AI nell'intralogistica: il vantaggio per il cliente è decisivo – Logistics Busines

Helmut Prieschenk di Witron (nella foto) e Franziskos Kyriakopoulos, fondatore di 7LYTIX di Linz, Austria, hanno discusso di ChatGPT, apprendimento automatico nella logistica e previsione della domanda per i rivenditori di prodotti alimentari. Entrambi sono d'accordo: la tecnologia AI offre un ampio spettro di potenzialità di ottimizzazione per l'ottimizzazione dei processi nel centro di distribuzione e nell'intera catena di fornitura. Ma l’elevata qualità dei dati non è l’unico fattore cruciale. Altrettanto importanti per i modelli di dati sono le esperienze delle persone e le esigenze dei consumatori.

“E da un giorno all’altro tutti sono diventati influencer dell’intelligenza artificiale”, ha scherzato Prieschenk, amministratore delegato di Witron. Voleva parlare di intelligenza artificiale industriale, previsione della domanda e qualcosa di ChatGPT. Kyriakopoulos e il suo team sviluppano soluzioni di machine learning per il settore della vendita al dettaglio e dell'industria. Lui è fisico, mentre Prieschenk è un matematico. "È una miscela pericolosa." Prieschenk ha avvertito. “Certo, alla Witron ci siamo già occupati di LLM (Large Language Models). Vorrei però chiedere una certa serenità. Il mondo non finirà con il loro utilizzo – e verifichiamo continuamente se tali strumenti siano adatti ad aiutare ragionevolmente i nostri clienti o i nostri sviluppatori nell’implementazione dei requisiti concreti dei clienti”.

Kyriakopoulos è d'accordo, ma delinea già le applicazioni. “I LLM sono bravi nell’elaborazione delle sequenze: ordini, addebiti, vendite o comunicazioni con i clienti. Questo può essere utilizzato anche nell’intralogistica. C’è un sacco di pubblicità, molti influencer che vanno in giro a diffondere mezze verità”. Witron lo ha già sperimentato, afferma Prieschenk. I concorrenti del sistema OPM pubblicizzavano l’intelligenza artificiale nell’algoritmo di stacking. “Ma i risultati non possono battere le funzionalità del nostro Witron OPM. Questi non sono stati sviluppati con l’intelligenza artificiale, ma con una grande dose di intelligenza umana, basata su un solido sviluppo di software, un’intensa comunicazione con gli utenti e anni di esperienza pratica. Dobbiamo sempre adottare un approccio sobrio. Fondamentalmente i nostri clienti non cercano un nuovo strumento. Hanno un problema e necessitano di una soluzione operativa che ottimizzi il processo logistico nel centro di distribuzione o nella catena di fornitura, che funzioni in modo stabile nell’uso pratico e possa essere utilmente integrata in una struttura cresciuta”.

Ma questa sobrietà non ci trattiene in Germania e in Europa? “Ho sicuramente bisogno di un ROI”, sottolinea con forza Prieschenk. "Gli sviluppatori LLM hanno un tasso di consumo di 500 milioni di dollari all'anno e hanno bisogno di altri miliardi", ha affermato Kyriakopoulos. “Sarebbe inconcepibile in Germania o in Austria”.

Stiamo correndo troppi pochi rischi? Prieschenk è scettico. “Non credo. Quando guardo gli investimenti nel Q-commerce, ad esempio, mi vengono le vertigini. È qui che molti investitori si sono presi il rischio totale. Ma il mercato si è sviluppato in una direzione completamente diversa. I tassi di crescita previsti non sono comparsi. Nel frattempo è in atto il consolidamento. Gli investitori sono andati avanti. I nostri rivenditori vogliono l’intelligenza artificiale e stanno investendo nella tecnologia. Ma noi e i nostri clienti abbiamo bisogno di strumenti di intelligenza artificiale, come l’identificazione di campioni o immagini, che siano trasparenti per risolvere poi problemi che prima non potevamo risolvere o che potevamo risolvere solo con molto impegno”.

Gli sviluppatori di 7LYTIX lavorano con LLM, ma l'attenzione è rivolta alla previsione della domanda. “Possiamo fornire valori aggiunti, ma alcune aziende spesso non capiscono all'inizio quale sarà il valore aggiunto del modello. Maggiori vendite attraverso una migliore comunicazione con il cliente o vendite perse? Molte persone non riescono a calcolarlo. È qui che hanno bisogno del nostro aiuto”, ha affermato Kyriakopoulos. Prieschenk aggiunge: “I nostri clienti Witron sanno calcolare molto bene e hanno perfezionato la loro attività nel corso di decenni. Ma capisco cosa intende il signor Kyriakopoulous: in primo luogo dobbiamo chiarire cosa deve essere ottimizzato. I rivenditori si chiedono se vogliono ottimizzare la rete della catena di fornitura, il magazzino dimensioni, se vogliono essere più vicini al cliente, se ridurre i tempi di produzione, modificare i cicli di consegna, ridurre gli sprechi alimentari e le scorte o avere meno scorte in magazzino. A questo proposito, abbiamo imparato molto insieme ai nostri clienti provenienti da diverse parti del mondo. Abbiamo anche appreso che i requisiti per i giorni festivi in ​​Finlandia sono diversi da quelli negli Stati Uniti, o che il lunedì ha requisiti diversi rispetto al giovedì”. Kyriakopoulos è d'accordo. “Abbiamo bisogno prima di un requisito e poi di uno strumento AI corrispondente. E non abbiamo bisogno del deep learning a 360 gradi”.

Quanta precisione è richiesta?

Come funziona la previsione della domanda? “Innanzitutto dobbiamo ottenere una panoramica dei dati. Questo è un lavoro laborioso per molti rivenditori. Non si tratta solo della merce immagazzinata, ma anche della quantità di merce nel negozio, di quanto è stato venduto, di quali fattori d'influenza come le promozioni esistono, di quante vendite perse nel negozio e molto altro ancora”, ha spiegato Kyriakopoulos. Inoltre ci sono le carte cliente, le stagioni, l'ubicazione del negozio o le offerte speciali. “E dobbiamo sapere cosa c'è nel centro di distribuzione, nel retro del negozio, nei camion in viaggio, perché l'ottimizzazione non finisce nel negozio. È inoltre importante evitare restrizioni interaziendali o interdivisionali nonché i data lake. La maggior parte dei dati richiesti è per lo più conosciuta, ma purtroppo i diversi reparti perseguono interessi diversi”. Prieschenk concorda: “Anche la progettazione logistica olistica non dovrebbe concentrarsi solo sul centro di distribuzione o sugli interessi chiave delle singole aree logistiche o sui reparti che influenzano i processi come acquisti o spedizioni. È importante includere l’intera catena di fornitura nel processo di ottimizzazione – sia internamente che esternamente – ed evitare il più possibile i silos, sia fisicamente che in termini IT”.

“I dati confluiscono in modelli molto semplici”, ha continuato Kyriakopoulos. “La base sono le esperienze delle persone. Questa non è ancora l'intelligenza artificiale. Parliamo di regressioni. Allora ci chiediamo se siamo diventati migliori. Seguono le analisi delle serie temporali e i primi metodi di machine learning. Dobbiamo sempre considerare quanta precisione possiamo ottenere passando al livello successivo rispetto a quanto rappresenta il valore aggiunto per il cliente e l’utente”.

E Witron? “Dobbiamo assicurarci che la meccanica si adatti al modello. Perché la fisica deve funzionare allo stesso modo. Forniamo casse o pezzi? O un articolo con entrambe le opzioni? Con quale frequenza viene consegnato un negozio? Cosa succede quando la gamma di prodotti cambia?” - rispose Prieschenk. WITRON i centri logistici creano flessibilità sia per il negozio che per l’e-commerce. La chiave per un’implementazione di successo, tuttavia, è pensare al processo a ritroso lungo tutti i canali: dal consumatore al centro di distribuzione e, se necessario, anche più indietro, fino al fornitore. Vede una sfida soprattutto nella spiegabilità del modello. “Con i nostri clienti sperimentiamo sistemi push and pull. Alcuni lavorano meglio di altri."

I gestori dei negozi consentiranno a un modello di intelligenza artificiale di specificare i loro ordini in futuro? Kyriakopoulos conosce l'argomento dell'industria della moda. “Se qualcuno fa acquisti lì da 20 anni, è difficile spiegare immediatamente il valore aggiunto o convincere il consumatore che questo modello potrebbe essere migliore. Ma lo rendiamo trasparente: diciamo quali fattori utilizziamo, come li pesiamo e dove si applica il rispettivo fattore”.

L'essere umano ha il controllo

Gli esperti austriaci possono guardare al futuro fino a 18 mesi. Usano le interfacce per collegare il modello ai sistemi esistenti del rivenditore, del produttore di acciaio o del rivenditore di scarpe. “Non voglio demolire tutto per utilizzare un modello di intelligenza artificiale”, ha riso Kyriakopoulos. "Questa è la strada giusta: l'integrazione nelle architetture esistenti", ha confermato Prieschenk.

Ma quanto è robusto il modello? Parola chiave: Covid 19. "Non siamo riusciti a vedere neanche questo", ha spiegato l'esperto austriaco. “All’epoca lavoravamo con il modello della logistica dei prodotti surgelati. All'inizio le previsioni a breve termine non erano buone, ma dopo una settimana il modello ha funzionato di nuovo. Dopo due settimane la situazione era stabile. Ma le previsioni da sole non bastano. Il cliente deve collaborare, ad esempio rafforzando i canali di marketing, lanciando promozioni o adeguando i prezzi, se necessario”.

"Questo è fondamentale", ha detto Prieschenk. “Questo è il momento in cui le persone prendono il controllo. Non sottovalutare mai il sentimento viscerale di un responsabile della logistica, di un tecnico dell'assistenza o di un operatore del negozio. Le esperienze delle persone e un modello di dati ben funzionante costituiscono la base per prendere decisioni intelligenti, cioè giuste, a lungo termine. Nel centro di distribuzione ciò vale anche per l'implementazione di strategie di manutenzione o per il "corretto funzionamento" del sistema. E, cosa ancora più importante, i modelli, gli strumenti e le soluzioni devono essere stabili e dimostrarsi efficaci nell’uso pratico, fornendo un reale valore aggiunto nell’attività quotidiana”.

L’intelligenza artificiale fornisce informazioni, il responsabile decide e continua ad avere il controllo sul processo. “Abbiamo rivoluzionato la fisica nel centro logistico oltre 20 anni fa. Con la soluzione OPM siamo riusciti a far sì che le merci vengano impilate automaticamente su pallet e roll container senza errori e in modo agevole per il negozio. Ora stiamo facendo il passo successivo e optiamo per dati e modelli logistici end-to-end. E sono sicuro che sperimenterò ancora un modello AI Witron end-to-end per il magazzino”, prevede Prieschenk.