Машинное обучение для цепочки поставок: успешные кейсы

Жесткая конкуренция и кризис диктуют логистическим компаниям жесткие требования: они должны зарабатывать больше, тратить меньше, реагировать быстрее. Нет ничего удивительного в том, что бизнес активно инвестирует в новые технологии и средства искусственного интеллекта. По данным Gartner, уже в ближайшем будущем 95% всей планировки цепочек поставки будет опираться на управляемое и неуправляемое машинное обучение. В ближайшей перспективе это означает максимальную роботизацию процессов: только симбиоз усилий человека и машин может решить большинство проблем логистики.

Рынок уже знает успешные кейсы внедрения алгоритмов ИИ в цепочки снабжения, рассмотрим их подробно. Как искусственный интеллект с легкостью делает то, с чем годами едва мог справиться человек?

Что такое машинное обучение и причем тут инскусственный интеллект

Машинное обучение (Machine learning) как разновидность искусственного интеллекта основывается на скоростной обработке больших массивов данных, анализе полученной информации, создании прогнозов и принятии решений без участия человека. Это достигается благодаря моделям на основе алгоритмов, которые способны самостоятельно учиться – чем больше данных обрабатывает алгоритм, тем "умнее" он становится. И это не академическая технология, интересная разве что узкопрофильным ученым – ML имеет широкое практическое применение.

Сегодня машинное обучение в тренде. Все знают об искусственном интеллекте ChatGPT, умеющем писать тексты, кодировать и выстраивать логическую аргументацию в беседе. Всех поражают иллюстрации, нарисованные алгоритмом MidJourney.

Аналогично существуют модели машинного обучения и для логистической отрасли. Они могут, например, анализировать маршруты транспорта, искать организационные и логистические ошибки, прогнозировать ситуацию на дорогах и спрос на рынке.

Преимущества и примеры использования машинного обучения

Сквозные процессы машинного обучения внедряются в бизнес на всех уровнях от аналитики и производства до комплектования и транспортировки. В частности, речь идет о таких технологиях:

Предиктивная аналитика. Эта технология позволяет компаниям мониторить имеющиеся товары, чтобы удовлетворять спрос покупателей даже при сокращении запасов на складах. Это похоже на предсказание будущего, но вместо гадания на картах или кофейной гуще искусственный интеллект выстраивает математическую модель вашей насущной проблемы. Большие массивы данных и многочисленные математические модели проверяются, пока среди них не будет найдена самая надежная. Благодаря такому анализу компании могут прогнозировать обменные курсы и спрос, быстро корректировать цены и организовывать оперативную доставку товаров.

Согласно годовому отчету MHI за 2021 год, 49% ведущих операторов цепочек поставки ускорят интеграцию цифровых технологий, в том числе предиктивной аналитики.

• Amazon, например, собирает информацию о пользователях во время их навигации по сайту. Благодаря машинному обучению компания анализирует время, затрачиваемое каждым из пользователей на определенную страницу, а также товары, которые он ищет, список пожеланий, демографические данные и прочее. Гипотетически, если жители Нью-Йорка ежегодно заказывают много перчаток в декабре, их заранее завозят на местный склад компании и хранят там до оформления заказа. Это позволяет выполнять доставку в течение одного дня.

Управление складом. Интегрированное в складские системы машинное обучение автоматизирует ручную работу, а также прогнозирует возможные проблемы в процессах производства, хранения и упаковки, что сокращает время обработки товаров. Это очень важная функция, ведь на склады ежедневно поступают новые товары, которые нужно систематизировать и хранить. Машинное обучение анализирует текущее расположение товаров на складах, и когда привозят новые партии, их просто добавляют в предварительные запасы. 

• Здесь можно вспомнить японского бизнес-гиганта Hitachi, еще в далеком 2015 году внедрившего искусственный интеллект в свою WMS для оптимизации работы на складе. Система отслеживала действия сотрудников компании и запоминала их самые успешные варианты. На основе наблюдений ИИ делал выводы и превращал лучшие увиденные примеры в рекомендации для других сотрудников. Таким образом, еще на этапе эксперимента эффективность склада повысилась на 8%.

Опыт потребителя. Существует две точки соприкосновения между покупателем и транспортной компанией: когда клиент платит онлайн-магазину и когда забирает покупку. Машинное обучение оптимизирует второй пункт, поскольку способно спрогнозировать время доставки, учитывая трафик, погодные условия и прочие решающие факторы. Кроме того, благодаря алгоритмам ML можно автоматизировать поток заказов и предусмотреть, какие товары будут пользоваться спросом, чтобы заранее хранить их в центрах упаковки.

• Ярким примером стал невиданный спрос в 2017 году на простенькую механическую игрушку – спиннер. И хотя из-за хайпа популярность спиннеров возросла в разы, но острого дефицита удалось избежать - и все благодаря прогнозам он искусственного интеллекта. Согласно отчету DHL и IBM, алгоритм смог точно предсказать невероятный спрос на спиннеры по динамике поисковых запросов и просмотров вирусных видео.

Логистика и перевозка. Согласно данным исследований, на доставку "последней мили" приходится львиная доля всех расходов в логистических цепочках - до 28%. Во избежание лишних затрат и неудобств для клиентов компании начали активно внедрять машинное обучение для упрощения и ускорения транспортных процессов. ML позволяет работникам отслеживать местонахождение грузов при их транспортировке, прогнозировать возможные задержки и выбирать оптимальные маршруты благодаря анализу трафика и погодных условий.

• Здесь уместно будет вспомнить Valerann – израильско-британский стартап, разработавший разумную дорожную систему. Ее суть состоит в том, что благодаря встроенным датчикам алгоритмы могут отслеживать дорожный трафик и прогнозировать ситуацию на автомагистралях. 

Производство, упаковка, сортировка. Машинное обучение способно распознавать проблемы с работой конвейера еще на ранних этапах. Посредством компьютерного зрения осуществляется проверка продукции на соответствие стандартам без необходимости применять ручной контроль качества. Благодаря автоматизированному распознаванию и анализу повреждений или дефектов, вероятность отправить клиенту бракованное отправление снижается до минимума.

• Идеальным примером внедрения машинного обучения в логистические цепочки можно назвать разработку IBM Watson Visual Recognition, позволившую автоматизировать проверку упаковки. Этот софт может распознавать различные типы товаров на полках и сразу обнаруживать возможные дефекты без вмешательства человека. Сейчас технология продолжает развиваться и уже способна анализировать снимки МРТ на предмет любых повреждений.

Что дальше, или перспективы развития машинного обучения

Недавнее исследование экспертов из США и Канады (University of Pennsylvania, NYU Stern, Statistics Canada) показало, что компании, внедряющие инновации вроде машинного обучения, становятся более конкурентными и быстрее масштабируются. Благодаря этому они увеличивают количество рабочих мест и привлекают все большее специалистов. Избегающий инноваций бизнес обречен на стагнацию, потерю позиций на рынке и будущее банкротство.

Поэтому внедрение в логистические процессы искусственного интеллекта вообще и машинного обучения в частности - это не дань моде на технологии, а производственная необходимость. Потому не стоит откладывать или экономить средства на новых технологиях, ведь деньги, вложенные в будущее развитие – это не расходы, а инвестиции.