AI siselogistikas: klientide kasu on otsustav – logistikaettevõtted

Helmut Prieschenk Witronist (pildil) ja Franziskos Kyriakopoulos, 7LYTIXi asutaja Austriast Linzist, on arutanud ChatGPT-d, logistika masinõpet ja toiduainete jaemüüjate nõudluse prognoosimist. Mõlemad nõustuvad – AI-tehnoloogia pakub laia valikut optimeerimisvõimalusi nii jaotuskeskuse kui ka kogu tarneahela protsesside optimeerimiseks. Kuid kõrge andmekvaliteet pole ainus oluline tegur. Andmemudelite puhul on võrdselt olulised inimeste kogemused ja tarbijate nõudmised.

"Ja siis olid kõik üleöö AI mõjutajad," naljatas Witroni tegevdirektor Prieschenk. Ta tahtis rääkida tööstuslikust tehisintellektist, nõudluse prognoosimisest ja natuke ka ChatGPT-st. Kyriakopoulos ja tema meeskond töötavad välja masinõppelahendusi jaemüügi- ja tööstussektori jaoks. Ta on füüsik, Prieschenk aga matemaatik. "See on ohtlik segu." Prieschenk hoiatas. “Loomulikult oleme Witronis juba tegelenud LLM-idega (Large Language Models). Siiski paluksin ma teatud rahulikkust. Nende kasutamisega maailma lõppu ei tule – ja me kontrollime pidevalt, kas sellised tööriistad sobivad mõistlikult aitama meie kliente või meie arendajaid konkreetsete kliendinõuete elluviimisel.

Kyriakopoulos nõustus, kuid kirjeldab juba rakendusi. „LLM-id oskavad hästi töödelda järjestusi – tellimusi, deebeteid, müüki või kliendisuhtlust. Seda saab kasutada ka siselogistikas. Seal on palju haibi, palju mõjutajaid, kes levitavad pooltõdesid. Witron on seda juba kogenud, ütleb Prieschenk. OPM-süsteemi konkurendid reklaamisid virnastamisalgoritmis tehisintellekti. "Kuid tulemused ei ületa meie Witroni OPM-i funktsioone. Neid ei välja töötatud tehisintellektiga, vaid suure inimliku intelligentsusega, mis põhinevad kindlal tarkvaraarendusel, intensiivsel suhtlusel kasutajatega ja aastatepikkusel praktilisel kogemusel. Peame alati suhtuma kainelt. Meie kliendid ei otsi põhimõtteliselt uut tööriista. Neil on probleem ja nad vajavad toimivat lahendust, mis optimeerib logistikaprotsessi jaotuskeskuses või tarneahelas, mis toimib stabiilselt praktilises kasutuses ja mida saab kasulikult integreerida kasvanud struktuuri.

Kuid kas see kainus ei hoia meid Saksamaal ja Euroopas tagasi? "Mul on kindlasti vaja ROI-d," rõhutab Prieschenk tungivalt. "LLM-i arendajate põlemismäär on 500 miljonit dollarit aastas ja nad vajavad veel mõnda miljardit," ütles Kyriakopoulos. "See oleks Saksamaal või Austrias mõeldamatu."

Kas me võtame liiga vähe riske? Prieschenk on skeptiline. "Ma ei usu. Kui ma vaatan näiteks Q-commerce’i investeeringuid, siis läheb mul pea ringi. Seal võtsid paljud investorid täieliku riski. Kuid turg on arenenud hoopis teises suunas. Ennustatud kasvumäärasid ei ilmnenud. Vahepeal toimub konsolideerumine. Investorid on edasi liikunud. Meie jaemüüjad tahavad tehisintellekti ja investeerivad tehnoloogiasse. Kuid meil ja meie klientidel on vaja tehisintellekti tööriistu, nagu näidiste või kujutiste tuvastamine, mis on läbipaistvad, et lahendada probleeme, mida me varem ei suutnud lahendada või mida saime lahendada ainult suure pingutusega.

7LYTIXi arendajad teevad koostööd LLM-idega, kuid keskendutakse nõudluse prognoosimisele. “Saame pakkuda lisaväärtusi, kuid osa ettevõtteid ei saa sageli alguses aru, milline saab olema mudeli lisaväärtus. Rohkem müüki läbi parema suhtluse kliendiga või müügi kadu? Paljud inimesed ei oska seda arvutada. See on koht, kus nad vajavad meie abi,“ ütles Kyriakopoulos. Prieschenk lisab: „Meie Witroni kliendid oskavad väga hästi arvutada ja on aastakümnete jooksul oma äri täiustanud. Kuid ma saan aru, mida härra Kyriakopoulous tähendab: Esiteks peame selgitama, mida optimeerida. Jaemüüjad küsivad endalt, kas nad soovivad tarneahela võrgustikku optimeerida ladu suurus, kas nad soovivad olla kliendile lähemal, kas vähendada läbilaskeaegu, muuta tarnetsükleid, vähendada toidu raiskamist ja laoseisu või hoida laos vähem laoseisu. Selles osas oleme koos oma klientidega erinevatest maailma paikadest palju õppinud. Samuti saime teada, et Soome riigipühade nõuded erinevad USA omadest või et esmaspäeval on teistsugused nõuded kui neljapäeval. Kyriakopoulos nõustub. "Me vajame kõigepealt nõuet ja seejärel vastavat tehisintellekti tööriista. Ja me ei vaja kõikehõlmavat sügavat õppimist.

Kui palju täpsust nõutakse?

Kuidas tema nõudluse prognoosimine töötab? „Esiteks peame saama andmetest ülevaate. See on paljude jaemüüjate jaoks vaevarikas töö. See ei puuduta ainult ladustatud kaupu, vaid ka seda, kui palju kaupu poes on, kui palju müüdi, millised mõjutegurid, nagu kampaaniad, on olemas, kui palju on poes müügikaotusi ja palju muud,“ selgitas Kyriakopoulos. Lisaks on kliendikaardid, hooajad, kaupluse asukoht või eripakkumised. “Ja me peame teadma, mis on jaotuskeskuses, poe tagaruumis, tee peal olevates veoautodes, sest optimeerimine ei lõpe poes. Samuti on oluline vältida ettevõtete- või osakondadeüleseid piiranguid ning andmejärvi. Suur osa nõutavatest andmetest on enamasti teada, kuid eri osakonnad tegelevad kahjuks erinevate huvidega. Prieschenk nõustus: „Isegi terviklik logistikakujundus ei peaks keskenduma ainult jaotuskeskusele või üksikute logistikavaldkondade põhihuvidele või protsessi mõjutavatele osakondadele, nagu ostmine või saatmine. Oluline on kaasata optimeerimisprotsessi kogu tarneahel – nii sisemiselt kui ka väliselt – ning vältida nii füüsiliselt kui ka IT-alaselt silohoidlaid nii palju kui võimalik.

"Andmed liiguvad väga lihtsatesse mudelitesse," jätkas Kyriakopoulos. “Lähteks on inimeste kogemused. See pole veel AI. Räägime regressioonidest. Seejärel küsime endalt, kas saime paremaks. Sellele järgnevad aegridade analüüsid ja esimesed masinõppemeetodid. Peame alati vaatama, kui palju täpsust suudame järgmise taseme kaudu saavutada, võrreldes sellega, kui suur on lisaväärtus kliendile ja kasutajale.

Ja Witron? "Peame veenduma, et mehaanika sobib mudeliga. Sest füüsika peab samamoodi toimima. Kas tarnime ümbriseid või tükke? Või üks toode mõlema võimalusega? Kui tihti poodi tarnitakse? Mis juhtub, kui tootevalik muutub?” vastas Prieschenk. WITRON logistikakeskused loovad paindlikkuse nii kauplusele kui ka e-kaubandusele. Eduka juurutamise võti on aga protsessi tagasimõtlemine kõigis kanalites – tarbijast jaotuskeskuseni ja vajadusel veelgi tagasi, kuni tarnijani. Ta näeb väljakutset eelkõige mudeli seletatavuses. “Kogeme koos klientidega push and pull süsteeme. Mõned töötavad paremini kui teised."

Kas kaupluste juhid lasevad AI-mudelil tulevikus oma tellimusi täpsustada? Kyriakopoulos teab moetööstuse argumente. “Kui keegi on seal ostlenud 20 aastat, siis on raske kohe seletada lisaväärtust või veenda tarbijat, et see mudel võiks parem olla. Aga teeme selle läbipaistvaks – ütleme, milliseid tegureid kasutame, kuidas neid kaalume ja kus vastav tegur kehtib.

Inimesel on kontroll

Austria eksperdid võivad vaadata 18 kuud tulevikku. Nad kasutavad liideseid mudeli ühendamiseks jaemüüja, terasetootja või jalatsimüüja olemasolevate süsteemidega. "Ma ei taha kõike lammutada, et AI mudelit kasutada," naeris Kyriakopoulos. "See on õige tee – integreerimine olemasolevatesse arhitektuuridesse," kinnitas Prieschenk.

Aga kui vastupidav on mudel? Märksõna: Covid 19. "Me ei näinud ka seda," selgitas Austria ekspert. “Töötasime mudeliga tol ajal külmutatud logistikas. Lühiajaline prognoos ei olnud alguses hea, kuid nädala pärast töötas mudel uuesti. Kahe nädala pärast oli see stabiilne. Kuid prognoosist üksi ei piisa. Klient peab sellega tööd tegema – näiteks tugevdama turunduskanaleid, korraldama kampaaniaid või vajadusel hindu korrigeerima.

"See on ülioluline," ütles Prieschenk. "See on siis, kui inimesed võtavad kontrolli üle. Ärge kunagi alahinnake logistikajuhi, teenindustehniku ​​või kaupluse operaatori kõhutunnet. Inimeste kogemused ja hästi toimiv andmemudel on aluseks intelligentsete – st pikas perspektiivis õigete otsuste tegemisel. Jaotuskeskuses kehtib see ka hooldusstrateegiate rakendamise või süsteemi „õige toimimise“ kohta. Ja mis kõige tähtsam, mudelid, tööriistad ja lahendused peavad olema stabiilsed ja end praktilises kasutuses tõestama, pakkudes igapäevases äris tõelist lisaväärtust.

Tehisintellekt annab teavet, vastutav isik otsustab ja jätkab protsessi üle kontrolli. „Tegime logistikakeskuses füüsikas revolutsiooni üle 20 aasta tagasi. OPM lahendusega on õnnestunud, et kaubad laotakse automaatselt alustele ja rullkonteineritele vigadeta ja poesõbralikult. Nüüd astume järgmise sammu ja valime andme- ja lõpp-logistika mudelid. Ja ma olen kindel, et ma kogen ikka veel otsast lõpuni Witroni AI mudelit laos,“ ennustas Prieschenk.