Czy AI w logistyce magazynowej to game changer?

Zanim jednak przejdziemy do meritum, warto przyjrzeć się podstawom działania AI, a konkretnie sztucznym sieciom neuronowym. Otóż sieć neuronowa nie jest nowym wynalazkiem, bo matematyczne założenia zostały utworzone dawno temu w latach 50-tych XX wieku. Do realizacji pomysłu od zawsze brakowało wystarczającej mocy obliczeniowej, którą obecnie dysponujemy. Upraszczając tak jak się tylko da, sieć taka składa się z sieci neuronów, które zgrupowane są w 3 głównych warstwach: wejściowej, ukrytej i wyjściowej. Tekst, dźwięk, obrazy, przeróżne dane… wszystko jest zawsze „spłaszczane” do jednego wymiaru zer i jedynek. Nie ma tutaj jeszcze „magii”. Warstwa wyjściowa zaś przedstawia wynik, który wskazuje na… prawdopodobieństwo. Np. prawdopodobieństwo tego, że zdjęcie kota przedstawia kota. Albo że samochód ze spojlerem, turbiną i w kolorze czerwonym jest samochodem sportowym (wnioskowanie). Skąd zaś AI „wie”, jakie przyjąć wartości wag (czyli znowu: zera i jedynki) połączeń między neuronami tak, aby w wyniku obliczeń wynik był bliski „1”? Otóż wie, bo go człowiek wcześniej „nauczył”, wykorzystując tzw. propagację wsteczną. Gdyby nie trenerzy danych, sztuczna sieć neuronowa byłaby jak „dziecko we mgle”. Co więcej, bez ogromnej ilości danych wejściowych wysokiej jakości wygenerowanych przez człowieka (a nie przez AI!), nie ma mowy o wiarygodnych danych wyjściowych. A gdzie jest cała magia? Siedzi ona w warstwach ukrytych i… można o tym poczytać w Internecie. Warto, bo jest to pasjonujące.

I teraz nasuwają się pytania w kontekście logistyki magazynowej. Jak dużo magazynów pracuje obecnie z wiarygodnymi danymi? Ile artykułów jest właściwie zmierzonych i zważonych? Jak dużo firm gromadzi obecnie statystyki dotyczące zamówień, błędów, wypadków, historii tras wózków widłowych i wielu innych? Czy firmy zdają sobie sprawę z tego, że AI trzeba najpierw zasilić wysokiej jakości danymi, aby ten na „dobrych” przykładach nauczył się, co ma być wynikiem końcowym? Czy chcemy, aby nasz magazyn firmy A korzystał z danych wejściowych firm B, C oraz D, na których uczono model AI w celu decyzji o tym, kiedy np. uzupełniać miejsce kompletacyjne, albo kiedy zaplanować przegląd wózków widłowych? Być może tak! Ale czy chcemy, aby dane naszej firmy były wykorzystywane jako dane wejściowe dla tworzenia modeli AI, używanych przez naszą konkurencję? Czy dane te byłyby w bezpiecznych rękach? Z pewnością na wiele tych pytań obecnie padłaby odpowiedź negatywna. W takim razie czy model AI nie może uczyć się wprost tylko na naszym magazynie, nie mając wcześniej wiarygodnych danych wysokiej jakości do analizy? Oczywiście, że tak. Z pomocą przychodzi nam uczenie maszynowe, które nie musi wykorzystywać sieci neuronowych i najczęściej bazuje na „prostszych” algorytmach, wymagających zdecydowanie mniej uczenia, mocy obliczeniowe i energii. Nie ma wówczas wtedy „magii”, czyli sieci neuronowych z warstwami ukrytymi. I dlatego wiele osób kwestionuje (nie bez przyczyny) nazywaniem takich rozwiązań sztuczną inteligencją, która w takiej postaci pojawia się obecnie wszędzie, od telewizorów poprzez pralki a nawet żarówki.

Prostsze uczenie maszynowe jest wykorzystywane w systemach IT dla logistyki od wielu lat, zanim o AI zrobiło się naprawdę głośno i nie zawsze używano nawet określenia mianem sztucznej inteligencji. Mogą one posiadać już algorytmy utworzone na bazie danych wejściowych pochodzących z różnych magazynów, ale mówimy tutaj o naprawdę małej skali danych. I jak do tej pory nie widać, aby zrewolucjonizowało to w jakimś wyjątkowym stopniu logistyki. Co więcej, tego typu rozwiązania nie zawsze przynoszą oczekiwane korzyści. Natomiast wyspecjalizowanych w logistyce magazynowej i wielofunkcyjnych modeli AI, wytrenowanych z użyciem sieci neuronowych na danych od dziesiątek tysięcy magazynów puki co nie ma. Żadna firma zajmująca się systemami IT dla logistyki nie dysponuje taką ilością danych i nie jest w stanie zweryfikować ich jakości. Obrazując inaczej, dostawcy IT dla logistyki nie posiadają odpowiednika milionów zdjęć kotków. Nie ma takich danych w Internecie, nie są one dostępne a wiele z nich jest tajemnicą wielu firm.

System Reflex WMS francuskiej firmy Hardis Group używa już od jakiego czasu algorytmów uczenia maszynowego, wykorzystywanych do np. prognozowania obciążenia pracą. Nie do wszystkich procesów jednak uczenie maszynowe ma zastosowanie. Testy wykonywane już wiele lat temu przez dział rozwoju Hardis Group wskazują bowiem, że niektóre krytyczne procesy logistyczne nie powinny bazować na prognozach. Mogą wskazywać kierunki działania, ale nie powinny automatycznie decydować. Może to bowiem doprowadzić do np. szybkiego przepełnienie miejsc kompletacyjnych lub braku towarów. Nie wszystko da się przewidzieć nawet jak byśmy dysponowali ogromną ilością danych. Nie wszystkie zależności zewnętrzne, ciągle dynamicznie zmieniające się, da się przekuć w zera i jedynki.

Dlatego też firma Hardis skupia się obecnie na rozwiązaniach z wykorzystaniem takich model AI, które mogą dostarczyć klientowi sporych korzyści już od pierwszego dnia ich stosowania. I to bez konieczności wcześniejszego czasochłonnego zbierania i analizy danych wymaganych. I tutaj z pomocą przychodzą nowoczesne modele AI do rozpoznawania obrazu i głosu z innowacyjną technologią. Na ukończeniu są bowiem np. testy z wybranymi klientami, w których pracownicy poruszają się po magazynie z wykorzystaniem lekkich okularów nowej generacji. Pracownik po założeniu takich okularów otrzymuje informację o lokalizacji magazynowej celem np. pobrania towaru. Potwierdza przybycie… spojrzeniem na etykietę lokalizacji wraz z komendą głosową lub wciśnięciem przycisku np. na palcu! Co więcej, aby potwierdzić pobranie odpowiedniego towaru, wystarczy ponownie jedynie spojrzeć na etykietę pobieranego towaru i potwierdzić. Nie jest nam wówczas potrzebny terminal, nic nie skanujemy. Testy pokazują wzrost produktywności kompletacji o około 50% przy dużym wzroście zadowolenia pracowników z pracy. Jeśli zaś chcemy korzystać z terminali, to kolejnym rozwiązaniem, które już wkrótce będzie dostępne w najnowszej wersji Reflex WMS, jest błyskawiczna identyfikacja towaru np. podczas przyjęć czy inwentaryzacji opakowań. Wykorzystując popularne modele terminali ręcznych czy nawet smartfon możemy bowiem zidentyfikować i przeliczyć liczbę opakowań, którą rejestrujemy lub kontrolujemy. Wystarczy skierować kamerkę na wiele opakowań, zaś oprogramowanie zaszyte w Reflex WMS zaczyta nie tylko kody kreskowe, ale także opisy czy oznaczenia typu np. „1 z 3”. Terminale możemy też wykorzystać do przyspieszenia wymiarowania nowych towarów w magazynie. Zamiast dużych i kosztowych „cargoskanów” wystarczy skierować kamerę skanera na opakowanie. Model AI wytrenowany na tysiącach opakowań przez producenta terminali urządzeń automatycznie zmierzy paczkę, zaś system Reflex WMS odczyta te dane jednym komunikatem, umieszczając je odpowiednio w kartotece artykułowej. Specjalistyczne kamery zainstalowane na wózkach widłowych będą zaś wspierać operatorów przy formowaniu palet wysyłkowych wg wymagań klienta, będą także automatycznie nagrywać filmy i inwentaryzować palety podczas normalnej jazdy wózkiem po magazynie. Przykładów zastosowania modeli wizualnych AI jest dużo więcej a rozwiązania tego typu wchodzą właśnie do portfolio Hardis Group oraz do dostawców innowacyjnych urządzeń.

Czy AI jest więc game changerem w logistyce magazynowania? Proste uczenie maszynowe, stosowane od wielu lat w różnych systemach IT i nazywane niekiedy jako AI nie spowodowało do tej pory dużej rewolucji w operacjach logistycznych.  Natomiast nowe modele AI w połączeniu z nową technologią już pukają do naszych… doków. Tym razem jednak wpłyną one bezpośrednio na usprawnienie sposobu pracy a efekty będzie można uzyskać od razu. Jeśli pierwsze testy pokazują wzrosty produktywności o 50% i te wyniki przekują się na codzienną pracę w wielu magazynach, wówczas będzie można powiedzieć, że AI jest prawdziwym game changerem w świecie logistyki.

Autor: Marcin Figlarek, Solution Consultant