내부 물류의 AI: 고객 혜택이 결정적입니다 – Logistics Businesses

Witron의 Helmut Prieschenk(사진)와 오스트리아 린츠의 7LYTIX 창립자인 Franziskos Kyriakopoulos는 ChatGPT, 물류 분야의 머신러닝, 식품 소매업체를 위한 수요 예측에 대해 논의해 왔습니다. 두 사람 모두 동의합니다. AI 기술은 유통 센터는 물론 전체 공급망의 프로세스를 최적화하기 위한 광범위한 최적화 잠재력을 제공합니다. 그러나 높은 데이터 품질만이 중요한 요소는 아닙니다. 데이터 모델에 있어 마찬가지로 중요한 것은 사람의 경험과 소비자의 요구 사항입니다.

Witron의 상무이사인 Prieschenk는 "그리고 하룻밤 사이에 모두가 AI 영향력자가 되었습니다."라고 농담했습니다. 그는 산업용 AI, 수요 예측, 그리고 ChatGPT에 대해 조금 이야기하고 싶었습니다. Kyriakopoulos와 그의 팀은 소매 및 산업 부문을 위한 기계 학습 솔루션을 개발합니다. 그는 물리학자이고 Prieschenk는 수학자입니다. “그건 위험한 혼합물이군요.” 프리셴크는 경고했다. “물론 우리는 이미 Witron에서 LLM(Large Language Models)을 다루었습니다. 그러나 나는 어느 정도 평온함을 원합니다. 세상은 그것들의 사용으로 끝나지 않을 것입니다. 우리는 그러한 도구가 구체적인 고객 요구 사항을 구현하면서 고객이나 개발자를 합리적으로 돕는 데 적합한지 지속적으로 확인하고 있습니다.”

Kyriakopoulos는 동의했지만 이미 응용 프로그램의 개요를 설명했습니다. “LLM은 주문, 차변, 판매 또는 고객 커뮤니케이션과 같은 처리 순서에 능숙합니다. 이는 내부 물류에도 사용될 수 있습니다. 과대광고가 많고, 영향력 있는 사람들이 반쪽짜리 진실을 퍼뜨리고 있습니다.” Witron은 이미 이것을 경험했다고 Prieschenk는 말했습니다. OPM 시스템의 경쟁자들은 스태킹 알고리즘에서 AI를 광고하고 있었습니다. “그러나 결과는 Witron OPM의 기능을 능가할 수 없습니다. 이는 AI로 개발된 것이 아니라 탄탄한 소프트웨어 개발, 사용자와의 집중적인 소통, 다년간의 실무 경험을 바탕으로 인간의 지능이 듬뿍 담긴 제품입니다. 우리는 항상 냉철하게 접근해야 합니다. 우리 고객은 기본적으로 새로운 도구를 찾고 있지 않습니다. 그들은 문제를 갖고 있으며 유통 센터나 공급망의 물류 프로세스를 최적화하고 실제 사용 시 안정적으로 작동하며 성장한 구조에 유용하게 통합될 수 있는 작업 솔루션이 필요합니다.”

그러나 이러한 냉정함이 독일과 유럽에서 우리를 방해하고 있지 않습니까? Prieschenk는 "확실히 ROI가 필요합니다"라고 강조합니다. Kyriakopoulos는 "LLM 개발자의 연간 연소율은 500억 달러에 달하며 몇십억 달러가 더 필요합니다"라고 말했습니다. "독일이나 오스트리아에서는 상상할 수 없는 일입니다."

우리는 위험을 너무 적게 감수하고 있습니까? Prieschenk는 회의적이다. “나는 그렇게 생각하지 않습니다. 예를 들어 Q-커머스에 대한 투자를 보면 현기증이 납니다. 많은 투자자들이 완전한 위험을 감수한 곳이 바로 여기입니다. 그러나 시장은 전혀 다른 방향으로 발전해 왔습니다. 예상 성장률은 나타나지 않았습니다. 그동안 통합이 진행되고 있습니다. 투자자들이 움직였습니다. 우리 소매업체는 AI를 원하고 기술에 투자하고 있습니다. 하지만 우리와 우리 고객에게는 이전에 해결할 수 없었거나 많은 노력을 해야만 해결할 수 있었던 문제를 투명하게 해결하기 위해 샘플이나 이미지 식별과 같은 AI 도구가 필요합니다.”

7LYTIX 개발자는 LLM을 사용하지만 수요 예측에 중점을 둡니다. “우리는 부가가치를 제공할 수 있지만 일부 회사에서는 모델의 부가가치가 무엇인지 처음부터 이해하지 못하는 경우가 많습니다. 고객과의 원활한 의사소통을 통해 매출이 증가합니까, 아니면 매출이 손실됩니까? 많은 사람들이 그것을 계산하지 못합니다. 바로 그곳이 바로 우리의 도움이 필요한 곳입니다.”라고 Kyriakopoulos는 말했습니다. Prieschenk는 다음과 같이 덧붙입니다. “우리 Witron 고객은 매우 잘 계산할 수 있으며 수십 년 동안 비즈니스를 완벽하게 해왔습니다. 하지만 저는 Kyriakopoulous 씨가 의미하는 바를 이해합니다. 먼저, 최적화할 항목이 무엇인지 명확히 해야 합니다. 소매업체는 공급망 네트워크를 최적화하고 싶은지 스스로에게 묻습니다. 창고 규모, 고객에게 더 가까이 다가가고 싶은지, 처리 시간 단축, 배송 주기 변경, 음식물 쓰레기 및 품절 감소, 창고 재고 감소 등을 고려합니다. 이런 점에서 우리는 세계 각지의 고객들과 함께 많은 것을 배웠습니다. 또한 핀란드의 은행 휴무일 요구 사항이 미국의 요구 사항과 다르거나 월요일과 목요일의 요구 사항이 다르다는 사실도 알게 되었습니다.” 키리아코풀로스도 동의합니다. “먼저 요구사항이 필요하고 그 다음에는 해당 AI 도구가 필요합니다. 그리고 전체적으로 딥러닝이 필요하지 않습니다.”

어느 정도의 정확도가 필요합니까?

그의 수요예측은 어떻게 이루어지나요? “먼저 우리는 데이터의 개요를 얻어야 합니다. 이는 많은 소매업체에게 힘든 작업입니다. 저장된 상품뿐만 아니라 매장에 있는 상품의 수량, 판매량, 판촉 등 영향을 미치는 요소가 무엇인지, 매장 내 판매 손실 건수 등에 관한 것입니다.”라고 Kyriakopoulos는 설명했습니다. 또한 고객 카드, 시즌, 매장 위치 또는 특별 혜택이 있습니다. “그리고 우리는 유통 센터, 매장 뒷방, 이동 중인 트럭에 무엇이 있는지 알아야 합니다. 왜냐하면 최적화는 매장에서 끝나지 않기 때문입니다. 회사 간, 부서 간 제한은 물론 데이터 레이크를 피하는 것도 중요합니다. 필요한 데이터의 주요 부분은 대부분 알려져 있지만, 안타깝게도 부서마다 추구하는 관심사가 다릅니다.” Prieschenk는 다음과 같이 동의했습니다. “전체적인 물류 설계라 할지라도 유통 센터나 개별 물류 영역의 주요 관심 사항, 구매나 배송과 같이 프로세스에 영향을 미치는 부서에만 초점을 맞춰서는 안 됩니다. 내부 및 외부 모두에서 전체 공급망을 최적화 프로세스에 포함시키고 물리적으로나 IT 측면에서 사일로를 최대한 피하는 것이 중요합니다.”

Kyriakopoulos는 "데이터가 매우 단순한 모델로 흘러갑니다"라고 말했습니다. “기본은 사람들의 경험입니다. 아직은 AI가 아닙니다. 우리는 회귀에 대해 이야기합니다. 그런 다음 우리는 나아졌는지 스스로에게 묻습니다. 그 다음에는 시계열 분석과 첫 번째 기계 학습 방법이 이어집니다. 우리는 다음 단계를 통해 얼마나 많은 정확성을 달성할 수 있는지, 그리고 고객과 사용자에게 얼마나 부가가치가 있는지 항상 살펴봐야 합니다.”

위트론은요? “우리는 역학이 모델에 맞는지 확인해야 합니다. 왜냐하면 물리학도 같은 방식으로 작동해야 하기 때문입니다. 케이스나 부품도 공급하나요? 아니면 두 가지 옵션이 모두 포함된 하나의 항목인가요? 매장은 얼마나 자주 배달되나요? 제품군이 변경되면 어떻게 되나요?” Prieschenk에게 대답했습니다. 위트론 물류센터는 매장과 전자상거래 모두에 유연성을 제공합니다. 그러나 성공적인 구현의 핵심은 소비자부터 유통 센터까지, 그리고 필요한 경우 더 멀리 공급자까지 모든 채널에 걸쳐 프로세스를 거꾸로 생각하는 것입니다. 그는 특히 모델의 설명 가능성이 문제라고 생각합니다. “우리는 고객과 함께 푸시 앤 풀 시스템을 경험합니다. 일부는 다른 것보다 더 잘 작동합니다.”

매장 관리자는 앞으로 AI 모델을 통해 주문을 지정할 수 있나요? Kyriakopoulos는 패션 업계의 주장을 잘 알고 있습니다. “누군가가 그곳에서 20년 동안 쇼핑을 했다면 부가가치를 즉시 설명하거나 이 모델이 더 나을 수도 있다는 소비자를 설득하기가 어렵습니다. 하지만 우리는 이를 투명하게 만듭니다. 어떤 요소를 사용하는지, 어떻게 가중치를 부여하는지, 해당 요소가 어디에 적용되는지를 알려줍니다.”

인간이 통제권을 가지고 있다

오스트리아 전문가들은 18개월 후의 미래를 내다볼 수 있습니다. 이들은 인터페이스를 사용하여 모델을 소매업체, 철강 제조업체 또는 신발 소매업체의 기존 시스템에 연결합니다. Kyriakopoulos는 “AI 모델을 사용하기 위해 모든 것을 무너뜨리고 싶지 않습니다”라고 웃었습니다. "이것이 올바른 방법입니다. 기존 아키텍처에 통합하는 것입니다."라고 Prieschenk는 확인했습니다.

그러나 모델은 얼마나 견고합니까? 키워드: 코로나19. “우리도 그걸 볼 수 없었다”고 오스트리아 전문가는 설명했다. “당시 우리는 냉동 물류 분야의 모델을 사용하고 있었습니다. 단기 예측은 처음에는 좋지 않았지만 일주일 후에 모델이 다시 작동했습니다. XNUMX주 후에는 안정되었습니다. 그러나 예측만으로는 충분하지 않습니다. 고객은 마케팅 채널 강화, 프로모션 진행, 필요한 경우 가격 조정 등의 작업을 수행해야 합니다.”

Prieschenk는 “이것이 매우 중요합니다.”라고 말했습니다. “이때가 바로 사람들이 통제권을 장악하는 때입니다. 물류 관리자, 서비스 기술자 또는 매장 운영자의 직감을 과소평가하지 마십시오. 사람들의 경험과 제대로 작동하는 데이터 모델은 지능적인 결정, 즉 장기적으로 올바른 결정을 내리는 기반입니다. 유통 센터에서 이는 유지 관리 전략의 구현이나 시스템의 '올바른 운영'에도 적용됩니다. 그리고 중요한 것은 모델, 도구 및 솔루션이 안정적이어야 하고 실제 사용에서 입증되어 일상적인 비즈니스에서 실질적인 부가가치를 제공해야 한다는 것입니다.”

AI가 정보를 제공하면 담당자가 그 과정을 결정하고 지속적으로 통제한다. “우리는 20년 전에 물류 센터의 물리학에 혁명을 일으켰습니다. OPM 솔루션을 통해 우리는 상품이 오류 없이 매장 친화적인 방식으로 팔레트와 롤 컨테이너에 자동으로 적재되도록 관리했습니다. 이제 우리는 다음 단계로 나아가 데이터와 엔드투엔드 물류 모델을 선택하고 있습니다. 그리고 나는 여전히 창고에 대한 엔드투엔드 Witron AI 모델을 경험할 것이라고 확신합니다.”라고 Prieschenk는 예측했습니다.