funzionalità avanzate, essendo il clustering uno dei primi e uno in cui abbiamo già visto grandi guadagni di efficienza nei siti dei clienti.
La gestione del magazzino è caratterizzata da molteplici input di dati e molteplici possibili decisioni e scenari di output. Questi vanno oltre la capacità dei manager umani di ottimizzare in modo robusto e tempestivo, mentre gli approcci algoritmici tradizionali si basano su presupposti e semplificazioni che spesso non sono sempre o del tutto valide. Nel frattempo, la scarsa manodopera potrebbe restare in attesa che gli venga detto cosa fare. L’intelligenza artificiale promette di fornire gli strumenti per risolvere questi problemi.
