Как искусственный интеллект совершенствует многоразовую упаковку?
Контейнеры и многоразовая упаковка, будь то поддоны или пластиковые ящики, уже давно являются неотъемлемой частью цепочек поставок и используются во многих отраслях промышленности, включая пищевую и автомобильную. Представьте, что вы находитесь на складе и пытаетесь получить представление о своих контейнерах и многоразовой упаковке. Вы достаете смартфон и спрашиваете голосового помощника: «Сколько еврокубов для дизельного топлива доступно на этом складе?». Ответ немедленно появляется на дисплее и зачитывается. Вскоре после этого вы получаете точный прогноз спроса на данный тип контейнеров и оптимизированные предложения по заказу транспорта. Этот сценарий, который еще недавно казался пересказом научно-фантастической книжки, теперь стал реальностью благодаря достижениям в области искусственного интеллекта.
Многие компании уже имеют положительный опыт использования ИИ в маркетинге или, например, в динамическом ценообразовании. Однако постепенно компании начинают уделять внимание оптимизации процессов в том числе. Поэтому мы рассмотрим конкретный пример: управление контейнерами и многоразовой упаковкой — задача из сферы логистики, решение которой позволяет поддерживать наличие необходимого количества активов на каждом складе в нужное время. Реализуется этот сценарий за счет планирования будущего спроса и адаптации к проблемам цепочки поставок в режиме реального времени.
Жонглирование с завязанными глазами
Многие производители, ритейлеры и логистические компании управляют пулами активов и у некоторых в собственности есть большое количество очень качественных возвратных средств.
Десятки тысяч или даже миллионы ящиков, упаковочных материалов, контейнеров и других многоразовых активов перемещаются через множество мест, таких как поставщики, производители, логистические компании, распределительные центры, розничные магазины, очистные сооружения и, если все идет хорошо, возвращаются к поставщикам.
Если все пойдет хорошо… А если нет? Современная логистика сталкивается с проблемами нестабильных рынков и плотно взаимосвязанных цепочек поставок: несмотря на то, что по всей цепочке собирается все больше данных, компании все еще редко объединяют их в эффективную систему для принятия решений. Фактические и виртуальные запасы возвратных активов часто не совпадают. Более того, для управления входящими и исходящими активами используются разные программные системы, не взаимодействующие друг с другом. Таким образом, неправильно распределенные контейнеры вряд ли будут замечены.
В условиях отсутствия прозрачности спонтанные отклонения, ежедневные задержки и выполнение срочных заданий могут поставить под угрозу всю операционную деятельность. Например, если клиент, который привык перестраховываться, закажет неожиданно большое количество пустых контейнеров, они будут перемещены в резервный запас, но их может не быть на производственной площадке другой компании, которая воспользовалась ими для критически важной перевозки.
Искусственный интеллект для внесения ясности
Даже если все возвращаемые активы регулярно регистрируются и визуализируются на центральной платформе с помощью современных решений автоматической идентификации, описанные выше сложности далеко не всегда очевидны, несмотря на огромный объем данных о контейнерах и транзакциях. Как диспетчеры могут иметь полное представление о состоянии, местонахождении и маршрутах сотен тысяч контейнеров в цикле цепи поставок? В каком виде находятся эти активы и где именно они нужны, в какое время и в каком количестве? Учтены ли при планировании все заказы, а также поврежденные контейнеры, время очистки и перераспределения?
Таким образом, оптимизированная, ориентированная на спрос дистрибуция — это не только вопрос прозрачности, но и обеспечения возможности быстро принимать обоснованные решения. Именно здесь на помощь приходит искусственный интеллект. Алгоритмы способны вычислять оптимизированные рекомендации к действию в режиме реального времени или даже самостоятельно принимать решения, если это необходимо. Например, формировать транспортные заказы.
Чтобы точно спрогнозировать спрос на контейнеры и выявить возможные несоответствия (например, переизбыток или недостаток запасов, нарушение географических границ или неисправность оборудования), ИИ может учитывать широкий спектр информации: ручные данные диспетчеров (так называемые «знания предметной области»), данные из внешних систем (например, ERP и PPS), заранее определенные правила, такие как минимальный и максимальный уровни запасов, анализ диапазонов и исторические данные. Таким образом, при составлении прогнозов и принятии решений можно учесть все значимые факторы.
Непрерывное совершенствование с помощью машинного обучения
Одна из самых мощных функций искусственного интеллекта — способность распознавать взаимосвязи и закономерности в огромном количестве данных и источников и извлекать из полученных сведений полезные знания и рекомендации к действию. Интеграция технологий машинного обучения позволяет многократно учиться на основе данных. Эти технологии дают возможность взглянуть на ситуацию с высоты птичьего полета и выявить новые закономерности в процессах, даже, если система не получала такую установку.
Пример: клиент привык заблаговременно накапливать запасы продукции. В этой ситуации диспетчер-человек часто задерживает заказ пустого контейнера на несколько дней, чтобы добиться хороших общих результатов, несмотря на изменения в планировании. За годы работы диспетчер выучил, каков лимит запасов, при достижении которого необходимо сделать повторный заказ. Система машинного обучения может наблюдать за этим поведением, связывать его с другими выводами (допустим: «Когда клиент может повторно заказать пустые контейнеры?») и, пройдя этап обучения, автоматически корректировать заказы.
Гибридный искусственный интеллект выходит на новый уровень
Чтобы все это работало, важно не полагаться исключительно на методы ИИ, основанные на данных, какими бы популярными они ни были в наши дни. Средства искусственного интеллекта, базуирующиеся на знаниях, должны сыграть свою роль в гибридном подходе. Благодаря этому способу можно отобразить экспертные знания о бизнес-процессах, моделях поведения, целях планирования или ограничениях с помощью математического моделирования решений. После этого алгоритмы могут быстро просмотреть все потенциальные сценарии принятия решений. Рассматривая бесчисленные варианты действий в той или иной ситуации, ИИ способен определить наилучший вариант действий для решения поставленной задачи, а затем реализовать его или предложить пользователю.
Эта технология позволяет управлять сложными сетями контейнеров и многоразовой упаковки с высоким уровнем планирования и качества обслуживания. Она может не только отправлять пользователям предупреждения в случае возникновения угроз, но и обеспечивать наличие необходимого количества товаров в нужном месте и в нужное время, автоматически регулируя перемещение контейнеров в режиме реального времени, не забывая при этом о таких важных показателях, как стоимость транспортировки.
Эти примеры демонстрируют огромную сложность, которую может помочь преодолеть ИИ. Люди, конечно же, останутся в курсе всех событий. Как и в случае с предыдущими волнами индустриализации, человек будет освобожден от повторяющихся задач и сможет сосредоточиться на обработке более сложных.
