هوش مصنوعی در Intralogistics: سود مشتری تعیین کننده است - مشاغل لجستیک

Helmut Prieschenk از Witron (تصویر) و Franziskos Kyriakopoulos، بنیانگذار 7LYTIX از Linz، اتریش، در مورد ChatGPT، یادگیری ماشین در تدارکات، و پیش بینی تقاضا برای خرده فروشان مواد غذایی بحث کرده اند. هر دو موافق هستند - فناوری هوش مصنوعی طیف گسترده ای از پتانسیل بهینه سازی را برای بهینه سازی فرآیندها در مرکز توزیع و همچنین کل زنجیره تامین ارائه می دهد. اما کیفیت بالای داده تنها عامل مهم نیست. به همان اندازه برای مدل های داده، تجربیات افراد و نیازهای مصرف کنندگان مهم است.

Prieschenk، مدیر عامل Witron به شوخی گفت: «و پس از آن یک شبه همه یک تأثیرگذار هوش مصنوعی بودند. او می خواست در مورد هوش مصنوعی صنعتی، پیش بینی تقاضا و کمی در مورد ChatGPT صحبت کند. کیریاکوپولوس و تیمش راه حل های یادگیری ماشینی را برای بخش خرده فروشی و صنعت توسعه می دهند. او فیزیکدان است، در حالی که پریشنک یک ریاضیدان است. "این یک مخلوط خطرناک است." پریشنک هشدار داد. البته، ما قبلاً در ویترون با LLMs (مدل های زبان بزرگ) سروکار داشته ایم. با این حال، من برای آرامش خاصی درخواست می کنم. جهان با استفاده از آنها به پایان نخواهد رسید - و ما به طور مداوم در حال بررسی این هستیم که آیا چنین ابزارهایی برای کمک معقول به مشتریان یا توسعه دهندگان خود در اجرای الزامات مشتری خاص مناسب هستند یا خیر.

کیریاکوپولوس موافقت کرد، اما از قبل برنامه های کاربردی را تشریح کرده است. LLM ها در پردازش توالی ها - سفارش ها، بدهی ها، فروش ها یا ارتباطات مشتری خوب هستند. که می تواند در داخل لجستیک نیز استفاده شود. هیاهوی زیادی وجود دارد، افراد تأثیرگذار زیادی در حال دویدن هستند و حقایق نیمه را منتشر می کنند." پریشنک می گوید که ویترون قبلاً این را تجربه کرده است. رقبای سیستم OPM هوش مصنوعی را در الگوریتم انباشتگی تبلیغ می کردند. "اما نتایج نمی تواند عملکردهای Witron OPM ما را شکست دهد. اینها نه با هوش مصنوعی، بلکه با مقدار زیادی هوش انسانی، مبتنی بر توسعه نرم‌افزار قوی، ارتباط فشرده با کاربران و سال‌ها تجربه عملی ساخته شده‌اند. ما همیشه باید یک رویکرد هوشیارانه داشته باشیم. مشتریان ما اساساً به دنبال ابزار جدیدی نیستند. آنها مشکل دارند و به یک راه حل کاری نیاز دارند که فرآیند لجستیک را در مرکز توزیع یا زنجیره تامین بهینه کند، در استفاده عملی پایدار عمل کند و بتواند به طور مفید در یک ساختار رشد یافته ادغام شود.

اما آیا این هوشیاری ما را در آلمان و اروپا باز نمی دارد؟ پریشنک به شدت تاکید می کند: "من مطمئناً به ROI نیاز دارم". کیریاکوپولوس گفت: توسعه دهندگان LLM سالانه 500 میلیون دلار سوخت دارند و به چند میلیارد دیگر نیاز دارند. این در آلمان یا اتریش غیرقابل تصور است.»

آیا ما خیلی کم ریسک می کنیم؟ پریشنک بدبین است. "من اینطور فکر نمی کنم. به عنوان مثال، وقتی به سرمایه گذاری در تجارت Q نگاه می کنم، سرگیجه می گیرم. اینجاست که بسیاری از سرمایه گذاران ریسک کامل را پذیرفتند. اما بازار به سمت و سویی کاملا متفاوت توسعه یافته است. نرخ های رشد پیش بینی شده ظاهر نشدند. در این میان، تجمیع در حال انجام است. سرمایه گذاران حرکت کرده اند. خرده فروشان ما هوش مصنوعی می خواهند و روی این فناوری سرمایه گذاری می کنند. اما ما و مشتریانمان به ابزارهای هوش مصنوعی مانند شناسایی نمونه یا تصویر نیاز داریم که شفاف باشد تا مشکلاتی را که قبلاً نمی‌توانستیم حل کنیم یا فقط با تلاش زیاد می‌توانستیم حل کنیم، حل کنیم.»

توسعه دهندگان 7LYTIX با LLM کار می کنند، اما تمرکز بر پیش بینی تقاضا است. ما می‌توانیم ارزش‌های افزوده ارائه کنیم، اما برخی از شرکت‌ها اغلب در ابتدا نمی‌دانند ارزش افزوده مدل چقدر خواهد بود. فروش بیشتر از طریق ارتباط بهتر با مشتری یا از دست دادن فروش؟ بسیاری از مردم نمی توانند آن را محاسبه کنند. اینجاست که آنها به کمک ما نیاز دارند.» Prieschenk می افزاید: «مشتریان ما Witron می توانند به خوبی محاسبه کنند و کسب و کار خود را در طول چندین دهه به کمال رسانده اند. اما منظور آقای کیریاکوپولوس را می‌فهمم: ابتدا باید روشن کنیم که چه چیزی قرار است بهینه شود. خرده فروشان از خود می پرسند که آیا می خواهند شبکه زنجیره تامین را بهینه کنند انبار اندازه، چه بخواهند به مشتری نزدیک‌تر باشند، چه زمان‌های توان را کاهش دهند، چرخه‌های تحویل را تغییر دهند، ضایعات مواد غذایی را کاهش دهند و انبارها را کاهش دهند، یا ذخیره کمتری در انبار داشته باشند. در این راستا، ما همراه با مشتریان خود از نقاط مختلف جهان چیزهای زیادی یاد گرفته ایم. ما همچنین متوجه شدیم که الزامات تعطیلات بانکی در فنلاند با شرایط ایالات متحده متفاوت است، یا اینکه روز دوشنبه شرایط متفاوتی با پنج شنبه دارد. کیریاکوپولوس موافق است. ما ابتدا به یک نیاز و سپس یک ابزار هوش مصنوعی مربوطه نیاز داریم. و ما به یادگیری عمیق همه جانبه نیاز نداریم."

چقدر دقت لازم است؟

پیش بینی تقاضای او چگونه کار می کند؟ "اول، ما باید یک نمای کلی از داده ها به دست آوریم. این کار برای بسیاری از خرده فروشان سخت است. این فقط در مورد کالاهای ذخیره شده نیست، بلکه به میزان کالاهای موجود در فروشگاه، میزان فروخته شده، عوامل تأثیرگذار مانند تبلیغات، تعداد فروش های از دست رفته در فروشگاه و موارد دیگر نیز مربوط می شود. علاوه بر این، کارت های مشتری، فصل ها، محل فروشگاه یا پیشنهادات ویژه وجود دارد. و ما باید بدانیم که در مرکز توزیع، در اتاق پشتی فروشگاه، در کامیون‌های سر راه چه چیزی وجود دارد، زیرا بهینه‌سازی به فروشگاه ختم نمی‌شود. همچنین مهم است که از محدودیت های بین شرکتی یا بین بخشی و همچنین دریاچه های داده خودداری کنید. بخش عمده ای از داده های مورد نیاز عمدتاً شناخته شده است، اما بخش های مختلف متأسفانه علایق متفاوتی را دنبال می کنند. پریشنک موافقت کرد: «حتی طراحی لجستیک کل نگر نباید تنها بر مرکز توزیع یا علایق کلیدی مناطق تدارکاتی فردی یا بخش‌های تأثیرگذار بر فرآیند مانند خرید یا حمل و نقل تمرکز کند. مهم است که کل زنجیره تامین را در فرآیند بهینه‌سازی - چه در داخل و چه در خارج - بگنجانیم و تا حد امکان از سیلوها، چه از نظر فیزیکی و چه از نظر فناوری اطلاعات، اجتناب کنیم.

کیریاکوپولوس ادامه داد: "داده ها به مدل های بسیار ساده تبدیل می شوند." «خط پایه تجربیات مردم است. این هنوز هوش مصنوعی نیست. ما در مورد رگرسیون صحبت می کنیم. سپس از خود می پرسیم که آیا بهتر شدیم؟ این با تجزیه و تحلیل سری های زمانی و اولین روش های یادگیری ماشین دنبال می شود. ما همیشه باید ببینیم که چقدر دقت می‌توانیم از طریق سطح بعدی در مقابل ارزش افزوده برای مشتری و کاربر به دست آوریم.»

و ویترون؟ ما باید مطمئن شویم که مکانیک ها با مدل مطابقت دارند. چون فیزیک باید به همین صورت عمل کند. آیا ما کیس یا قطعه را عرضه می کنیم؟ یا یک مورد با هر دو گزینه؟ چند بار یک فروشگاه تحویل داده می شود؟ وقتی محدوده محصول تغییر می کند چه اتفاقی می افتد؟ پریشنک پاسخ داد. WITRON مراکز لجستیک برای فروشگاه و تجارت الکترونیک انعطاف پذیری ایجاد می کنند. با این حال، کلید اجرای موفقیت آمیز این است که فرآیند را در تمام کانال ها به عقب بیندیشیم - از مصرف کننده تا مرکز توزیع و در صورت لزوم، حتی دورتر، تا تامین کننده. او چالشی را به ویژه در توضیح پذیری مدل می بیند. ما سیستم‌های فشار و کشش را با مشتریان خود تجربه می‌کنیم. برخی بهتر از دیگران کار می کنند.»

آیا مدیران فروشگاه به یک مدل هوش مصنوعی اجازه خواهند داد تا سفارشات خود را در آینده مشخص کند؟ کیریاکوپولوس این بحث را از صنعت مد می داند. «اگر شخصی 20 سال است که از آنجا خرید می کند، توضیح فوری ارزش افزوده یا متقاعد کردن مصرف کننده که این مدل ممکن است بهتر باشد دشوار است. اما ما آن را شفاف می کنیم - می گوییم از چه عواملی استفاده می کنیم، چگونه آنها را وزن می کنیم و فاکتور مربوطه در کجا اعمال می شود.

انسان کنترل دارد

کارشناسان اتریشی می توانند 18 ماه آینده را ببینند. آنها از واسط ها برای اتصال مدل به سیستم های موجود خرده فروش، سازنده فولاد یا خرده فروش کفش استفاده می کنند. کیریاکوپولوس خندید: «من نمی‌خواهم همه چیز را برای استفاده از یک مدل هوش مصنوعی خراب کنم». پریشنک تأیید کرد: "این راه درست است - ادغام در معماری های موجود".

اما این مدل چقدر قوی است؟ کلمه کلیدی: کووید 19. کارشناس اتریشی توضیح داد: «ما هم نتوانستیم آن را ببینیم. ما در آن زمان با این مدل در لجستیک منجمد کار می کردیم. پیش‌بینی کوتاه‌مدت در ابتدا خوب نبود، اما پس از یک هفته، این مدل دوباره کار کرد. بعد از دو هفته ثابت شد. اما پیش بینی به تنهایی کافی نیست. مشتری باید با آن کار کند - به عنوان مثال کانال های بازاریابی را تقویت کند، تبلیغات را اجرا کند یا در صورت لزوم قیمت ها را تعدیل کند.

پریشنک گفت: «این بسیار مهم است. این زمانی است که مردم کنترل را به دست می گیرند. هرگز احساسات یک مدیر تدارکات، تکنسین خدمات یا اپراتور فروشگاه را دست کم نگیرید. تجربیات افراد و یک مدل داده‌ای که به خوبی کار می‌کند، مبنایی برای تصمیم‌گیری هوشمندانه - یعنی تصمیم‌های درست در بلندمدت است. در مرکز توزیع، این امر در مورد اجرای استراتژی های تعمیر و نگهداری یا "عملکرد صحیح" سیستم نیز صدق می کند. و مهمتر از همه، مدل‌ها، ابزارها و راه‌حل‌ها باید پایدار باشند و خود را در استفاده عملی ثابت کنند و ارزش‌های افزوده واقعی را در کسب‌وکار روزانه ارائه کنند.»

هوش مصنوعی اطلاعاتی را ارائه می‌کند، فرد مسئول تصمیم می‌گیرد و به کنترل فرآیند ادامه می‌دهد. ما بیش از 20 سال پیش فیزیک را در مرکز لجستیک متحول کردیم. با راه حل OPM، ما موفق شده ایم که کالاها به طور خودکار روی پالت ها و ظروف رول بدون خطا و به شیوه ای مناسب برای فروشگاه قرار گیرند. اکنون گام بعدی را برمی داریم و مدل های داده و لجستیک سرتاسر را انتخاب می کنیم. و من مطمئن هستم که هنوز یک مدل هوش مصنوعی ویترون را برای انبار تجربه خواهم کرد.»