Εξαιρετικά ενδιαφέρον ήταν το σεμινάριο που οργάνωσε το Supply Chain Institute με την επιστημονική υποστήριξη της εταιρείας Planning στη διάρκεια του οποίου παρουσιάστηκαν μεταξύ άλλων οι τελευταίες εξελίξεις της Τεχνητής Νοημοσύνης με εφαρμογές στη σύγχρονη αποθήκη από τον κ. Ορέστη Ευθυμίου, Automation Systems Manager, TRADE LOGISTICS (FOURLIS).
Κατ’ αρχήν έγινε η διάκριση τριών βασικών εννοιών και της μεταξύ τους σχέσης και αλληλεπίδρασης. Ας τα δούμε πιο αναλυτικά:
Η Τεχνητή Νοημοσύνη είναι ένα σύνολο τεχνολογιών που συνεργάζονται για να επιτρέπουν στις μηχανές να αισθάνονται, να ερμηνεύουν, να μαθαίνουν και να ενεργούν σε σχεδόν όμοιο με τους ανθρώπους επίπεδο.
Η Μηχανική Μάθηση είναι κλάδος της Τεχνητής Νοημοσύνης. Παρέχει στα συστήματα τη δυνατότητα να μαθαίνουν αυτόματα μέσω συνόλων δεδομένων και να βελτιώνονται κυρίως μέσω της εμπειρίας
Η Βαθιά Μάθηση είναι ο «νεότερος» και πιο πολλά υποσχόμενος αδερφός της Μηχανικής Μάθησης. Μιμείται μηχανισμούς του ανθρώπινου εγκεφάλου για την επεξεργασία πληροφοριών χρησιμοποιώντας βαθιά τεχνητά νευρωνικά δίκτυα. Η μεταξύ τους βασική διαφορά είναι η αυτονομία.
Αυτό σημαίνει ότι τα μοντέλα Μηχανικής Μάθησης βελτιώνονται σταδιακά, αλλά με κάποια καθοδήγηση, ενώ τα μοντέλα Βαθιάς Μάθησης το κάνουν μόνα τους.
Ας δούμε τώρα ποια είναι η σχέση μεταξύ της μηχανικής μάθησης, της βαθιάς μάθησης και της τεχνητής νοημοσύνης: Η Βαθιά Μάθηση είναι ένα υποσύνολο της Μηχανικής Μάθησης και η Μηχανική Μάθηση είναι ένα υποσύνολο της Τεχνητής Νοημοσύνης. Ειδικότερα, η Τεχνητή Νοημοσύνη περιλαμβάνει προγράμματα με ικανότητα μάθησης και λογικής όπως οι άνθρωποι. Η Μηχανική Μάθηση επεξεργάζεται αλγόριθμους που μπορούν να κάνουν προβλέψεις μέσω της αναγνώρισης προτύπων.
Η Βαθιά Μάθηση είναι μια μορφή μηχανικής μάθησης που χρησιμοποιεί ένα υπολογιστικό μοντέλο εμπνευσμένο από τη δομή του εγκεφάλου, που απαιτεί λιγότερη ανθρώπινη επίβλεψη.
Εφαρμογές Τεχνητής νοημοσύνης σε αποθήκες & κέντρα διανομής
Ενδιαφέρον παρουσιάζει το γεγονός ότι η τεχνητή νοημοσύνη και η μηχανική μάθηση αρχίζουν και εμφανίζονται όλο και πιο πολύ σε αποθήκες & κέντρα διανομής (ΚΑΔ).
Γιατί όμως; Γενικά, θα λέγαμε ότι τα Κέντρα Αποθήκευσης και Διανομών (ΚΑΔ) παρέχουν γόνιμο έδαφος για τη μηχανική μάθηση και αυτό γιατί έχουν ένα περιβάλλον ελεγχόμενο για τη συλλογή δεδομένων, είτε ιστορικών, είτε σε πραγματικό χρόνο και την ίδια στιγμή η τεχνητή νοημοσύνη ταιριάζει απόλυτα σε πολλά από τα καθημερινά προβλήματα διαχείρισης των ΚΑΔ, όπως ο προγραμματισμός προσωπικού & μηχανημάτων, η χωροθέτηση κωδικών, κ.λπ.
Επομένως, τα ΚΑΔ αποτελούν ένα πρόσφορο περιβάλλον για τη χρήση τεχνητής νοημοσύνης, με τη δυνατότητα να αποφέρουν σημαντικά λειτουργικά οφέλη.
Ρομπότ με Τεχνητή Νοημοσύνη
Για να μπορέσει να διαχειριστεί αποτελεσματικά ένα ρομπότ συλλογής τα διάφορα αντικείμενα, χρειάζεται γνώση – ή με άλλα λόγια, τεχνητή νοημοσύνη, την οποία μαθαίνει με τρόπο όμοιο με αυτόν που μαθαίνουν και οι άνθρωποι – αποκτώντας γνώση μέσω της δοκιμής και λάθους. Η τεχνητή νοημοσύνη μαθαίνει πώς να αντιμετωπίζει διαφορετικές εργασίες και πώς να αναπτύσσει τις δικές της λύσεις.
Άρα με κάθε κίνηση, δημιουργείται μια δεξαμενή εμπειρίας που βασίζεται σε δεδομένα, και έτσι το ρομπότ βελτιώνεται και γίνεται πιο αποτελεσματικό.
Βελτιστοποίηση πλοήγησης εντός αποθήκης
Ο χρόνος πλοήγησης σε μια αποθήκη μπορεί να αντιπροσωπεύει ένα μεγάλο κομμάτι του συνολικού κόστους εργασίας.
Η ελαχιστοποίηση όμως του χρόνου πλοήγησης δεν είναι η μόνη προτεραιότητα που πρέπει να λαμβάνουμε υπόψη, μιας και διαφορετικές παραγγελίες μπορεί να έχουν διαφορετικές προτεραιότητες (π.χ. προθεσμίες αποστολής), οι οποίες να αντικρούονται.
Επομένως, η εύρεση της βέλτιστης λύσης μέσω της ταχύτατης ανάλυσης πολλών σεναρίων είναι κάτι στο οποίο η τεχνητή νοημοσύνη αριστεύει!
Δυναμική Τοποθέτηση Προϊόντων (slotting)
Η βέλτιστη τοποθέτηση προϊόντων εντός αποθήκης έχει αντίκτυπο στους βασικούς δείκτες απόδοσης, όπως είναι η Παραγωγικότητα, ο Χρόνος διεκπεραίωσης παραγγελίας, η Ακρίβεια παραγγελίας, η Ακρίβεια αποθέματος και η Πυκνότητα αποθήκευσης.
Το slotting που βασίζεται σε τεχνητή νοημοσύνη μπορεί να προσφέρει καλύτερα αποτελέσματα και να μειώσει το κόστος υλοποίησης σε σχέση με τη χρήση των κλασσικών excel και της εισαγωγής δεδομένων με το χέρι. Από την πλευρά τους, οι διευθυντές των ΚΑΔ πρέπει να βελτιστοποιούν τη χρήση συστημάτων και ανθρώπινου δυναμικού, αλλά και να βρίσκουν την τέλεια ισορροπία στη μεταξύ τους συνεργασία.
Το κλειδί γι’ αυτό, είναι η ανάλυση δεδομένων σε πραγματικό χρόνο – εργασία που είναι κατάλληλη ...για την τεχνητή νοημοσύνη. Και αυτό επιτυγχάνεται μέσω της χρήσης προβλέψεων που βασίζονται στη μηχανική μάθηση.
Άλλες εφαρμογές Τεχνητής Νοημοσύνης
Μια άλλη εφαρμογή Τεχνητής Νοημοσύνης σε αποθήκες & κέντρα διανομής είναι ο Προγραμματισμός και η Διαχείριση Εργατικού Δυναμικού. Το εργατικό είναι συνήθως το μεγαλύτερο λειτουργικό κόστος στα ΚΑΔ
. Η βέλτιστη κατανομή των εργαζομένων για την κάλυψη της προβλεπόμενης ζήτησης σε κάθε βάρδια είναι απαραίτητη, ώστε να μην υπάρχει έλλειμμα ή πλεόνασμα προσωπικού. Για τις σωστές αποφάσεις χρειάζονται μια πλειάδα δεδομένων σχεδόν σε πραγματικό χρόνο.
Λογισμικά με Τεχνητή Νοημοσύνη είναι κατάλληλα στο να αναλύουν δεδομένα και να χρησιμοποιούν Μηχανική Μάθηση για να:
Ανιχνεύουν αναποτελεσματικές διαδικασίες
Αυτοματοποιούν τη διαχείριση του προσωπικού (βάρδιες)
Προτείνουν επιλογές βελτιστοποίησης
Εφαρμογές Τεχνητής Νοημοσύνης σε αποθήκες & κέντρα διανομής συναντούμε, επίσης, σε θέματα Προβλεπτικής Συντήρησης, στο «Computer Vision» για τον εντοπισμό ζημιών, στην Αυτοματοποίηση των εργασιών γραφείου (βλ. χρεώσεις, επεξεργασία email, δημιουργία αναφορών, κλπ.).
Συμπερασματικά, μπορούμε να πούμε ότι η χρήση της Τεχνητής Νοημοσύνης είναι εδώ, και φαίνεται να είναι ένα από τα «καύσιμα» για την τροφοδοσία του επόμενου κύματος μετασχηματισμού των αποθηκών και των Κέντρων Διανομής.__
