Czy mamy szanse na inteligentny magazyn? Rozmowa z Jerzym Daniszem, WMS Competence Center Managerem w PSI Polska

Jerzy Danisz: Jednoznaczna odpowiedź na tak postawione pytanie jest trudna. Termin „sztuczna inteligencja” został medialnie odmieniony przez wszystkie przypadki i trochę utracił ze swojego pierwotnego znaczenia. Na pewno fundamentem inteligentnego magazynu jest zaawansowany system WMS. Jeśli system ten wspierają algorytmy pozwalające na optymalizację procesów magazynowych, to możemy już mówić o inteligentnym magazynie.

Jednak prawdziwie inteligentny magazyn to taki, którego mózg, (czyli system WMS) jest w stanie dostosowywać się do zmiennych warunków. W takim przypadku algorytmy sztucznej inteligencji dopasowują parametry procesów logistycznych (na przykład pickingu) do zmiennej w czasie struktury zleceń, dostępności stanów magazynowych czy pracowników.

JD: Dla PSI Polska sztuczna inteligencja to sposób rozwiązywania złożonych problemów optymalizacyjnych wykorzystujący, zamiast klasycznych algorytmów, modele uczenia maszynowego. W ramach projektu badawczego „Warehouse Intellignece” stosujemy wspomniane modele ML do optymalizacji procesów logistycznych zarządzanych przez system WMS. Bazą do rozwijania takich modeli jest cyfrowa kopia fizycznego magazynu (digital twin), która dostarcza wymaganych danych treningowych.

JD: Wytworzenie sztucznej inteligencji wymaga zaawansowanej infrastruktury technicznej i ogromnej mocy obliczeniowej. Nasz projekt badawczy ze względu na ograniczenia budżetowe jeszcze nie pozwolił nam na osiągnięcie wszystkich zamierzonych celów.

Przypomnę krótko, jak powstają algorytmy uczenia ze wzmocnieniem (ang. RL, czyli takie które są w stanie całościowo rozwiązywać dane zagadnienie). Byt uczący się, tzw. agent, poprzez interakcje ze środowiskiem buduje wiedzę o wykonywaniu optymalnej akcji (zmianie parametrów procesów logistycznych) w celu maksymalizacji nagrody (w przypadku magazynu może to być minimalizacja łącznego czasu przetwarzania zlecenia). Proces ten wykonywany jest setki tysięcy razy aż do osiągnięcia zakładanych parametrów. W naszym przypadku interakcja agenta odbywa się z symulowanym magazynem (spiętym z kopią systemu WMS). Symulacja może zostać przyspieszona, czyli np. jedna rzeczywista minuta pracy symulacji odpowiada jednej godzinie w symulowanym magazynie. Jednak kompresja czasu ma ograniczenia, które wiążą się z dostępną mocą obliczeniową serwera, na którym uruchomiona jest symulacja.

Osiągnięta przez nasz zespół kompresja czasu była niewystarczająca do wytrenowania złożonego algorytmu uczenia ze wzmocnieniem w zakładanym czasie. To obrazuje, z jakimi wyzwaniami musimy się zmierzyć, operując na takiej skali danych. Należy jednak podkreślić, że zbudowano cały aparat pojęciowo-techniczny pozwalający na wytworzenia takich holistycznych algorytmów w przyszłości. Rosnąca popularność i wykorzystanie AI przyczynia się do jej większej dostępności, a tym samym do niższych kosztów mocy obliczeniowej. Pozwoli nam to w przyszłości trenować modele RL (uczenie ze wzmocnieniem) w jeszcze krótszym czasie rzędu kilku miesięcy, a może nawet dni.

JD: Planowanie procesów logistycznych jest zadaniem złożonym, bowiem charakteryzują się one wysoką dynamiką i zmiennością. Jednym z najbardziej istotnych procesów magazynowych dla sprawnej obsługi logistycznej jest kompletacja zamówień (szczególnie w branży e-commerce cechującej się niską ilości sztuk i SKU na zamówienie). Stanowi ona także jeden z głównych kosztów logistyki magazynowej. W pierwszym etapie projektu w magazynach naszego partnera, firmy LPP, skupiliśmy się na skróceniu czasu przejścia pickerów, czyli minimalizacji sumarycznego kosztu zbiórki. Zastosowanie algorytmów z wykorzystaniem sztucznej inteligencji (rozwiązanie problemu TSP) pozwoliło na skrócenie ścieżek kompletacji o ok. 30% i kilkunastoprocentowy wzrost wydajności procesów wydania.

Kolejnymi krokami było wprowadzenie zbioru algorytmów nazwanych roboczo BatchAI. Zestaw ten składa się z kilkustopniowej optymalizacji procesu rezerwacji towaru i pickingu. Po pierwsze optymalizuje dobór zleceń do batchy (zlecenia przetwarzane jednocześnie), po drugie wykorzystuje technikę klasteryzacji do optymalnej rezerwacji towaru, aż wreszcie poprzez algorytm CVRP optymalizuje ścieżki zbiórki. Warto wspomnieć, że CVRP (ang. Capacitated Vehicle Routing Problem) optymalizuje ścieżki wszystkich pickerów, jednocześnie uwzględniając pojemności ich wózków kompletacyjnych. Obecnie jesteśmy w trakcie produkcyjnego uruchamiania algorytmu BatchAI.  Wdrożone do tej pory elementy algorytmu w magazynach e-commerce firmy LPP spowodowały wzrost wydajności procesów o kolejne 10% ponad wzrost uzyskany wcześniej z wykorzystaniem TSP. To znaczy, że dotychczasowe działania algorytmów WI pozwoliły usprawnić procesy o 22%. W najbliższym czasie wdrożone zostaną kolejne opisane wyżej elementy algorytmu BatchAI. Szacujemy, że przyniesie to dalszy wzrost wydajności procesów zbiórki.

Drugim istotnym procesem magazynowym, objętym analizami z wykorzystaniem platformy WI (cyfrowego bliźniaka), jest zamagazynowanie/rozkładanie towaru. Gro prac dotyczy przypisania klas rotowalności towaru do topologii stref pickingowych i – podobnie jak algorytm BatchAI – lepsze rozłożenie towaru na magazynie skraca czas zbiórki.

JD: Pierwsze wyniki są bardzo obiecujące – wzrost wydajności jest widoczny gołym okiem i pozwala na wymierne oszczędności kosztów.

Posiadanie kopii magazynu LPP pozwala nie tylko na trenowanie algorytmów ML, ale także na prowadzenie manualnych analiz „co by było gdyby”, które klient końcowy może wykonywać samodzielnie. Digital twin spięty z kopią produkcyjnego systemu WMS stanowi w pewnym sensie piaskownicę, w której analitycy i konsultanci mogą bez obaw o negatywny wpływ na rzeczywisty magazyn testować różne warianty procesów logistycznych.

Skłamałbym jednak, mówiąc, że obyło się bez trudności. Po pierwsze, o czym wspomniałem już wyżej, mierzymy się z problemami wydajności działania platformy WI. Tu analogia jest prosta – jeśli chcemy symulować produkcyjny magazyn z produkcyjnym systemem WMS w jego pełnej skali, potrzebujemy zbliżonego pod względem wydajności serwera, a tego typu bardzo drogie maszyny zarezerwowane są tylko i wyłącznie do wykorzystania produkcyjnego. Drugim aspektem, który nie został doszacowany na początku projektu, jest złożoność symulacji. Samo stworzenie generycznego (takiego, który może zostać automatycznie wygenerowany z danych systemu WMS) cyfrowego bliźniaka to bardzo trudne zagadnienie. Dalej natrafiliśmy na problemy związane z kalibracją symulacji, czyli dopasowaniem za pomocą rozkładów statystycznych rzeczywistego magazynu do jego kopii oraz na problem synchronizacji czasu. Nie wchodząc w szczegóły techniczne, kłopot polega na tym, że symulacja może działać w czasie wirtualnym (z pewnym przyspieszeniem), natomiast podpięta do niej kopia systemu WMS działa w czasie rzeczywistym, co generuje konieczność synchronizacji między tymi czasami.

Tak jak wspomniałem wyżej, rozwój technologiczny pozwoli na znaczny wzrost mocy obliczeniowej, zatem przyszłości możliwe będzie przeprowadzenie treningu „holistynczego” algorytmu RL (uczenia ze wzmocnieniem) w akceptowalnym czasie. Obecnie, dysponując platformą WI, jesteśmy już gotowi do wytrenowania modeli, które będą jednocześnie optymalizowały pracę całego magazynu. Aby móc to zrealizować, potrzebujemy tylko dostępu do wysokich mocy obliczeniowych.

Kreśląc wizję przyszłości na rok 2030, to wyobrażam go sobie w następujący sposób: magazyny zostaną całkowicie zrobotyzowane (łącznie z procesami pickingowymi dla struktury zleceń e-commerce), a mózgiem, który będzie sterował tymi robotami, zostanie system WMS wyposażony w algorytmy AI w postaci platformy Warehouse Intelligence. Równolegle do pracy rzeczywistego magazynu prowadzone będą setki symulacji, których celem (z wykorzystaniem danych produkcyjnych) będzie dalsze zwiększanie wydajności pracy magazynu, czyli douczenie modeli.