Semua orang bercakap tentang Kepintaran Buatan tetapi apakah aplikasinya yang berpotensi untuk pergudangan dan rantaian bekalan? Edward Napier-Fenning, Pengarah Jualan & Pemasaran syarikat perisian rantaian bekalan terkemukaBelon, meneroka lima bidang utama yang boleh meningkatkan prestasi - termasuk perancangan laluan, pemilihan, pelaporan pengurusan buruh dan kemasukan data.
Secara tiba-tiba, Kepintaran Buatan (AI) ada di mana-mana. Seperti hari-hari awal banyak teknologi revolusioner lain, terdapat banyak tuntutan berlebihan, dan banyak perkara yang kini disebut-sebut sebagai 'didayakan AI' sebenarnya hanyalah urutan algoritma, diakui sangat pantas dan sangat pintar, mengikut logik. jalan yang telah dicipta oleh manusia. Keupayaan untuk memproses sejumlah besar 'data besar' pada kelajuan kilat sangat mengagumkan dan sangat berharga, tetapi ia tidak dengan sendirinya membentuk Kepintaran Buatan. AI sejati mempunyai keupayaan untuk belajar daripada data bersejarah dan daripada aktiviti semasa, dan, dalam erti kata lain, menulis semula algoritmanya sendiri.
Kepantasan pembangunan AI semakin pantas dan kita sudah dapat melihat beberapa bidang utama dalam pergudangan dan logistik di mana ia boleh digunakan.
1. Perancangan laluan yang dipertingkatkan
Sehingga kini pemandu telah bertolak dengan laluan tetap, mungkin satu pusingan biasa, atau satu yang dirancang sehari atau dua lebih awal, dan terpulang kepada dia untuk mencari tindak balas terbaik terhadap kemalangan, kesesakan lalu lintas atau peristiwa lain apabila ini timbul. Kini, pengurusan trafik boleh dikaitkan dalam masa nyata kepada sumber seperti Google, menyelesaikan bukan sahaja penyelesaian masalah semasa, tetapi menggunakan pembelajarannya untuk meramalkan di mana kesesakan mungkin berlaku, yang anehnya selalunya tidak berada di tapak kejadian sebenar. Ini membuat pengesyoran pengelakan yang lebih mantap dan membantu memastikan penghantaran ke dan dari gudang mengikut jadual.
Pendekatan kepada perancangan laluan ini boleh berfungsi seiring dengan pembinaan beban dinamik. Pada masa ini, tiada fail pesanan penuh pada awal hari, atau pada ketika pemandu dan laluan perlu diperbaiki untuk operasi hari berikutnya. Laluan itu, oleh itu, mungkin termasuk destinasi yang sebenarnya tidak ada penurunan yang perlu dibuat, atau meninggalkan titisan yang mungkin berguna. Sistem pintar boleh terus merancang semula, mengubah suai dan mengoptimumkan laluan apabila profil pesanan semakin meningkat. Itu seterusnya boleh membantu dengan topik seterusnya, iaitu pemilihan pesanan yang cekap, yang sudah tentu mempunyai masalah laluan dan laluannya sendiri.
2. Memetik yang cekap
Banyak bunyi di sekitar AI dalam rantaian bekalan adalah mengenai isu seperti inventori dan pesanan. Penambahbaikan di sini jelas penting, tetapi kami hampir tidak mula menyentuh tentang cara menjalankan gudang dengan lebih cekap, di mana beberapa kos buruh dan pentadbiran yang sangat besar terletak – serta potensi penjimatan.
Pengoptimuman laluan pilih adalah topik hangat dalam pergudangan, walaupun pada peringkat rendah ini berjumlah lebih sedikit daripada meletakkan pesanan ke dalam urutan dan memotongnya menjadi blok kerja. Memang bagus untuk dapat melakukan ini dengan cepat, tetapi AI yang benar mula dapat melihat keseluruhan keadaan dengan lebih bijak: di mana barang berada di dalam gudang, barang apa yang boleh atau tidak boleh digabungkan pada troli atau bekas tertentu ( dan di mana bekas tersebut), apakah pesanan keutamaan (yang mempunyai pautan yang jelas kepada soalan laluan di atas), dan dengan itu membina rutin pemilihan yang paling cekap mungkin.
AI akan dapat meningkatkan pilihan dan operasi strategi pemilihan – dan yang optimum mungkin berbeza mengikut jenis barangan, atau masa dalam sehari. Strategi adalah banyak dan pelbagai: contohnya pemilihan kelompok, yang melibatkan laluan berjalan, memilih satu SKU pada satu masa untuk kumpulan pesanan. Atau ia boleh menjadi pemilihan zon atau 'kluster' di mana pengendali memilih semua SKU dalam satu 'zon' untuk kumpulan pesanan, dan tote (dengan atau tanpa operasi itu) kemudian bergerak ke zon seterusnya.
Pemilihan kluster biasanya lebih cekap tetapi memerlukan susun atur barang dalam gudang untuk dioptimumkan, supaya barang yang paling mungkin berlaku dalam pesanan yang sama dikumpulkan bersama, dan pesanan dikelompokkan di sekitar profil yang serupa. Ini juga bermakna bahawa pesanan tidak semestinya dipilih mengikut urutan kronologi yang ketat, iaitu, mengikut masa berlepas laluan penghantaran, dan oleh itu terdedah kepada kelewatan kesesakan, mungkin kerana lorong sempit atau keperluan untuk memisahkan pejalan kaki daripada trak dan jentera lain.
Bekerjasama dengan Pets Corner pelanggan, Balloon telah membangunkan model pengelompokan pesanan tujuan umum, yang boleh beroperasi sebagai fungsi web berasaskan awan. Teknik baharu ini telah mempercepatkan masa yang diambil untuk memilih gelombang pesanan sebanyak 38%. Pendekatan ini tidak menggunakan mana-mana AI yang dibangunkan secara ketat, tetapi kita boleh melihat dengan mudah bahawa AI boleh membolehkan penambahbaikan ketara selanjutnya dalam kedua-dua reka letak dan operasi pemilihan pesanan dan pemilihan strategi yang paling sesuai untuk pesanan tersebut, sekarang. Kami, sebagai contoh, sedang mengusahakan cara pendekatan ini boleh diperluaskan kepada pesanan berbilang baris, dan untuk mempunyai 'titik permulaan' untuk memilih laluan di tempat yang berbeza dalam gudang. Itu dengan cepat menjadi agak kompleks, dan AI akan sangat membantu dalam menyelesaikan masalah.
Satu sumber kecekapan ialah operasi tidak perlu terlalu terikat dengan proses 'standard', yang kadangkala mungkin tidak diperlukan. Contoh kecil ialah beberapa kerja yang kami lakukan baru-baru ini untuk Birlea. Firma ini mempunyai prosedur konvensional di mana barang yang dipilih diberi label 'WMS' yang menunjukkan susunan yang ditetapkan, dan dihantar untuk diperiksa dan pembungkusan semula, selepas itu mereka diberi label 'pembawa' yang berbeza. Tetapi barangan perabot mereka tidak perlu diperiksa atau dibungkus semula. Ia terbukti mungkin untuk menghapuskan label WMS untuk barangan ini, dan memprogram semula SQL supaya sistem menganggap label pembawa ialah label WMS yang dijangkakan pada ketika ini. Itu sendiri tidak memerlukan AI, tetapi mudah untuk memahami sistem AI yang boleh belajar mengenali bahawa untuk item tertentu proses tertentu adalah berlebihan dan boleh dihapuskan – tanpa risiko pengendali manusia membuat panggilan yang salah.
3. Pengurusan buruh yang lebih berkesan
Dalam keadaan semasa, cabaran terbesar untuk meningkatkan kecekapan adalah di mana untuk memperuntukkan buruh yang terhad dan mahal. Kemudahan dengan Perisian Pengurusan Gudang (WMS) yang baik dan sistem lain harus mempunyai banyak data dari hujung ke hujung: apa yang berlaku dalam menerima, menyimpan, memilih, menambah dan sebagainya. Itu sepatutnya memberitahu pengendali di mana mereka perlu meletakkan pekerja mereka, tetapi ia adalah rumit. WMS tradisional menguruskan perkara ini, sehingga satu tahap, tetapi sangat bergantung pada orang yang mencipta, memasukkan dan menyelenggara data, dari masa standard untuk elemen kerja, kepada siapa yang dibenarkan melaksanakan tugas tertentu, dan sebagainya.
Sedikit sebanyak kami sudah dapat menyusun barangan, aktiviti dan sumber dengan lebih berkesan menggunakan rekod sejarah dan tangkapan data semasa untuk membolehkan model pengurusan buruh yang lebih kompleks. Tetapi AI pastinya boleh membuat sumbangan selanjutnya dalam menarik data daripada pelbagai sumber yang berbeza dan memahaminya.
Penggunaan yang berkesan akan menjadi lebih penting apabila syarikat menggunakan robotik dalam bentuk 'kobot' – mesin yang bekerja secara kolaboratif dengan orang ramai. Ini mungkin amat penting untuk PKS, yang semakin mampu membeli jenis automasi ini, dan memerlukannya untuk menjadi lebih fleksibel daripada sistem automatik 'barang-ke-orang' besar yang dikendalikan oleh operasi besar. Sebagai contoh, pekerja boleh 'diteg' dengan peranti Bluetooth untuk mengesan mereka secara relatif kepada kedudukan semasa atau yang dimaksudkan robot dan kedudukan serta status semasa pesanan keutamaan, tetapi mengambil kesempatan sepenuhnya daripada ini memerlukan sistem pintar.
Kami tidak melihat penggunaan AI untuk meningkatkan kecekapan buruh terutamanya mengenai mengurangkan bilangan pekerja. Sebaliknya ia adalah mengenai menghapuskan 'masa mati', dan aktiviti tidak produktif seperti berjalan dari satu hujung gudang ke hujung yang lain. Jelas sekali, ini meningkatkan produktiviti, tetapi juga lebih mudah untuk mengekalkan orang yang baik jika mereka tidak menghabiskan separuh masa mereka melahu dan separuh lagi dalam keadaan tergesa-gesa, yang boleh menyebabkan kakitangan berasa letih dan tidak dihargai.
4. Pelaporan dan analisis yang lebih tepat
Belon terlibat secara aktif dalam mengaplikasikan AI dalam ruang rantaian bekalan. Aktiviti dalam sektor ini berkembang pesat. Perlu diingat bahawa persekitaran setiap orang adalah berbeza, terutamanya dalam kalangan PKS, yang merupakan salah satu sebab mengapa keupayaan AI untuk belajar daripada situasi itu, dan bukannya sekadar memproses algoritma terbitan luaran, begitu menarik. Pertimbangan lain ialah banyak data adalah berasaskan teks, jadi salah satu perkara yang kami lakukan ialah menarik data daripada pelbagai sumber ke dalam pakej analitik Microsoft dengan model data yang memberitahu sistem cara mengaitkan data dengan objek yang berbeza. Kita boleh mencipta papan pemuka dan selain itu kita boleh melapisi beberapa fungsi jenis ChatGPT – 'tunjukkan kepada saya carta pai kakitangan saya memilih mengikut hari dan setiap orang' – jadi pengurus tidak perlu meminta IT untuk membina laporan kepada mereka.
Sistem berasaskan AI boleh meningkatkan banyak kos dan beban penyimpanan rekod dan analitik manual, apatah lagi menghapuskan (atau sekurang-kurangnya mengesan) ralat yang tidak dapat dielakkan timbul dalam sistem manual. Akhirnya mungkin terdapat penjimatan yang boleh diperolehi dalam mengintegrasikan semua sistem yang berbeza yang digunakan oleh operasi gudang dan pengedaran: AI mungkin boleh 'mempelajari' cara untuk mendapatkan data dari satu sistem ke sistem yang lain, walaupun format nampaknya tidak serasi, dan bukannya memerlukan seseorang dengan susah payah. tulis kod untuk setiap kemungkinan.
#Freightforwarder #doortodoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Pengangkut barang 3pl dropshipping DoortoDoor Ejen Pengangkutan Udara Jordan penghantaran Pusat pemenuhan ejen penghantaran China
kapoklog logistik pengangkutan udara dari China ke UK DoortoDoor Amazon ExportAirFreight Jordan perkapalan ChinashippingtoJordan Jordanairfreight 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
Kosmetik, Saudi melalui udara dan melalui laut perkhidmatan pintu ke pintu
#chinapurchasingagent #chinashippingagent #chinadropshipping #chinashippinglogistics
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴勒 #淯坦勒 #淯坦东地区问题 #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 logistik Arab Saudi custom clear duti dibayar pintu ke pintu DDP
DDP China ke Arab Saudi
Shenzhen kapoklog logistik Dubai perkhidmatan pelepasan tersuai pintu ke pintu DDP
DDP China ke Dubai
Shenzhen kapoklogLogistik Co., Ltd
Logistik kapoklog Shenzhen Qatar pelepasan tersuai pintu ke pintu talian DDP
DDP China ke Qatar
Logistik kapoklog Shenzhen Pakistan DDP
DDP China ke Pakistan
Logistik kapoklog Shenzhen Jordan pelepasan tersuai dari pintu ke pintu DDP China ke Jordan
Shenzhen kapokloglogistics Mesir pelepasan tersuai dua pintu ke pintu DDP
Shenzhen kapoklog logistik Jeddah custom clearance , Jeddah DDP, China to Jeddah DDP shipping
Shenzhen Kapoklog logistik Oman ddp, China ke Oman DDP, Oman penghantaran DDP
Shenzhen kapoklog pelepasan kastam Iraq, China ke Iraq DDP
Logistik Shenzhen Kapoklog Israel pelepasan tersuai DDP , China ke Israel dari pintu ke pintu , Israel dari pintu ke pintu , China ke Israel DDP
5. Pengecaman imej dipertingkatkan dan pengurangan kunci semula
AI sudah membuat perubahan di sini, contohnya dalam kemasukan data, termasuk Pengecaman Watak Optik dan imejmengimbas– memahaminya, mengaitkannya dengan elemen lain dalam sistem, dan khususnya dalam mencari ralat dan percanggahan. Itu mungkin perbezaan kuantiti antara pesanan jualan dan nota pilihan yang berkaitan; atau ia mungkin alamat penghantaran yang tidak wujud atau tidak masuk akal: dalam kes ini, mungkin untuk mengkonfigurasi AI untuk membuat cadangan bijak tentang alamat yang sepatutnya, sebelum pemandu penghantaran bermula dengan angsa liar mengejar.
Oleh itu, terdapat banyak perkara yang berlaku dengan AI dalam persekitaran gudang. Pada masa ini, landskap adalah tampalan pembangunan kecil yang membantu orang ramai menyesuaikan sedikit AI pada operasi mereka, selalunya bermula dengan hanya menghapuskan bahagian kerja yang lebih kecil pada antara muka antara sistem, yang mana, sebagai contoh, percanggahan data cenderung untuk nyata. Tetapi tampalan ini pasti akan bergabung dalam susunan yang agak singkat.
Itu berpadu dengan pendekatan Balloon sendiri yang mana pasukan inovasi kami menyasarkan poket kecil kefungsian lanjutan, pengelompokan menjadi salah satu yang pertama, dan satu di mana kami telah melihat peningkatan kecekapan yang besar di tapak pelanggan.
Pengurusan gudang dicirikan oleh berbilang input data dan pelbagai kemungkinan keputusan dan senario output. Ini adalah di luar keupayaan pengurus manusia untuk mengoptimumkan dengan mantap dan mengikut masa, manakala pendekatan algoritma tradisional bergantung pada andaian dan penyederhanaan yang selalunya tidak selalu atau sepenuhnya sah. Sementara itu, buruh yang terhad mungkin duduk menunggu untuk diberitahu apa yang perlu dilakukan. AI berjanji untuk menyediakan alat untuk menyelesaikan masalah ini.
