Машинне навчання для ланцюжка постачання: успішні кейси

Василій
Василій
IT Sales Manager
26.01.2023
4635
0

Жорстка конкуренція та криза диктують логістичним компаніям жорсткі вимоги: вони мають заробляти більше, витрачати менше, реагувати швидше. Нема нічого дивного в тому, що бізнес активно інвестує у новітні технології та засоби штучного інтелекту. За даними Gartner, вже у найближчому майбутньому 95% усього планування ланцюжків постачання спиратиметься на кероване та некероване машинне навчання. У найближчій перспективі це означає максимальну роботизацію процесів: лише симбіоз зусиль людини та машин може вирішити більшість проблем логістики.

Ринок вже знає успішні кейси впровадження алгоритмів ШІ у ланцюжки постачання, розгляньмо їх детально. Як штучний інтелект з легкістю робить те, з чим роками ледь могла впоратись людина?

Що таке машинне навчання та до чого тут штучний інтелект

Машинне навчання (Machine learning) як різновид штучного інтелекту ґрунтується на швидкісній обробці великих масивів даних, аналізі отриманої інформації, створенні прогнозів та прийнятті рішень без участі людини. Це досягається завдяки моделям на основі алгоритмів, які спроможні самостійно навчатися - чим більше даних обробляє алгоритм, тим “розумнішим” він стає. І це не академічна технологія, цікава хіба що вузькопрофільним науковцям - ML має широке практичне застосування.

Сьогодні машинне навчання в тренді. Усі знають про штучний інтелект ChatGPT, який вміє писати тексти, кодити та будувати логічну аргументацію в бесіді. Усіх вражають ілюстрації, які малює алгоритм MidJourney. 

Аналогічно є моделі машинного навчання і для логістичної галузі. Вони можуть, наприклад, аналізувати маршрути транспорту, шукати організаційні та логістичні помилки, прогнозувати ситуацію на дорогах та ринковий попит. 

Переваги та приклади застосування машинного навчання

Наскрізні процеси машинного навчання впроваджуються у бізнес на всіх рівнях, від аналітики та виробництва до комплектування та транспортування. Зокрема, йдеться про такі технології:

Предиктивна аналітика. Ця технологія дозволяє компаніям моніторити наявні товари, аби задовольняти попит покупців навіть за умови скорочення запасів на складах. Це схоже на передбачення майбутнього, але замість гадання на картах чи кавовій гущі, штучний інтелект вибудовує математичну модель вашої нагальної проблеми. Великі масиви даних та численні математичні моделі перевіряються доти, доки серед них не буде виявлено найнадійнішу. Завдяки такому аналізу компанії можуть прогнозувати обмінні курси та попит, швидко коригувати ціни та організовувати оперативне доставляння товарів.

Згідно з річним звітом MHI за 2021 рік, 49% провідних операторів ланцюжків постачання прискорити інтеграцію цифрових технологій, зокрема предиктивної аналітики.

  • Amazon, наприклад, збирає інформацію про користувачів під час їх навігації сайтом. Завдяки машинному навчанню компанія аналізує час, який кожний з користувачів витрачає на певну сторінку, товари, які він шукає, список побажань, демографічні дані та інше. Гіпотетично, якщо мешканці Нью-Йорка щороку замовляють багато рукавичок у грудні, то їх заздалегідь завозять на місцевий склад компанії та зберігають там до оформлення замовлення. Це дозволяє виконувати доставляння протягом одного дня.

Управління складом. Інтегроване до складських систем, машинне навчання автоматизує ручну роботу, а також прогнозує можливі проблеми у процесах виробництва, зберігання та пакування, що скорочує час обробки товарів. Це дуже важлива функція, адже на склади щодня надходять нові товари, які потрібно систематизувати та зберігати. Машинне навчання аналізує поточне розташування товарів на складах, і коли привозять нові партії, їх просто додають до попередніх запасів. 

  • Тут можна згадати японського бізнес-гіганта Hitachi, який ще в далекому 2015 році впровадив штучний інтелект у свою WMS для оптимізації роботи на складі. Система відстежувала дії працівників компанії та запам’ятовувала їх найуспішніші варіанти. На основі спостережень ШІ робив висновки та перетворював найкращі “побачені” приклади на рекомендації для інших співробітників. Таким чином ще на етапі експерименту ефективність складу підвищилася на 8%.

Досвід споживача. Існує дві дотичні точки між покупцем і транспортною компанією: коли клієнт платить онлайн-магазину та коли забирає покупку. Машинне навчання оптимізує другий пункт, оскільки може спрогнозувати час доставляння, беручи до уваги трафік, погодні умови та інші вирішальні фактори. Крім того, завдяки алгоритмам ML можна автоматизувати потік замовлень та передбачити, які товари матимуть попит й заздалегідь зберігати їх у центрах пакування.

  • Яскравим прикладом став небачений попит у 2017 році на простеньку механічну іграшку - спінер. І хоча через хайп популярність спінерів зросла у рази, але гострого дефіциту вдалося уникнути - і все завдяки прогнозам він штучного інтелекту. Згідно зі звітом DHL та IBM, алгоритм зміг точно передбачити неймовірний попит на спінери за динамікою пошукових запитів та переглядів вірусних відео.

Логістика та перевезення. Згідно з даними досліджень, на доставляння “останньої милі” припадає левова частка всіх витрат у логістичних ланцюжках - до 28%. Щоб уникнути зайвих витрат та незручностей для клієнтів, компанії почали активно впроваджувати машинне навчання для спрощення та прискорення транспортних процесів. ML дозволяє працівникам відстежувати місцеперебування вантажів під час їх транспортування, прогнозувати можливі затримки та обирати оптимальні маршрути завдяки аналізу трафіку та погодних умов.

  • Тут доречно буде згадати Valerann - ізраїльсько-британський стартап, який розробив розумну дорожню систему. Її сутність полягає в тому, що завдяки вбудованим датчикам алгоритми можуть відстежувати дорожній трафік та прогнозувати ситуацію на автомагістралях. 

Виробництво, пакування, сортування. Машинне навчання здатне розпізнавати проблеми з роботою конвеєра ще на ранніх етапах. За допомогою комп'ютерного зору здійснюється перевірка продукції на відповідність стандартам без потреби застосовувати ручний контроль якості. Завдяки автоматизованому розпізнаванню та аналізу пошкоджень чи дефектів ймовірність надіслати клієнту браковане відправлення знижується до мінімуму.

  • Ідеальним взірцем впровадження машинного навчання до логістичних ланцюжків можна назвати розробку IBM Watson Visual Recognition, яка дозволила автоматизувати перевірку пакування. Цей софт може розпізнавати різні типи товарів на полицях та одразу виявляти можливі дефекти без жодного втручання людини. Наразі технологія продовжує розвиватися й вже здатна аналізувати знімки МРТ на предмет будь-яких пошкоджень.

Що далі, або перспективи розвитку машинного навчання

Нещодавнє дослідження експертів з США та Канади (University of Pennsylvania, NYU Stern, Statistics Canada) засвідчило, що компанії, які впроваджують інновації на кшталт машинного навчання, стають конкурентнішими й швидше масштабуються. Завдяки цьому вони збільшують кількість робочих місць та залучають дедалі більше спеціалістів. Натомість бізнес, який уникає інновацій, приречений на стагнацію, втрату позицій на ринку та майбутнє банкрутство.

Тому впровадження до логістичних процесів штучного інтелекту взагалі, та машинного навчання зокрема - це не данина моді на технології, а виробнича необхідність. Тому не варто зволікати чи заощаджувати кошти, адже гроші, вкладені у майбутній розвиток - це не витрати, а інвестиції.

Як вам стаття?
Давайте обговоримо Ваш проєкт
Натискаючи кнопку “Відправити”, ви даєте згоду на обробку особистих даних. Детальніше
Коментарі
(0)
Будьте першими, хто залишить коментар
wezom logo
Залишились питання?
Залиште контактні дані. Наш менеджер зв'яжеться та проконсультує вас.
Підписуйтесь на розсилку Айтижблог
blog subscriber decor image
Бажаєте отримувати цікаві статті?
Натискаючи кнопку “Відправити”, ви даєте згоду на обробку особистих даних. Детальніше
Слідкуйте за нами у соціальних мережах
Цей сайт використовує cookie-файли для більш комфортної роботи користувача. Продовжуючи переглядати сайт, Ви погоджуєтеся на використання cookie.