AI i Intralogistics: Kundefordel er afgørende - Logistikvirksomheder

Helmut Prieschenk fra Witron (billedet) og Franziskos Kyriakopoulos, grundlægger af 7LYTIX fra Linz, Østrig, har diskuteret ChatGPT, maskinlæring i logistik og efterspørgselsprognose for fødevareforhandlere. Begge er enige – AI-teknologi tilbyder en bred vifte af optimeringspotentiale til optimering af processer i distributionscentret såvel som hele forsyningskæden. Men høj datakvalitet er ikke den eneste afgørende faktor. Lige så vigtigt for datamodellerne er menneskers erfaringer og forbrugernes krav.

"Og så fra den ene dag til den anden var alle en AI-influencer," jokede Prieschenk, administrerende direktør for Witron. Han ville tale om industriel AI, efterspørgselsprognose og lidt om ChatGPT. Kyriakopoulos og hans team udvikler maskinlæringsløsninger til detail- og industrisektoren. Han er fysiker, mens Prieschenk er matematiker. "Det er en farlig blanding." Prieschenk advarede. "Selvfølgelig har vi allerede beskæftiget os med LLM'er (Large Language Models) hos Witron. Jeg vil dog bede om en vis sindsro. Verden vil ikke gå under gennem deres brug – og vi verificerer løbende, om sådanne værktøjer er egnede til med rimelighed at hjælpe vores kunder eller vores udviklere med implementering af konkrete kundekrav.”

Kyriakopoulos var enig, men skitserer allerede ansøgninger. "LLM'er er gode til at behandle sekvenser - ordrer, debiteringer, salg eller kundekommunikation. Det kan også bruges i intra-logistik. Der er en masse hype, mange influencers, der løber rundt og spreder halve sandheder.” Det har Witron allerede oplevet, siger Prieschenk. Konkurrenter til OPM-systemet reklamerede for kunstig intelligens i stablingsalgoritmen. "Men resultaterne kan ikke slå funktionaliteterne i vores Witron OPM. Disse blev ikke udviklet med AI, men med en stor mængde menneskelig intelligens, baseret på solid softwareudvikling, intensiv kommunikation med brugerne og mange års praktisk erfaring. Vi skal altid have en sober tilgang. Vores kunder leder som udgangspunkt ikke efter et nyt værktøj. De har et problem og har brug for en fungerende løsning, der optimerer logistikprocessen i distributionscentret eller i forsyningskæden, som fungerer stabilt i praktisk brug og med fordel kan integreres i en voksende struktur.”

Men holder denne ædruelighed os ikke tilbage i Tyskland og Europa? "Jeg har bestemt brug for et ROI", understreger Prieschenk kraftigt. "LLM-udviklere har en forbrændingshastighed på $500 millioner om året og har brug for yderligere et par milliarder," sagde Kyriakopoulos. "Det ville være utænkeligt i Tyskland eller i Østrig."

Tager vi for få risici? Prieschenk er skeptisk. "Det tror jeg ikke. Når jeg for eksempel ser på investeringerne i Q-commerce, bliver jeg svimmel. Det var her, mange investorer tog den fulde risiko. Men markedet har udviklet sig i en helt anden retning. Forudsagte vækstrater viste sig ikke. I mellemtiden er der konsolidering i gang. Investorerne er gået videre. Vores forhandlere vil have kunstig intelligens og investerer i teknologien. Men vi og vores kunder har brug for AI-værktøjer, såsom prøve- eller billedidentifikation, der er gennemsigtige for derefter at løse problemer, som vi ikke kunne løse før eller kun kunne løse med en stor indsats.”

7LYTIX-udviklerne arbejder med LLM'er, men fokus er på efterspørgselsprognose. ”Vi kan give merværdier, men nogle virksomheder forstår ofte ikke i begyndelsen, hvad merværdien af ​​modellen vil være. Mere salg gennem bedre kommunikation med kunden eller tabt salg? Mange mennesker kan ikke beregne det. Det er der, de har brug for hjælp fra os”, sagde Kyriakopoulos. Prieschenk tilføjer: "Vores Witron-kunder kan udmærket beregne og har perfektioneret deres forretning gennem årtier. Men jeg forstår, hvad hr. Kyriakopoulous mener: Først skal vi afklare, hvad der skal optimeres. Detailhandlerne spørger sig selv, om de ønsker at optimere forsyningskædenetværket lager størrelse, om de ønsker at være tættere på kunden, om de skal reducere gennemløbstider, ændre leveringscyklusser, reducere madspild og lagerudgang eller have mindre lager på lageret. I den henseende har vi lært meget sammen med vores kunder fra forskellige dele af verden. Vi lærte også, at kravene til helligdage i Finland er forskellige fra dem i USA, eller at en mandag har andre krav end en torsdag." Kyriakopoulos er enig. "Vi skal først have et krav og derefter et tilsvarende AI-værktøj. Og vi har ikke brug for dyb læring hele vejen rundt."

Hvor meget nøjagtighed kræves der?

Hvordan fungerer hans efterspørgselsprognose? ”Først skal vi have et overblik over dataene. Dette er besværligt arbejde for mange forhandlere. Det handler ikke kun om lagrede varer, men også om mængden af ​​varer i butikken, hvor meget der blev solgt, hvilke påvirkningsfaktorer som kampagner der findes, hvor mange tabte salg der er i butikken og meget mere”, forklarede Kyriakopoulos. Derudover er der kundekort, sæsoner, butikkens beliggenhed eller særlige tilbud. ”Og vi skal vide, hvad der er i distributionscentret, i baglokalet i butikken, i lastbilerne på vejen, for optimering ender ikke i butikken. Det er også vigtigt at undgå begrænsninger på tværs af virksomheder eller på tværs af divisioner samt datasøer. En stor del af de nødvendige data er for det meste kendte, men forskellige afdelinger forfølger desværre forskellige interesser.” Prieschenk var enig: “Selv holistisk logistikdesign bør ikke kun fokusere på distributionscentret eller nøgleinteresserne i individuelle logistikområder eller procespåvirkende afdelinger som indkøb eller forsendelse. Det er vigtigt at inddrage hele forsyningskæden i optimeringsprocessen – både internt og eksternt – og så vidt muligt undgå siloer, både fysisk og IT-mæssigt.”

"Dataene flyder ind i meget simple modeller", fortsatte Kyriakopoulos. ”Basislinjen er folks oplevelser. Det er ikke AI endnu. Vi taler om regressioner. Så spørger vi os selv, om vi blev bedre. Dette efterfølges af tidsserieanalyser og første maskinlæringsmetoder. Vi er altid nødt til at se på, hvor meget nøjagtighed vi kan opnå gennem det næste niveau kontra, hvor meget merværdien er for kunden og brugeren.”

Og Witron? ”Vi skal sikre os, at mekanikken passer til modellen. For fysikken skal fungere på samme måde. Leverer vi sager eller stykker? Eller én vare med begge muligheder? Hvor ofte bliver en butik leveret? Hvad sker der, når produktsortimentet ændrer sig?” svarede Prieschenk. WITRON logistikcentre skaber fleksibilitet for både butik og e-handel. Nøglen til succesfuld implementering er dog at tænke processen baglæns gennem alle kanaler – fra forbrugeren til distributionscentret og om nødvendigt endnu længere tilbage, hele vejen til leverandøren. Han ser især en udfordring i modellens forklarlighed. ”Vi oplever push and pull-systemer hos vores kunder. Nogle fungerer bedre end andre."

Vil butikschefer lade en AI-model specificere deres ordrer i fremtiden? Kyriakopoulos kender argumentet fra modebranchen. ”Hvis nogen har handlet der i 20 år, så er det svært umiddelbart at forklare merværdien eller at overbevise forbrugeren om, at denne model måske er bedre. Men vi gør det gennemskueligt – vi siger, hvilke faktorer vi bruger, hvordan vi vægter dem, og hvor den respektive faktor gælder.”

Mennesket har kontrollen

Eksperterne fra Østrig kan se 18 måneder ud i fremtiden. De bruger grænseflader til at forbinde modellen med de eksisterende systemer hos forhandleren, stålproducenten eller skoforhandleren. "Jeg vil ikke rive alt ned for at bruge en AI-model", grinede Kyriakopoulos. "Dette er den rigtige måde - integrationen i eksisterende arkitekturer", bekræftede Prieschenk.

Men hvor robust er modellen? Nøgleord: Covid 19. "Det var vi heller ikke i stand til at se," forklarede den østrigske ekspert. ”Vi arbejdede med modellen i frossenlogistik på det tidspunkt. Den kortsigtede prognose var ikke god i begyndelsen, men efter en uge virkede modellen igen. Efter to uger var det stabilt. Men prognosen alene er ikke nok. Kunden skal arbejde med det – for eksempel styrke markedsføringskanaler, køre kampagner eller justere priser, hvis det er nødvendigt.”

"Det er afgørende," sagde Prieschenk. »Det er her, folk overtager kontrollen. Undervurder aldrig mavefornemmelsen hos en logistikchef, servicetekniker eller butiksoperatør. Folks erfaringer og en velfungerende datamodel er grundlaget for at træffe intelligente – altså rigtige beslutninger på lang sigt. I distributionscentret gælder det også implementering af vedligeholdelsesstrategier eller 'korrekt drift' af systemet. Og vigtigere er det, at modellerne, værktøjerne og løsningerne skal være stabile og bevise sig i praktisk brug og levere reelle merværdier i den daglige forretning."

AI giver information, den ansvarlige bestemmer og har fortsat kontrol over processen. ”Vi revolutionerede fysikken i logistikcentret for over 20 år siden. Med OPM-løsningen har vi formået, at varer automatisk stables på paller og rullecontainere fejlfrit og på en butiksvenlig måde. Nu tager vi det næste skridt og vælger data og end-to-end logistikmodeller. Og jeg er sikker på, at jeg stadig vil opleve en end-to-end Witron AI-model til lageret,” forudsagde Prieschenk.