AI στην Intralogistics: Το όφελος από τον πελάτη είναι καθοριστικό – Επιχειρήσεις Logistics

Ο Helmut Prieschenk από τη Witron (φωτογραφία) και ο Φραντζίσκος Κυριακόπουλος, ιδρυτής της 7LYTIX από το Linz της Αυστρίας, έχουν συζητήσει το ChatGPT, τη μηχανική μάθηση στα logistics και την πρόβλεψη ζήτησης για τους λιανοπωλητές τροφίμων. Και οι δύο συμφωνούν – η τεχνολογία AI προσφέρει ένα ευρύ φάσμα δυνατοτήτων βελτιστοποίησης για τη βελτιστοποίηση των διαδικασιών στο κέντρο διανομής καθώς και σε ολόκληρη την αλυσίδα εφοδιασμού. Αλλά η υψηλή ποιότητα δεδομένων δεν είναι ο μόνος κρίσιμος παράγοντας. Εξίσου σημαντικές για τα μοντέλα δεδομένων είναι οι εμπειρίες των ανθρώπων και οι απαιτήσεις των καταναλωτών.

«Και μετά από μια νύχτα, όλοι ήταν άνθρωποι που επηρεάζουν την τεχνητή νοημοσύνη», αστειεύτηκε ο Prieschenk, Διευθύνων Σύμβουλος της Witron. Ήθελε να μιλήσει για τη βιομηχανική τεχνητή νοημοσύνη, την πρόβλεψη ζήτησης και λίγο για το ChatGPT. Ο Κυριακόπουλος και η ομάδα του αναπτύσσουν λύσεις μηχανικής μάθησης για τον κλάδο λιανικής και βιομηχανίας. Είναι φυσικός, ενώ ο Prieschenk είναι μαθηματικός. «Αυτό είναι ένα επικίνδυνο μείγμα». προειδοποίησε ο Prieschenk. «Φυσικά, έχουμε ήδη ασχοληθεί με LLMs (Large Language Models) στη Witron. Ωστόσο, θα ζητούσα μια γαλήνη. Ο κόσμος δεν θα τελειώσει με τη χρήση τους – και επαληθεύουμε συνεχώς αν τέτοια εργαλεία είναι κατάλληλα για να βοηθήσουν εύλογα τους πελάτες μας ή τους προγραμματιστές μας με την εφαρμογή συγκεκριμένων απαιτήσεων πελατών».

Ο Κυριακόπουλος συμφώνησε, αλλά ήδη σκιαγραφεί τις αιτήσεις. «Τα LLM είναι καλά στην επεξεργασία αλληλουχιών – παραγγελιών, χρεώσεων, πωλήσεων ή επικοινωνιών πελατών. Αυτό μπορεί να χρησιμοποιηθεί και στην ενδο-logistics. Υπάρχει πολλή διαφημιστική εκστρατεία, πολλοί επιρροές που τρέχουν διαδίδοντας μισές αλήθειες». Ο Witron το έχει ήδη βιώσει αυτό, λέει ο Prieschenk. Οι ανταγωνιστές του συστήματος OPM διαφήμιζαν την τεχνητή νοημοσύνη στον αλγόριθμο στοίβαξης. «Αλλά τα αποτελέσματα δεν μπορούν να ξεπεράσουν τις λειτουργίες του Witron OPM μας. Αυτά δεν αναπτύχθηκαν με τεχνητή νοημοσύνη, αλλά με μεγάλη ανθρώπινη νοημοσύνη, βασισμένη σε σταθερή ανάπτυξη λογισμικού, εντατική επικοινωνία με τους χρήστες και χρόνια πρακτικής εμπειρίας. Πρέπει πάντα να ακολουθούμε μια νηφάλια προσέγγιση. Οι πελάτες μας βασικά δεν αναζητούν ένα νέο εργαλείο. Έχουν ένα πρόβλημα και χρειάζονται μια λειτουργική λύση που βελτιστοποιεί τη διαδικασία logistics στο κέντρο διανομής ή στην αλυσίδα εφοδιασμού, που λειτουργεί σταθερά στην πρακτική χρήση και μπορεί να ενσωματωθεί χρήσιμα σε μια αναπτυγμένη δομή».

Αλλά αυτή η νηφαλιότητα δεν μας κρατάει πίσω στη Γερμανία και την Ευρώπη; «Σίγουρα χρειάζομαι ένα ROI», τονίζει έντονα ο Prieschenk. «Οι προγραμματιστές LLM έχουν ρυθμό καύσης 500 εκατομμυρίων δολαρίων ετησίως και χρειάζονται άλλα μερικά δισεκατομμύρια», είπε ο Κυριακόπουλος. «Αυτό θα ήταν αδιανόητο στη Γερμανία ή στην Αυστρία».

Παίρνουμε πολύ λίγα ρίσκα; Ο Prieschenk είναι δύσπιστος. «Δεν νομίζω. Όταν κοιτάζω τις επενδύσεις στο Q-commerce, για παράδειγμα, με πιάνει ίλιγγος. Εκεί είναι που πολλοί επενδυτές πήραν ένα πλήρες ρίσκο. Όμως η αγορά έχει εξελιχθεί σε εντελώς διαφορετική κατεύθυνση. Οι προβλεπόμενοι ρυθμοί ανάπτυξης απέτυχαν να εμφανιστούν. Στο μεταξύ γίνεται εξυγίανση. Οι επενδυτές έχουν προχωρήσει. Οι λιανοπωλητές μας θέλουν AI και επενδύουν στην τεχνολογία. Αλλά εμείς και οι πελάτες μας χρειαζόμαστε εργαλεία τεχνητής νοημοσύνης, όπως αναγνώριση δείγματος ή εικόνας, τα οποία είναι διαφανή για να λύσουμε στη συνέχεια προβλήματα που δεν μπορούσαμε να λύσουμε πριν ή μπορούσαμε να λύσουμε μόνο με πολλή προσπάθεια».

Οι προγραμματιστές 7LYTIX συνεργάζονται με LLM, αλλά η εστίαση είναι στην πρόβλεψη ζήτησης. «Μπορούμε να προσφέρουμε προστιθέμενες αξίες, αλλά ορισμένες εταιρείες συχνά δεν καταλαβαίνουν στην αρχή ποια θα είναι η προστιθέμενη αξία του μοντέλου. Περισσότερες πωλήσεις μέσω καλύτερης επικοινωνίας με τον πελάτη ή χαμένες πωλήσεις; Πολλοί δεν μπορούν να το υπολογίσουν αυτό. Εκεί χρειάζονται βοήθεια από εμάς», δήλωσε ο Κυριακόπουλος. Ο Prieschenk προσθέτει: «Οι πελάτες μας της Witron μπορούν να υπολογίζουν πολύ καλά και έχουν τελειοποιήσει την επιχείρησή τους εδώ και δεκαετίες. Καταλαβαίνω όμως τι εννοεί ο κ. Κυριακοπούλου: Πρώτα, πρέπει να ξεκαθαρίσουμε τι πρόκειται να βελτιστοποιηθεί. Οι έμποροι λιανικής αναρωτιούνται εάν θέλουν να βελτιστοποιήσουν το δίκτυο της εφοδιαστικής αλυσίδας αποθήκη μέγεθος, είτε θέλουν να είναι πιο κοντά στον πελάτη, είτε για να μειώσουν τους χρόνους διεκπεραίωσης, είτε να αλλάξουν τους κύκλους παράδοσης, να μειώσουν τη σπατάλη τροφίμων και να εξαντλήσουν τα αποθέματα ή να έχουν λιγότερο απόθεμα στην αποθήκη. Από αυτή την άποψη, μάθαμε πολλά μαζί με τους πελάτες μας από διάφορα μέρη του κόσμου. Μάθαμε επίσης ότι οι απαιτήσεις για τις επίσημες αργίες στη Φινλανδία είναι διαφορετικές από αυτές στις ΗΠΑ ή ότι η Δευτέρα έχει διαφορετικές απαιτήσεις από την Πέμπτη». Ο Κυριακόπουλος συμφωνεί. «Χρειαζόμαστε πρώτα μια απαίτηση και μετά ένα αντίστοιχο εργαλείο AI. Και δεν χρειαζόμαστε βαθιά μάθηση παντού».

Πόση ακρίβεια απαιτείται;

Πώς λειτουργεί η πρόβλεψη της ζήτησης του; «Πρώτον, πρέπει να αποκτήσουμε μια επισκόπηση των δεδομένων. Αυτό είναι επίπονη δουλειά για πολλούς λιανοπωλητές. Δεν έχει να κάνει μόνο με τα αποθηκευμένα αγαθά, αλλά και με την ποσότητα των εμπορευμάτων στο κατάστημα, το πόσο πουλήθηκε, ποιοι παράγοντες επηρεάζουν όπως οι προσφορές υπάρχουν, πόσες χαμένες πωλήσεις υπάρχουν στο κατάστημα και πολλά άλλα», εξήγησε ο Κυριακόπουλος. Επιπλέον, υπάρχουν κάρτες πελατών, εποχές, τοποθεσία του καταστήματος ή ειδικές προσφορές. «Και πρέπει να ξέρουμε τι υπάρχει στο κέντρο διανομής, στο πίσω δωμάτιο του καταστήματος, στα φορτηγά στο δρόμο, γιατί η βελτιστοποίηση δεν τελειώνει στο κατάστημα. Είναι επίσης σημαντικό να αποφευχθούν περιορισμοί μεταξύ εταιρειών ή διτμηματικών περιορισμών καθώς και λίμνες δεδομένων. Ένα μεγάλο μέρος των απαιτούμενων δεδομένων είναι ως επί το πλείστον γνωστά, αλλά διαφορετικά τμήματα δυστυχώς επιδιώκουν διαφορετικά ενδιαφέροντα.» Ο Prieschenk συμφώνησε: «Ακόμα και ο ολιστικός σχεδιασμός logistics δεν θα πρέπει να επικεντρώνεται μόνο στο κέντρο διανομής ή στα βασικά ενδιαφέροντα μεμονωμένων περιοχών logistics ή σε τμήματα που επηρεάζουν τη διαδικασία, όπως οι αγορές ή η αποστολή. Είναι σημαντικό να συμπεριλάβουμε ολόκληρη την αλυσίδα εφοδιασμού στη διαδικασία βελτιστοποίησης – τόσο εσωτερικά όσο και εξωτερικά – και να αποφύγουμε όσο το δυνατόν περισσότερο τα σιλό, τόσο φυσικά όσο και από πλευράς πληροφορικής.»

«Τα δεδομένα ρέουν σε πολύ απλά μοντέλα», συνέχισε ο Κυριακόπουλος. «Η βάση είναι οι εμπειρίες των ανθρώπων. Αυτό δεν είναι ακόμα AI. Μιλάμε για παλινδρομήσεις. Τότε αναρωτιόμαστε αν γίναμε καλύτεροι. Ακολουθούν αναλύσεις χρονοσειρών και πρώτες μέθοδοι μηχανικής μάθησης. Πρέπει πάντα να εξετάζουμε πόση ακρίβεια μπορούμε να επιτύχουμε μέσω του επόμενου επιπέδου σε σχέση με το πόση είναι η προστιθέμενη αξία για τον πελάτη και τον χρήστη.»

Και ο Γουίτρον; «Πρέπει να βεβαιωθούμε ότι οι μηχανικοί ταιριάζουν στο μοντέλο. Γιατί η φυσική πρέπει να λειτουργεί με τον ίδιο τρόπο. Προμηθεύουμε θήκες ή κομμάτια; Ή ένα στοιχείο και με τις δύο επιλογές; Πόσο συχνά παραδίδεται ένα κατάστημα; Τι συμβαίνει όταν αλλάζει η γκάμα προϊόντων;» απάντησε ο Πρίσσενκ. WITRON Τα κέντρα logistics δημιουργούν ευελιξία τόσο για το κατάστημα όσο και για το ηλεκτρονικό εμπόριο. Το κλειδί για την επιτυχή εφαρμογή, ωστόσο, είναι να σκεφτείτε τη διαδικασία προς τα πίσω σε όλα τα κανάλια – από τον καταναλωτή έως το κέντρο διανομής και, εάν είναι απαραίτητο, ακόμη πιο πίσω, μέχρι τον προμηθευτή. Βλέπει μια πρόκληση ειδικά στην επεξήγηση του μοντέλου. «Βιώνουμε συστήματα push and pull με τους πελάτες μας. Κάποιοι λειτουργούν καλύτερα από άλλους».

Θα επιτρέψουν οι διαχειριστές καταστημάτων σε ένα μοντέλο AI να καθορίσει τις παραγγελίες τους στο μέλλον; Ο Κυριακόπουλος γνωρίζει το επιχείρημα από τη βιομηχανία της μόδας. «Εάν κάποιος ψωνίζει εκεί για 20 χρόνια, τότε είναι δύσκολο να εξηγήσει αμέσως την προστιθέμενη αξία ή να πείσει τον καταναλωτή ότι αυτό το μοντέλο μπορεί να είναι καλύτερο. Αλλά το κάνουμε διαφανές – λέμε ποιους παράγοντες χρησιμοποιούμε, πώς τους ζυγίζουμε και πού ισχύει ο αντίστοιχος παράγοντας».

Ο άνθρωπος έχει τον έλεγχο

Οι ειδικοί από την Αυστρία μπορούν να κοιτάξουν 18 μήνες στο μέλλον. Χρησιμοποιούν διεπαφές για να συνδέσουν το μοντέλο με τα υπάρχοντα συστήματα του λιανοπωλητή, του κατασκευαστή χάλυβα ή του λιανοπωλητή παπουτσιών. «Δεν θέλω να τα γκρεμίσω όλα για να χρησιμοποιήσω ένα μοντέλο AI», γέλασε ο Κυριακόπουλος. «Αυτός είναι ο σωστός τρόπος – η ενσωμάτωση σε υπάρχουσες αρχιτεκτονικές», επιβεβαίωσε ο Prieschenk.

Πόσο στιβαρό είναι όμως το μοντέλο; Λέξη-κλειδί: Covid 19. «Ούτε αυτό μπορέσαμε να το δούμε», εξήγησε ο Αυστριακός ειδικός. «Δουλεύαμε με το μοντέλο στο frozen logistics εκείνη την εποχή. Η βραχυπρόθεσμη πρόβλεψη δεν ήταν καλή στην αρχή, αλλά μετά από μία εβδομάδα, το μοντέλο λειτούργησε ξανά. Μετά από δύο εβδομάδες, ήταν σταθερό. Όμως η πρόβλεψη από μόνη της δεν αρκεί. Ο πελάτης πρέπει να συνεργαστεί μαζί του – για παράδειγμα να ενισχύσει τα κανάλια μάρκετινγκ, να εκτελέσει προωθήσεις ή να προσαρμόσει τις τιμές, εάν είναι απαραίτητο.»

«Αυτό είναι κρίσιμο», είπε ο Prieschenk. «Είναι όταν οι άνθρωποι αναλαμβάνουν τον έλεγχο. Ποτέ μην υποτιμάτε την αίσθηση ενός διαχειριστή logistics, τεχνικού σέρβις ή χειριστή καταστήματος. Οι εμπειρίες των ανθρώπων και ένα μοντέλο δεδομένων που λειτουργεί σωστά είναι η βάση για τη λήψη έξυπνων – δηλαδή σωστών αποφάσεων μακροπρόθεσμα. Στο κέντρο διανομής, αυτό ισχύει και για την εφαρμογή στρατηγικών συντήρησης ή τη «σωστή λειτουργία» του συστήματος. Και το πιο σημαντικό, τα μοντέλα, τα εργαλεία και οι λύσεις πρέπει να είναι σταθερά και να αποδεικνύονται στην πρακτική χρήση, προσφέροντας πραγματικές προστιθέμενες αξίες στην καθημερινή επιχείρηση».

Το AI παρέχει πληροφορίες, ο υπεύθυνος αποφασίζει και συνεχίζει να έχει τον έλεγχο της διαδικασίας. «Ξεφέραμε επανάσταση στη φυσική στο κέντρο logistics πριν από περισσότερα από 20 χρόνια. Με τη λύση OPM, καταφέραμε να στοιβάζονται αυτόματα τα εμπορεύματα σε παλέτες και δοχεία σε ρολό χωρίς σφάλματα και με τρόπο φιλικό προς το κατάστημα. Τώρα κάνουμε το επόμενο βήμα και επιλέγουμε δεδομένα και μοντέλα logistics end-to-end. Και είμαι σίγουρος ότι θα εξακολουθώ να έχω ένα ολοκληρωμένο μοντέλο Witron AI για την αποθήκη», προέβλεψε ο Prieschenk.