Kõik räägivad tehisintellektist, kuid millised on selle potentsiaalsed rakendused lao- ja tarneahela jaoks? Edward Napier-Fenning, juhtiva tarneahela tarkvaraettevõtte müügi- ja turundusdirektorÕhupall, uurib viit peamist valdkonda, mis võivad jõudlust suurendada – sealhulgas marsruudi planeerimine, komplekteerimine, tööjõujuhtimise aruandlus ja andmete sisestamine.
#Freighter #DoortoDoor #Amazon #Eksport #Õhuvedu #Jordaania #Hiinalaevandus Jordaaniasse #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Ekspedeerija 3 pl dropshipping DoortoDoor AirFreighti agent Jordaania laevandusagent Hiina laevandusagendi täitmiskeskus
kapoklog logistika õhukaubavedu Hiinast Ühendkuningriiki DoortoDoor Amazon ExportAirFreight Jordaania saatmine Hiinast Jordaaniasse
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kosmeetika, Saudi õhu- ja meritsi uksest ukseni teenindus
#hiinaostuagent #hiinalaevaagent #hiinalaevandus #hiinalaevanduslogistika
#fulfillmentcenter #online marketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双渦 #巴巋咖双渦 #巴势 #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
Shenzheni kapoklogi logistika Saudi Araabia tollimaksuga uksest ukseni DDP
DDP Hiinast Saudi Araabiasse
Shenzhen kapoklog logistika Dubai tollivormistuse uksest ukseni teenus DDP
DDP Hiinast Dubaisse
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistika Katar tollivormistus uksest ukseni DDP liin
DDP Hiinast Katarile
Shenzheni kapoklogi logistika Pakistan DDP
DDP Hiinast Pakistanile
Shenzheni kapoklogi logistika Jordaania tollivormistus uksest ukseni DDP Hiinast Jordaaniasse
Shenzhen kapokloglogistics Egiptus topelt tollivormistus uksest ukseni DDP
Shenzheni kapoklogi logistika Jeddah tollivormistus, Jeddah DDP, Hiinast Jeddah DDP saatmine
Shenzhen Kapoklog logistika Oman ddp, Hiina Omaan DDP, Omaan laevandus DDP
Shenzhen kapoklog Iraak tollivormistus, Hiina – Iraak DDP
Shenzhen Kapoklog logistika Iisraeli tollivormistus DDP , Hiinast Iisraeli uksest ukseni , Iisraeli uksest ukseni , Hiinast Iisraeli DDP
Üsna ootamatult on tehisintellekt (AI) kõikjal. Nagu paljude teiste revolutsiooniliste tehnoloogiate algusaegadel, on palju ülenõudmisi ja suur osa sellest, mida praegu reklaamitakse kui AI-toega, on tegelikult vaid väga kiirete ja väga nutikate algoritmide jada, mis järgib loogilist põhimõtet. inimeste väljamõeldud teed. Võime töödelda tohutul hulgal "suurandmeid" välkkiirelt on muljetavaldav ja äärmiselt väärtuslik, kuid see ei kujuta endast iseenesest tehisintellekti. Tõelisel AI-l on võime õppida ajaloolistest andmetest ja praegustest tegevustest ning mõnes mõttes oma algoritme ümber kirjutada.
Tehisintellekti arengutempo kiireneb ja juba on näha laonduses ja logistikas mõningaid võtmevaldkondi, kus seda rakendada.
1. Täiustatud marsruudi planeerimine
Seni on juht teele asunud kindla marsruudiga, võib-olla tavalise ringiga või päev või kaks varem planeeritud marsruudiga ning tema ülesanne on välja töötada parim lahendus õnnetusele, liiklusummikule või muule sündmusele. kui ja millal need tekivad. Nüüd saab liikluse juhtimise reaalajas siduda selliste ressurssidega nagu Google, mis ei tööta mitte ainult praeguse probleemi lahendamiseks, vaid kasutab selle õppimist, et ennustada, kus ummikud tõenäoliselt tekivad, mis kummalisel kombel sageli ei ole ummikus. tegeliku juhtumi koht. See annab kindlama vältimissoovituse ja aitab hoida tarneid lattu ja sealt tagasi graafikus.
Selline marsruudi planeerimise lähenemisviis võib toimida koos dünaamilise koormuse ehitamisega. Praegu ei ole täielikku tellimuste faili päeva alguses ega kohas, kus tuleb järgmise päeva toiminguteks autojuhid ja marsruudid fikseerida. Seetõttu võib marsruut sisaldada sihtkohti, kus tegelikult pole vaja langeda, või jätta välja kukkumised, mida oleks võinud teha. Intelligentsed süsteemid saavad marsruute pidevalt ümber planeerida, muuta ja optimeerida vastavalt tellimuse profiilile. See omakorda võib olla abiks järgmise teema, tõhusa tellimuste komplekteerimise teemal, millel on loomulikult oma teekonna ja marsruutimise probleemid.
2. Tõhus korjamine
Suur osa tehisintellektiga seotud mürast tarneahelas on seotud selliste probleemidega nagu varud ja tellimine. Täiustamine on siin ilmselgelt oluline, kuid vaevu oleme hakanud puudutama seda, kuidas ladu tõhusamalt juhtida, kus peituvad tõesti suured tööjõu- ja halduskulud ning ka võimalik kokkuhoid.
Valimistee optimeerimine on laonduses kuum teema, kuigi kõige madalamal tasemel on see vaid tellimuste järjestamine ja tükeldamine tööplokkideks. Tore, et seda saab teha väga kiiresti, kuid tõeline tehisintellekt hakkab kogu olukorda arukamalt vaatama: kus kaup on laos, milliseid kaupu saab või ei saa antud kärule või konteinerile kombineerida ( ja kus need konteinerid asuvad), millised on prioriteetsed järjekorrad (millel on selged lingid ülaltoodud marsruutimisküsimusega) ning seega luua võimalikult tõhusad valikurutiinid.
AI suudab parandada komplekteerimisstrateegiate valikut ja toimimist – ja optimaalne võib erineda olenevalt kauba tüübist või isegi kellaajast. Strateegiaid on palju ja erinevaid: näiteks partii komplekteerimine, mis hõlmab marsruudi läbimist, tellimuste partii jaoks ühe SKU korraga valimist. Või võib see olla tsooniline või klastri valimine, kus operaator valib tellimuste partii jaoks kõik SKU-d ühes "tsoonis" ja kogumik (koos selle operaatoriga või ilma) liigub seejärel järgmisse tsooni.
Klastrite komplekteerimine on tavaliselt tõhusam, kuid nõuab laos olevate kaupade paigutuse optimeerimist, nii et kõige tõenäolisemalt samades tellimustes esinevad kaubad rühmitataks ja tellimused rühmitataks sarnaste profiilide järgi. See tähendab ka seda, et tellimusi ei valita tingimata rangelt kronoloogilises järjekorras, st vastavalt tarnemarsruudi väljumisaegadele, ning seetõttu võivad need tekkida ummikutega viivituste suhtes, mis võivad olla tingitud kitsastest vahekäikudest või vajadusest eraldada jalakäijad veoautodest ja muud masinad.
Koostöös kliendi Pets Corneriga on Balloon välja töötanud üldotstarbelist tellimuste klastrite mudelit, mis võib toimida pilvepõhise veebifunktsioonina. Uus tehnika on kiirendanud tellimuste laine valimiseks kuluvat aega 38%. See lähenemisviis ei kasuta rangelt ühtegi arendatud tehisintellekti, kuid näeme hõlpsalt, et tehisintellekt võib praegu võimaldada täiendavaid olulisi parandusi nii tellimuste komplekteerimise paigutuses ja toimimises kui ka nende tellimuste jaoks kõige sobivama strateegia valimisel. Näiteks töötame välja viiside kallal, kuidas seda lähenemisviisi saaks laiendada mitmerealistele tellimustele ja marsruutide komplekteerimise alguspunktidele lao erinevates kohtades. See muutub kiiresti üsna keeruliseks ja AI on asjade lahendamisel palju abiks.
Üks tõhususe allikas on see, et toimingud ei pea olema niivõrd seotud "standardsete" protsessidega, mis mõnikord ei pruugi olla vajalikud. Väike näide on mõned tööd, mida me hiljuti Birlea heaks tegime. Sellel ettevõttel oli tavapärane protseduur, mille kohaselt komplekteeritud kaupadele antakse WMS-i silt, mis näitab nende määramise järjekorda, ning saadetakse edasi kontrollimiseks ja ümberpakkimiseks, misjärel antakse neile erinev veomärgis. Kuid nende mööbliesemed ei vaja kontrollimist ega ümberpakkimist. Osutus võimalikuks kõrvaldada nende kaupade WMS-i silt ja programmeerida SQL ümber nii, et süsteem arvab, et kandja silt on WMS-i silt, mida ta sel hetkel ootas. See iseenesest ei nõua tehisintellekti, kuid on lihtne välja mõelda AI-süsteeme, mis õpivad ära tundma, et teatud üksuse puhul on teatud protsessid üleliigsed ja neid saab kõrvaldada – ilma riskita, et inimkäija teeb vale kõne.
3. Tõhusam tööjõu juhtimine
Praegustes tingimustes on efektiivsuse tõstmise suurimaks väljakutseks see, kuhu paigutada napp ja kallis tööjõud. Hea laohaldustarkvara (WMS) ja muude süsteemidega rajatises peaks olema otsast lõpuni palju andmeid: mis toimub vastuvõtmisel, ärapanemisel, komplekteerimisel, täiendamisel ja muul viisil. See peaks operaatorile ütlema, kuhu nad peavad oma inimesed panema, kuid see on keeruline. Traditsiooniline WMS juhib seda kuni teatud piirini, kuid sõltub suuresti inimestest, kes loovad, sisestavad ja hooldavad andmeid, alates tööelementide standardajast, lõpetades sellega, kellel on lubatud teatud ülesandeid täita ja nii edasi.
Mingil määral oleme juba võimelised kaupu, tegevusi ja ressursse tõhusamalt jaotama, kasutades ajaloolisi kirjeid ja jooksvaid andmeid, et võimaldada keerukamaid tööjõujuhtimise mudeleid. Kuid tehisintellekt võiks kindlasti anda täiendava panuse erinevatest allikatest andmete hankimisel ja nende mõtestamisel.
Tõhus kasutuselevõtt muutub veelgi olulisemaks, kui ettevõtted hakkavad kasutama robootikat „kobotite” – inimestega koostööd tegevate masinate – kujul. See on võib-olla eriti asjakohane VKEde jaoks, kes saavad seda tüüpi automatiseerimist endale üha enam lubada ja vajavad, et see oleks palju paindlikum kui suured „kaubast inimesele” automatiseeritud süsteemid, mida juhivad suured operatsioonid. Näiteks võib töötajaid "märgistada" Bluetooth-seadmega, et määrata nende asukoht nii roboti praeguse või kavandatud asukoha kui ka prioriteetsete tellimuste asukoha ja hetkeoleku järgi, kuid selle täielikuks kasutamiseks on vaja intelligentseid süsteeme.
Me ei näe tehisintellekti kasutamist tööjõu tõhususe parandamiseks peamiselt töötajate arvu vähendamiseks. Pigem on see "surnud aja" ja mittetootlike tegevuste, näiteks lao ühest otsast teise kõndimine, kõrvaldamine. Ilmselgelt parandab see tootlikkust, kuid ka häid inimesi on lihtsam hoida, kui nad ei veeda poolt aega tegevusetult ja teise poole meeletu kiirustamise ajal, mis võib jätta töötajate tunde nii väsinuks kui ka alahinnatuks.
4. Täpsem aruandlus ja analüüs
Balloon tegeleb aktiivselt tehisintellekti rakendamisega tarneahela ruumis. Sektori aktiivsus kasvab kiiresti. Tuleb meeles pidada, et igaühe keskkond on erinev, eriti VKEde puhul, mis on üks põhjusi, miks tehisintellekti võime olukorrast õppida, mitte pelgalt väljast tuletatud algoritmi töödelda, on nii atraktiivne. Veel üks kaalutlus on see, et suur osa andmetest on tekstipõhised, seega on üks asi, mida me teeme, koguda andmed mitmest allikast Microsofti analüüsipaketti koos andmemudeliga, mis ütleb süsteemile, kuidas andmeid erinevate objektidega seostada. Saame luua armatuurlaua ja lisaks sellele kihistada mõned ChatGPT-tüüpi funktsioonid – „näita mulle sektordiagrammi, kus mu töötajad valivad päevade ja inimeste kaupa” –, et juhid ei peaks IT-lt aruande koostamiseks paluma.
Tehisintellektil põhinevad süsteemid võivad tõsta palju käsitsi arvestuse ja analüütika kulusid ja koormust, rääkimata käsitsi süsteemides paratamatult tekkivate vigade kõrvaldamisest (või vähemalt tuvastamisest). Lõppkokkuvõttes võib isegi kokku hoida, kui integreerida kõik erinevad lao- ja turustustoimingud kasutatavad süsteemid: tehisintellekt võib olla võimeline õppima, kuidas andmeid ühest süsteemist teise hankida, vaatamata näiliselt kokkusobimatutele vormingutele, selle asemel, et kedagi vaeva näha. kirjutage igaks juhuks kood.
5. Täiustatud pildituvastus ja vähendatud võtmete uuesti sisestamine
AI teeb siin juba muutusi, näiteks andmesisestuses, sealhulgas optilises märgituvastuses ja pildisskaneerimine– selle mõtestamine, seostamine süsteemi teiste elementidega ning eelkõige vigade ja lahknevuste otsimine. See võib olla koguseline erinevus müügitellimuse ja asjakohase komplekteerimislehe vahel; või see võib olla tarneaadress, mida pole olemas või millel pole mõtet: sel juhul võib olla võimalik konfigureerida AI andma intelligentseid soovitusi selle kohta, milline aadress peaks olema, enne kui kohaletoimetamise juht metshane teele asub jälitama.
Seega toimub laokeskkonnas tehisintellektiga palju. Praegu koosneb maastik väikestest arendustest, mis aitavad inimestel oma tegevusega AI-tükke sobitada, alustades sageli süsteemidevaheliste liideste väiksemate tööde kõrvaldamisega, kus näiteks andmete lahknevused kipuvad ilmnema. Kuid see lapitöö ühineb kindlasti üsna lühikese aja jooksul.
See on kooskõlas Ballooni enda lähenemisviisiga, mille kohaselt meie innovatsioonimeeskond keskendub väikestele täiustatud funktsionaalsuse taskutele. Klasterdamine on üks esimesi ja kus oleme juba näinud klientide saitide tõhusust.
Laohaldust iseloomustavad mitmed andmesisendid ning mitmed võimalikud otsused ja väljundstsenaariumid. Need on väljaspool inimjuhtide võimet jõuliselt ja õigeaegselt optimeerida, samas kui traditsioonilised algoritmilised lähenemisviisid tuginevad eeldustele ja lihtsustustele, mis sageli ei ole alati või täielikult kehtivad. Samal ajal võib napp tööjõudu istuda ja oodata, et neile öeldakse, mida teha. AI lubab pakkuda tööriistu nende probleemide lahendamiseks.
