Alla pratar om artificiell intelligens men vilka är dess potentiella tillämpningar för lagerhållning och leveranskedja? Edward Napier-Fenning, försäljnings- och marknadschef för ett ledande mjukvaruföretag för leveranskedjanBallong, utforskar fem nyckelområden som kan öka prestandan – inklusive ruttplanering, plockning, arbetsledningsrapportering och datainmatning.
Helt plötsligt finns artificiell intelligens (AI) överallt. Precis som med många andra revolutionerande teknikers tidiga dagar finns det många överkrav, och mycket av det som för närvarande utses som "AI-aktiverat" är egentligen bara en sekvens av, visserligen mycket snabba och mycket smarta, algoritmer, som följer logiska vägar utarbetade av människor. Möjligheten att bearbeta enorma mängder "big data" med blixtens hastighet är imponerande och extremt värdefull, men den utgör inte i sig själv artificiell intelligens. Sann AI har förmågan att lära av historiska data och av aktuella aktiviteter, och på sätt och vis skriva om sina egna algoritmer.
Utvecklingstakten för AI accelererar och vi kan redan se några nyckelområden inom lager och logistik där det kan tillämpas.
1. Förbättrad ruttplanering
Hittills har en förare åkt iväg med en fast rutt, kanske en vanlig runda, eller en planerad en dag eller två tidigare, och det är upp till honom/henne att hitta den bästa responsen på en olycka, trafikstockning eller annan händelse när och när dessa uppstår. Nu kan trafikhantering kopplas i realtid till resurser som Google, och utarbetar inte bara lösningen av ett aktuellt problem, utan använder dess lärande för att förutsäga var trafikstockningen sannolikt kommer att inträffa, vilket konstigt nog ofta inte finns vid platsen för den faktiska händelsen. Detta ger en mer robust rekommendation om undvikande och hjälper till att hålla leveranser till och från lagret i tid.
Detta tillvägagångssätt för ruttplanering kan fungera tillsammans med dynamisk lastuppbyggnad. För närvarande finns det inte en fullständig orderfil i början av dagen, eller vid den punkt där förare och rutter måste fixas för nästa dags verksamhet. Rutten kan därför inkludera destinationer där det faktiskt inte finns en droppe att göra, eller utelämna droppar som med fördel kunde ha gjorts. Intelligenta system kan kontinuerligt planera om, modifiera och optimera rutterna allt eftersom orderprofilen byggs upp. Det i sin tur kan hjälpa till med nästa ämne, det om effektivt orderplock, som naturligtvis har sina egna sök- och ruttproblem.
2. Effektivt plockning
Mycket av bruset kring AI i försörjningskedjan handlar om frågor som inventering och beställning. Förbättring här är helt klart viktigt, men vi har knappt börjat beröra hur man kan driva lagret mer effektivt, där det ligger en del riktigt stora arbets- och administrationskostnader – samt potentiella besparingar.
Optimering av plockningsvägar är ett hett ämne inom lagerhållning, även om det i den lägre delen handlar om lite mer än att lägga beställningar i en sekvens och dela upp dem i arbetsblock. Det är trevligt att kunna göra detta riktigt snabbt, men sann AI börjar kunna se på hela situationen mer intelligent: var varor finns i lagret, vilka varor kan eller inte kan kombineras på en given vagn eller container ( och var dessa containrar finns), vilka prioriterade order är (som har tydliga länkar till ruttningsfrågan ovan), och på så sätt bygga så effektiva plockningsrutiner som möjligt.
AI kommer att kunna förbättra valet och driften av plockstrategier – och det optimala kan skilja sig beroende på typ av varor, eller till och med tid på dygnet. Strategierna är många och varierande: till exempel batchplock, som innebär att gå en rutt, plocka en SKU i taget för en batch av beställningar. Eller det kan vara zon- eller 'kluster'-plockning där operatören plockar alla SKU:er i en 'zon' för en sats av beställningar, och väskan (med eller utan den operativa) sedan går vidare till nästa zon.
Klusterplockning är vanligtvis mer effektivt men kräver att layouten av varor i lagret optimeras, så att varor som med största sannolikhet kommer att förekomma i samma beställningar grupperas och beställningarna grupperas kring liknande profiler. Det betyder också att beställningar inte nödvändigtvis plockas i strikt kronologisk ordning, dvs. enligt avgångstiderna för leveransvägen, och därför är känsliga för trängselförseningar, kanske på grund av smala gångar eller behovet av att separera fotgängare från lastbilar och andra maskiner.
Balloon har arbetat med klienten Pets Corner och utvecklat en klustringsmodell för allmänna ändamål, som kan fungera som en molnbaserad webbfunktion. Den nya tekniken har påskyndat tiden det tar att välja en våg av beställningar med 38 %. Detta tillvägagångssätt använder inte strikt någon utvecklad AI, men vi kan lätt se att AI skulle kunna möjliggöra ytterligare betydande förbättringar i både layouten och driften av orderplockning och valet av den mest lämpliga strategin för dessa beställningar, just nu. Vi arbetar till exempel på hur detta tillvägagångssätt skulle kunna utvidgas till flerradsorder och till att ha "startpunkter" för att plocka rutter på olika platser i lagret. Det blir snabbt ganska komplicerat, och AI kommer att vara till stor hjälp för att lösa saker.
En källa till effektivitet är att verksamheten inte behöver vara så bunden av "standard" processer, vilket ibland kanske inte är nödvändigt. Ett mindre exempel är något arbete vi nyligen gjorde för Birlea. Detta företag hade ett konventionellt förfarande där plockade varor får en "WMS"-etikett som visar vilken ordning de är tilldelade och skickas vidare för kontroll och ompackning, varefter de får en annan "transportör"-etikett. Men deras möbler behöver inte kontrolleras eller packas om. Det visade sig vara möjligt att eliminera WMS-etiketten för dessa varor och programmera om SQL så att systemet tror att bäraretiketten är den WMS-etikett det förväntade sig vid det här laget. Det i sig kräver inte AI, men det är lätt att föreställa sig AI-system som kan lära sig att inse att vissa processer för ett visst föremål är redundanta och kan elimineras – utan risk för att en mänsklig operatör ringer fel.
3. Effektivare arbetsledning
Under rådande förhållanden är den största utmaningen för att öka effektiviteten var man ska allokera knapp och dyr arbetskraft. En anläggning med bra Warehouse Management Software (WMS) och andra system bör ha en hel del data från ände till slut: vad som händer vid mottagning, förvaring, plockning, påfyllning och så vidare. Det borde tala om för operatören var de behöver placera sina folk, men det är komplext. Ett traditionellt WMS hanterar detta, upp till en viss punkt, men förlitar sig mycket på att människor skapar, matar in och underhåller data, från standardtider för delar av arbetet, till vem som får utföra vissa uppgifter och så vidare.
Till viss del kan vi redan samla varor, aktiviteter och resurser mer effektivt genom att använda historiska register och aktuell datafångst för att möjliggöra mer komplexa arbetsledningsmodeller. Men AI skulle säkert kunna ge ytterligare ett bidrag när det gäller att hämta data från de olika källorna och göra det meningsfullt.
Effektiv implementering kommer att bli ännu viktigare när företag börjar använda robotik i form av "cobots" – maskiner som samarbetar med människor. Detta är kanske särskilt relevant för små och medelstora företag, som i allt högre grad har råd med den här typen av automatisering och behöver den vara mycket mer flexibel än de stora automatiserade "varor-till-person"-system som drivs av stora verksamheter. Till exempel kan arbetare "taggas" med en Bluetooth-enhet för att lokalisera dem i förhållande till både den aktuella eller avsedda positionen för en robot och positionen och aktuella statusen för prioriterade order, men att dra full nytta av detta kräver intelligenta system.
Vi ser inte att användningen av AI för att förbättra arbetseffektiviteten i första hand handlar om att minska antalet anställda. Det handlar snarare om att eliminera "dödtid" och icke-produktiva aktiviteter som att gå från ena änden av lagret till den andra. Det förbättrar självklart produktiviteten, men det är också lättare att behålla bra människor om de inte tillbringar halva tiden sysslolös och den andra halvan i en frenetisk brådska, vilket kan göra att personalen känner sig både trött och undervärderad.
4. Mer exakt rapportering och analys
Balloon är aktivt involverad i att tillämpa AI i försörjningskedjan. Aktiviteten inom sektorn växer snabbt. Man måste komma ihåg att allas miljö är olika, särskilt bland små och medelstora företag, vilket är en av anledningarna till att AI:s förmåga att lära av situationen, snarare än att bara bearbeta en externt härledd algoritm, är så attraktiv. En annan faktor är att mycket av datan är textbaserad, så en av de saker vi gör är att dra data från flera källor till ett Microsoft-analyspaket med en datamodell som talar om för systemet hur data ska relateras till olika objekt. Vi kan skapa en instrumentpanel och utöver det kan vi lägga upp en del ChatGPT-funktionalitet – "visa mig ett cirkeldiagram över min personal som väljer dag och person" – så att chefer inte behöver be IT att skapa en rapport för dem.
AI-baserade system kan lyfta mycket av kostnaderna och bördan för manuell journalföring och analys, för att inte tala om att eliminera (eller åtminstone upptäcka) de fel som oundvikligen uppstår i manuella system. I slutändan kan det till och med finnas besparingar att göra med att integrera alla olika system som lager- och distributionsverksamheter använder: AI kan kanske "lära sig" hur man får data från ett system till ett annat, trots uppenbarligen inkompatibla format, snarare än att ha någon mödosamt skriv kod för varje eventualitet.
#Freightforwarder #doortodoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanaairfreight #Jordantrading #Jordan #Aqabashipping
Speditör 3pl dropshipping DoortoDoor AirFreight agent Jordan shipping Kina fraktagent uppfyllelsecenter
kapoklog logistik flygfrakt från Kina till Storbritannien DoortoDoor Amazon ExportAirFreight Jordanien frakt Kinafrakt tillJordan Jordanflygfraktfartyg
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kosmetika, Saudi med flyg och till sjöss dörr till dörr service
#chinapurchasingagent #chinashippingagent #chinadropshipping #chinashippinglogistics
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #帱帱帱斯坦 #帱喒 #斯坦地区问题 #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 Saudiarabien tullklareras dörr till dörr DDP
DDP Kina till Saudiarabien
Shenzhen kapoklog logistik Dubai tullklarering dörr till dörr service DDP
DDP Kina till Dubai
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistik Qatar tullklarering dörr till dörr DDP linje
DDP Kina till Qatar
Shenzhen kapoklog logistik Pakistan DDP
DDP Kina till Pakistan
Shenzhen kapoklog logistik Jordanien tullklarering dörr till dörr DDP Kina till Jordanien
Shenzhen kapokloglogistics Egypten dubbel tullklarering dörr till dörr DDP
Shenzhen kapoklog logistik Jeddah tullklarering, Jeddah DDP, Kina till Jeddah DDP frakt
Shenzhen Kapoklog logistik Oman ddp, Kina till Oman DDP, Oman frakt DDP
Shenzhen kapoklog Irak tullklarering, Kina till Irak DDP
Shenzhen Kapoklog logistik Israel tullklarering DDP, Kina till Israel dörr till dörr, Israel dörr till dörr, Kina till Israel DDP
5. Förbättrad bildigenkänning och minskad nykodning
AI gör redan skillnad här, till exempel i datainmatning, inklusive optisk teckenigenkänning och bildläser in– göra mening med det, relatera det till andra delar i systemet, och särskilt när det gäller att leta efter fel och avvikelser. Det kan vara en kvantitetsskillnad mellan en försäljningsorder och den relevanta plocksedeln; eller så kan det vara en leveransadress som inte finns eller som inte är vettig: i så fall kan det vara möjligt att konfigurera AI för att komma med intelligenta förslag om vad adressen ska vara, innan leveransföraren ger sig av på en vild gås jaga.
Så det händer mycket med AI i lagermiljön. För närvarande är landskapet ett lapptäcke av små utvecklingar som hjälper människor att anpassa bitar av AI till sina verksamheter, ofta till att börja med att bara eliminera mindre delar av arbete i gränssnitten mellan system, vilket är där till exempel dataavvikelser tenderar att manifestera sig. Men detta lapptäcke kommer säkert att smälta samman på ganska kort tid.
Det hänger ihop med Balloons eget tillvägagångssätt där vårt innovationsteam riktar in sig på små fickor med avancerad funktionalitet, där klustring är en av de första och en där vi redan har sett stora effektivitetsvinster på kundsajter.
Lagerhantering kännetecknas av flera datainmatningar och flera möjliga beslut och produktionsscenarier. Dessa är bortom mänskliga chefers förmåga att optimera robust och i tid, medan traditionella algoritmiska tillvägagångssätt bygger på antaganden och förenklingar som ofta inte alltid eller helt är giltiga. Under tiden kan knappa arbetskraft sitta och vänta på att få veta vad de ska göra. AI lovar att tillhandahålla verktygen för att lösa dessa problem.
