Herkes Yapay Zekadan bahsediyor ama depolama ve tedarik zincirindeki potansiyel uygulamaları neler? Edward Napier-Fenning, önde gelen tedarik zinciri yazılım şirketinin Satış ve Pazarlama DirektörüBalon, rota planlama, toplama, iş gücü yönetimi raporlaması ve veri girişi dahil olmak üzere performansı artırabilecek beş temel alanı araştırıyor.
Aniden, Yapay Zeka (AI) her yerde. Diğer birçok devrim niteliğindeki teknolojinin ilk günlerinde olduğu gibi, çok fazla iddia var ve şu anda 'Yapay Zeka destekli' olarak lanse edilenlerin çoğu aslında sadece mantıksal takip eden, itiraf etmek gerekir ki, çok hızlı ve çok akıllı algoritmaların bir dizisinden ibaret. insanların tasarladığı yollar. Muazzam miktarda 'büyük veriyi' ışık hızında işleme yeteneği etkileyici ve son derece değerlidir, ancak tek başına Yapay Zekayı oluşturmaz. Gerçek yapay zeka, geçmiş verilerden ve mevcut faaliyetlerden öğrenme ve bir anlamda kendi algoritmalarını yeniden yazma yeteneğine sahiptir.
Yapay zekanın gelişim hızı artıyor ve depolama ve lojistikte uygulanabileceği bazı önemli alanları şimdiden görebiliyoruz.
1. Geliştirilmiş rota planlaması
Şimdiye kadar sürücü sabit bir rotayla, belki normal bir turla ya da bir veya iki gün önceden planlanmış bir rotayla yola çıktı ve bir kazaya, trafik sıkışıklığına veya başka bir olaya karşı en iyi tepkiyi bulmak sürücüye kalmış. bunlar ne zaman ve ne zaman ortaya çıkar? Artık trafik yönetimi, gerçek zamanlı olarak Google gibi kaynaklara bağlanarak yalnızca mevcut bir soruna geçici çözüm bulmakla kalmıyor, aynı zamanda öğrenmesini tıkanıklığın nerede meydana geleceğini tahmin etmek için de kullanıyor ki bu da garip bir şekilde çoğu zaman tam zamanında olmuyor. asıl olayın yaşandığı yer. Bu, daha sağlam bir kaçınma önerisi sağlar ve depoya gidiş-dönüş teslimatların zamanında yapılmasına yardımcı olur.
Rota planlamaya yönelik bu yaklaşım, dinamik yük oluşturma ile birlikte çalışabilir. Şu anda gün başında veya ertesi günün operasyonları için sürücülerin ve rotaların sabitlenmesi gereken noktada tam bir sipariş dosyası bulunmuyor. Bu nedenle rota, aslında bir inişin yapılmadığı varış noktalarını içerebilir veya faydalı bir şekilde inişlerin yapılması mümkün olmayan varış noktalarını kapsayabilir. Akıllı sistemler, sipariş profili oluştukça rotaları sürekli olarak yeniden planlayabilir, değiştirebilir ve optimize edebilir. Bu da bir sonraki konuya, yani elbette kendi yönlendirme ve yönlendirme sorunlarına sahip olan verimli sipariş toplama konusuna yardımcı olabilir.
2. Verimli toplama
Tedarik zincirinde yapay zekayla ilgili gürültünün büyük kısmı envanter ve sipariş gibi konularla ilgili. Buradaki iyileştirme açıkça önemlidir, ancak depoyu nasıl daha verimli çalıştıracağımız konusuna henüz değinmeye başladık; bu, gerçekten büyük işçilik ve yönetim maliyetlerinin yanı sıra potansiyel tasarrufların da yattığı yerdir.
Toplama yolu optimizasyonu depolamada sıcak bir konudur, ancak alt uçta bu, siparişleri bir sıraya koymak ve bunları iş bloklarına bölmekten biraz daha fazlası anlamına gelir. Bunu gerçekten hızlı bir şekilde yapabilmek güzel, ancak gerçek yapay zeka tüm duruma daha akıllıca bakmaya başlıyor: malların depoda nerede olduğu, belirli bir araba veya konteynırda hangi malların birleştirilip birleştirilemeyeceği ( ve bu konteynerlerin nerede olduğu), öncelik sıralarının neler olduğu (bunun yukarıdaki yönlendirme sorusuyla açık bağlantıları vardır) ve böylece mümkün olan en verimli toplama rutinlerinin oluşturulması.
Yapay zeka, toplama stratejilerinin seçimini ve işleyişini iyileştirebilecek ve optimum ürün türüne, hatta günün saatine göre farklılık gösterebilecek. Stratejiler çok ve çeşitlidir: örneğin bir rotayı yürümeyi içeren toplu toplama, bir sipariş partisi için her seferinde bir SKU seçme. Ya da operatörün bir sipariş partisi için tek bir 'bölge'deki tüm SKU'ları seçtiği ve kutunun (o operatör olsun veya olmasın) bir sonraki bölgeye geçtiği bölgesel veya 'küme' toplama olabilir.
Küme toplama genellikle daha verimlidir ancak depodaki malların düzeninin optimize edilmesini gerektirir, böylece aynı siparişlerde ortaya çıkması muhtemel mallar birlikte gruplandırılır ve siparişler benzer profiller etrafında kümelenir. Bu aynı zamanda siparişlerin mutlaka kronolojik sıraya göre (yani teslimat rotasının kalkış saatlerine göre) alınmadığı ve bu nedenle, belki de dar koridorlar veya yayaları kamyonlardan ayırma ihtiyacı nedeniyle trafik sıkışıklığı gecikmelerine karşı savunmasız olduğu anlamına da gelir. diğer makineler.
Müşteri Pets Corner ile birlikte çalışan Balon, bulut tabanlı bir web işlevi olarak çalışabilen genel amaçlı bir sipariş kümeleme modeli geliştiriyor. Yeni teknik, bir sipariş dalgasının toplanması için gereken süreyi %38 oranında hızlandırdı. Bu yaklaşım kesinlikle herhangi bir gelişmiş yapay zekayı kullanmaz, ancak yapay zekanın, sipariş toplamanın hem düzeni hem de işleyişinde ve bu siparişler için en uygun stratejinin seçiminde şu anda daha fazla önemli iyileştirmeler sağlayabileceğini kolaylıkla görebiliriz. Örneğin, bu yaklaşımın çok hatlı siparişlere genişletilebileceği ve deponun farklı yerlerinde rota toplama için 'başlangıç noktaları' oluşturulabileceği yollar üzerinde çalışıyoruz. Bu hızla oldukça karmaşık hale geliyor ve yapay zeka, işleri çözmede çok yardımcı olacak.
Verimliliğin kaynaklarından biri, operasyonların 'standart' süreçlere bu kadar bağlı olmasının gerekmemesidir, ki bu bazen gerekli olmayabilir. Küçük bir örnek olarak yakın zamanda Birlea için yaptığımız bazı çalışmalar verilebilir. Bu firma, toplanan mallara atandıkları siparişi gösteren bir 'WMS' etiketi verildiği ve kontrol ve yeniden paketleme için gönderildiği ve ardından onlara farklı bir 'taşıyıcı' etiketi verildiği geleneksel bir prosedüre sahipti. Ancak mobilya parçalarının kontrol edilmesine veya yeniden paketlenmesine gerek yoktur. Bu ürünler için WMS etiketini ortadan kaldırmanın ve SQL'i, sistemin taşıyıcı etiketinin bu noktada beklediği WMS etiketi olduğunu düşüneceği şekilde yeniden programlamanın mümkün olduğu kanıtlandı. Bu kendi başına yapay zeka gerektirmez, ancak belirli bir öğe için belirli süreçlerin gereksiz olduğunu ve bir insan operatörün yanlış arama yapması riski olmadan ortadan kaldırılabileceğini fark etmeyi öğrenebilen yapay zeka sistemlerini tasavvur etmek kolaydır.
3. Daha etkili işgücü yönetimi
Mevcut koşullarda verimliliği artırmanın önündeki en büyük zorluk, kıt ve pahalı emeğin nereye tahsis edileceğidir. İyi bir Depo Yönetim Yazılımına (WMS) ve diğer sistemlere sahip bir tesisin, uçtan uca çok sayıda veriye sahip olması gerekir: alma, saklama, toplama, yenileme vb. sırasında neler olup bittiği. Bu, operatöre çalışanlarını nereye koyması gerektiğini söylemelidir, ancak bu karmaşıktır. Geleneksel bir WMS bunu bir noktaya kadar yönetir, ancak iş unsurları için standart zamanlardan belirli görevleri kimin gerçekleştirmesine izin verildiğine kadar verileri oluşturan, giren ve sürdüren kişilere büyük ölçüde güvenir.
Daha karmaşık iş gücü yönetimi modellerine olanak sağlamak için geçmiş kayıtları ve güncel veri yakalamayı kullanarak malları, faaliyetleri ve kaynakları bir dereceye kadar daha etkili bir şekilde sıralayabiliyoruz. Ancak yapay zekanın çeşitli farklı kaynaklardan veri çekme ve bunları anlamlandırma konusunda kesinlikle daha fazla katkısı olabilir.
Şirketler robotik kullanımını 'cobot'lar (insanlarla işbirliği içinde çalışan makineler) biçiminde kullanmaya başladıkça, etkili dağıtım daha da önemli hale gelecektir. Bu belki de özellikle bu tür otomasyonu karşılayabilen ve bunun büyük operasyonlar tarafından işletilen büyük 'maldan kişiye' otomatik sistemlerden çok daha esnek olmasına ihtiyaç duyan KOBİ'ler için geçerlidir. Örneğin, çalışanlar bir robotun mevcut veya amaçlanan konumuna ve öncelik sıralarının konumu ve mevcut durumuna göre konumlarını belirlemek için bir Bluetooth cihazıyla 'etiketlenebilir'; ancak bundan tam anlamıyla yararlanmak akıllı sistemler gerektirir.
İşgücü verimliliğini artırmak için yapay zekanın kullanımını öncelikle çalışan sayısını azaltmak olarak görmüyoruz. Daha ziyade 'ölü zamanı' ve deponun bir ucundan diğer ucuna yürümek gibi üretken olmayan faaliyetleri ortadan kaldırmakla ilgilidir. Açıkçası, bu üretkenliği artırır, ancak aynı zamanda zamanlarının yarısını boşta ve diğer yarısını da çılgınca bir telaş içinde harcamazlarsa iyi insanları elde tutmak daha kolaydır, bu da personelin hem yorgun hem de değersiz hissetmesine neden olabilir.
4. Daha doğru raporlama ve analizler
Balon, tedarik zinciri alanında yapay zekanın uygulanmasına aktif olarak katılıyor. Sektördeki faaliyet hızla artıyor. Herkesin ortamının, özellikle de KOBİ'ler arasında farklı olduğu unutulmamalıdır; bu, yapay zekanın yalnızca dışarıdan türetilmiş bir algoritmayı işlemek yerine durumdan öğrenme yeteneğinin bu kadar çekici olmasının nedenlerinden biridir. Göz önünde bulundurulması gereken bir diğer husus, verilerin çoğunun metin tabanlı olmasıdır; dolayısıyla yaptığımız şeylerden biri, verileri birden çok kaynaktan, sisteme verileri farklı nesnelerle nasıl ilişkilendireceğini söyleyen bir veri modeliyle bir Microsoft analiz paketine çekmektir. Bir kontrol paneli oluşturabilir ve bunun üzerine bazı ChatGPT tipi işlevleri katmanlandırabiliriz - 'bana personelimin güne ve kişiye göre yaptığı seçimin pasta grafiğini göster' - böylece yöneticilerin BT'den kendileri için bir rapor oluşturmasını istemesine gerek kalmaz.
Yapay zeka tabanlı sistemler, manuel kayıt tutma ve analitiğin birçok maliyetini ve yükünü kaldırabilir; manuel sistemlerde kaçınılmaz olarak ortaya çıkan hataların ortadan kaldırılmasından (veya en azından tespit edilmesinden) bahsetmiyorum bile. Sonuçta, depo ve dağıtım operasyonlarının kullandığı tüm farklı sistemlerin entegrasyonunda tasarruf bile yapılabilir: Yapay zeka, görünüşte uyumsuz formatlara rağmen, birinin zahmetli bir şekilde çalışmasını sağlamak yerine, verileri bir sistemden diğerine nasıl aktaracağını 'öğrenebilir'. her olasılığa karşı kod yazın.
#Freightforwarder #kapıdan kapıya #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Nakliye firması 3pl dropshipping Kapıdan Kapıya Hava Kargo acentesi Ürdün nakliye Çin nakliye acentesi yerine getirme merkezi
kapoklog lojistik Çin'den İngiltere'ye hava taşımacılığı Kapıdan Kapıya Amazon ExportAirFreight Jordan nakliye ChinashippingtoJordan Jordanhava kargo gemisi
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kozmetik, Suudi hava ve deniz yoluyla kapıdan kapıya servis
#chinapurchasingagent #chinashippingagent #chinadropshipping #chinashippinglojistik
#yerine getirme merkezi #çevrimiçipazarlama #3pl #dropshipping #kapıdankapıya #konsolidasyonshipping #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
Shenzhen kapoklog lojistik Suudi Arabistan gümrük vergileri ödenmiş kapıdan kapıya DDP
DDP Çin'den Suudi Arabistan'ya
Shenzhen kapoklog lojistik Dubai gümrükleme kapıdan kapıya hizmet DDP
DDP Çin'den Dubai'ye
Shenzhen kapoklogLojistik Co, Ltd
Shenzhen kapoklog lojistik Katar gümrükleme kapıdan kapıya DDP hattı
DDP Çin'den Katar'ya
Shenzhen kapoklog lojistik Pakistan DDP
DDP Çin'den Pakistan'ya
Shenzhen kapoklog lojistik Ürdün gümrükleme kapıdan kapıya DDP Çin'den Ürdün'e
Shenzhen kapokloglogistics Mısır çift gümrükleme kapıdan kapıya DDP
Shenzhen kapoklog lojistik Cidde gümrükleme, Cidde DDP, Çin'den Cidde DDP nakliyesine
Shenzhen Kapoklog lojistik Umman ddp, Çin'den Umman'a DDP, Umman nakliye DDP
Shenzhen kapoklog Irak gümrükleme, Çin'den Irak'a DDP
Shenzhen Kapoklog lojistik İsrail gümrükleme DDP, Çin'den İsrail'e kapıdan kapıya, İsrail kapıdan kapıya, Çin'den İsrail'e DDP
5. Gelişmiş görüntü tanıma ve azaltılmış yeniden anahtarlama
Yapay zeka burada, örneğin Optik Karakter Tanıma ve görüntü de dahil olmak üzere veri girişinde zaten bir fark yaratıyortarama– onu anlamlandırmak, onu sistemdeki diğer unsurlarla ilişkilendirmek ve özellikle hata ve tutarsızlıkları aramak. Bu, bir satış siparişi ile ilgili çekme notu arasındaki miktar farkı olabilir; veya var olmayan veya mantıklı olmayan bir teslimat adresi olabilir: bu durumda, teslimat sürücüsü vahşi bir kazın üzerine yola çıkmadan önce, adresin ne olması gerektiği konusunda akıllı önerilerde bulunacak şekilde yapay zekayı yapılandırmak mümkün olabilir. takip etmek.
Yani depo ortamında yapay zeka ile ilgili pek çok şey oluyor. Şu anda manzara, insanların yapay zeka parçalarını kendi operasyonlarına uydurmalarına yardımcı olan küçük gelişmelerden oluşan bir yama çalışmasıdır; genellikle, örneğin veri tutarsızlıklarının ortaya çıkma eğiliminde olduğu sistemler arasındaki arayüzlerdeki daha küçük iş parçalarını ortadan kaldırmakla başlar. Ancak bu yama işi kesinlikle oldukça kısa bir sürede bütünleşecektir.
Bu, Balon'un, inovasyon ekibimizin gelişmiş işlevselliğe sahip küçük cepleri hedeflediği, kümelenmenin ilklerden biri olduğu ve müşteri sitelerinde zaten büyük verimlilik kazanımları gördüğümüz bir yaklaşımla örtüşüyor.
Depo yönetimi birden fazla veri girişi ve birden fazla olası karar ve çıktı senaryosu ile karakterize edilir. Geleneksel algoritmik yaklaşımlar genellikle her zaman veya tamamen geçerli olmayan varsayımlara ve basitleştirmelere dayanırken, bunlar insan yöneticilerin sağlam ve zamanında optimizasyon yapma kapasitesinin ötesindedir. Bu arada kıt işgücü, ne yapılacağının söylenmesini bekliyor olabilir. Yapay zeka, bu sorunları çözecek araçları sağlamayı vaat ediyor.
