Машинно обучение при складова дейност
Дейностите по управление на складове и съхранение са ключов компонент в повечето производства, както и продажбите на дребно. Оптималните складови операции спестяват пари за оборотен капитал, активи, наеми и др. Обратно, лошото управление на складовете изисква висок оборотен капитал, голям обем складови площи и води до ниска обращаемост на активите. Има множество системи, които са измислени във времето с цел управление на склада по максимално добър начин. Вероятно най-известната от тях е just-in-time системата, която колкото и да е трудно да се приеме, съществува вече над 50 години. Концепцията е, че доставките се правят точно когато има нужда, така че материалните запаси могат да се движат бързо през производствения процес. Завършените изделия отиват при крайния клиент с подобна скорост също. Поръчки от клиенти се свързват с поръчки към доставчици по най-добрия начин, така че да се постигне максимална ефективност. В бизнеси като производството на автомобили (от където произхожда just-in-time системата), един автомобил може да има над 10 000 компонента, така че оптималното управление на поръчките и планирането на склада са изключително важни. С цел понижаване на разходи и по-висока ефективност, just-in-time системата е широко използвана.
Днешните свързани софтуерни решения позволяват дори още по-бързо да се следва процеса на управление на поръчките от just-in-time системата от производството и да се прилага в други сфери – например продажби на дребно, продажби на едро и др. Типичната верига от супермаркети например може да поръчва стока само автоматично (с минимална човешка намеса), на практика директно от системата си за управление на бизнеса (обикновено ERP система от висок клас). Такава система може лесно да управлява над 50 000 артикула и техните доставки по различни локации. Системата може да проверява минимални количества, планирани поръчки за доставка, да калкулира цени, да определя очаквано време за доставка, да оптимизира местата за доставка, но дори вероятно още по-важно, може да комуникира със системите на доставчиците чрез подходящ интерфейс. EDI системите са широко използвани като връзка между доставчици и клиенти, така че веригата от супермаркети може да експортира своите поръчки за покупка и да ги изпрати автоматично към доставчиците. Те от своя страна могат да обработят поръчката по подобен начин в тяхната ERP система. Тогава доставчиците потвърждават доставката на артикулите, партидните номера, сроковете на годност, времето на доставка и т.н. – отново през EDI системата. Супермаркетите знаят какво да очакват и кога – и ще го чекират в склада нормално с отново силно автоматизиран процес. Резултатът са бързи доставки, оптимален склад и ефективно управление на продуктите.
Така че, след като прочетете това, можете да попитате: какво има да се подобри в този процес? Защо се нуждаем от алгоритми за машинно обучение, когато използваните в момента техники, усъвършенствани повече от половин век, се оказаха доста ефективни, каквито са. Ето някои области, в които техниките за изкуствен интелект могат да се разширят извън това, което в момента можем да направим, и да подобрят по-нататъшното представяне на складовете и съхранението:
- Прогнозиране на търсенето. Докато ERP системите са отлични в управлението на поръчки през целия жизнен цикъл на поръчките и по цялата верига на доставки, това, в което не са толкова добри, е планирането на поръчките, които ще дойдат. Планирането на търсенето изисква различен набор от техники и машинното обучение предлага нови вълнуващи възможности за това. Със способността си да включват огромно количество входящи данни, да ги анализират с разнообразни техники и да стигнат до значими заключения, машинното обучение може да помогне съществено при планирането на търсенето. Важното е, че можете да включите параметри и външни източници на данни в анализа, които не могат да бъдат включени в типични статистически или математически решения.
- Оптимизация на дизайна. Въпреки че оразмеряването на склад не винаги може да бъде толкова трудно, оптималният вътрешен дизайн и оптималното маршрутизиране в склада са много по-сложни задачи. Да имаш продукт в склада, да знаеш къде се намира и да можеш да се справиш с него е достатъчно, за да свършиш работата, но скоростта, с която се извършва, и свързаните с това разходи са съвсем друга история. Различни техники, включително техники за машинно обучение, могат да бъдат използвани както за организация, така и за процес на бране, така че повече поръчки могат да бъдат обработени с по-малко хора и на по-ниска цена.
- Автоматизирани складове. Въпреки че складовете съществуват отдавна, роботите, подкрепени с машинно обучение, сега революционизират начина, по който се справяме изцяло с тях. Можете да получите напълно роботизиран склад, където роботите са отговорни за бране, преместване и съхранение на всички стоки вътре. Обикновено не се изисква или не е необходимо човешко присъствие в зоната на склада и хората са отговорни само за преместването на стоки от и от склада. Като алтернатива роботите могат да се използват избирателно за обработка на конкретни задачи – например палетизиране. В такива случаи роботите добавят към съществуващата човешка работна сила в склада, увеличавайки и замествайки досадни и повтарящи се задачи. И в двата случая техниките за машинно обучение могат да бъдат използвани за подобряване на производителността и ефективността, което е добра новина за област, която отдавна е фокусирана върху намаляването на разходите.
https://www.economist.com/news/2009/07/06/just-in-time
https://developer.nvidia.com/blog/optimizing-warehouse-operations-machine-learning-gpus/
https://blog.datasciencedojo.com/machine-learning-revolutionize-demand-planning/
https://medium.com/@ODSC/is-machine-learning-enough-to-automate-warehousing-processes-5cf2431f1ff
https://www.wired.com/story/ai-helps-warehouse-bots-pick-new-skills/