AI i intralogistikk: Kundefordelen er avgjørende – Logistikkvirksomhet

Helmut Prieschenk fra Witron (bildet) og Franziskos Kyriakopoulos, grunnlegger av 7LYTIX fra Linz, Østerrike, har diskutert ChatGPT, maskinlæring i logistikk og etterspørselsprognoser for matvareforhandlere. Begge er enige – AI-teknologi tilbyr et bredt spekter av optimaliseringspotensiale for å optimalisere prosesser i distribusjonssenteret så vel som hele forsyningskjeden. Men høy datakvalitet er ikke den eneste avgjørende faktoren. Like viktig for datamodellene er opplevelsene til mennesker og kravene til forbrukerne.

"Og så over natten var alle en AI-influenser," spøkte Prieschenk, administrerende direktør i Witron. Han ønsket å snakke om industriell AI, etterspørselsprognoser og litt om ChatGPT. Kyriakopoulos og teamet hans utvikler maskinlæringsløsninger for detaljhandel og industri. Han er fysiker, mens Prieschenk er matematiker. "Det er en farlig blanding." Prieschenk advarte. "Selvfølgelig har vi allerede jobbet med LLMs (Large Language Models) på Witron. Jeg vil imidlertid be om en viss ro. Verden vil ikke ta slutt ved bruken av dem – og vi verifiserer kontinuerlig om slike verktøy er egnet for rimelig å hjelpe våre kunder eller utviklere med implementering av konkrete kundekrav.»

Kyriakopoulos var enig, men skisserer allerede søknader. «LLM-er er flinke til å behandle sekvenser – bestillinger, debiteringer, salg eller kundekommunikasjon. Det kan også brukes i intralogistikk. Det er mye hype, mange influencere som løper rundt og sprer halvsannheter.» Det har Witron allerede erfart, sier Prieschenk. Konkurrenter til OPM-systemet annonserte AI i stablealgoritmen. "Men resultatene kan ikke slå funksjonaliteten til vår Witron OPM. Disse ble ikke utviklet med AI, men med mye menneskelig intelligens, basert på solid programvareutvikling, intensiv kommunikasjon med brukerne og mange års praktisk erfaring. Vi må alltid ha en nøktern tilnærming. Våre kunder er i utgangspunktet ikke ute etter et nytt verktøy. De har et problem og trenger en fungerende løsning som optimerer logistikkprosessen i distribusjonssenteret eller i forsyningskjeden, som fungerer stabilt i praktisk bruk, og som med fordel kan integreres i en voksende struktur."

Men holder ikke denne nøkternheten oss tilbake i Tyskland og Europa? "Jeg trenger absolutt en ROI", understreker Prieschenk sterkt. "LLM-utviklere har en brennhastighet på 500 millioner dollar per år og trenger ytterligere noen milliarder," sa Kyriakopoulos. "Det ville være utenkelig i Tyskland eller i Østerrike."

Tar vi for lite risiko? Prieschenk er skeptisk. «Jeg tror ikke det. Når jeg for eksempel ser på investeringene i Q-commerce, blir jeg svimmel. Det var der mange investorer tok full risiko. Men markedet har utviklet seg i en helt annen retning. Forutsagte vekstrater viste seg ikke. I mellomtiden foregår konsolidering. Investorene har gått videre. Forhandlerne våre vil ha kunstig intelligens og investerer i teknologien. Men vi og kundene våre trenger AI-verktøy, for eksempel prøve- eller bildeidentifikasjon, som er gjennomsiktige for deretter å løse problemer som vi ikke kunne løse før eller bare kunne løse med mye innsats.»

7LYTIX-utviklerne jobber med LLM-er, men fokuset er på etterspørselsprognoser. – Vi kan gi merverdier, men noen selskaper forstår ofte ikke i begynnelsen hva merverdien til modellen vil være. Mer salg gjennom bedre kommunikasjon med kunden eller tapt salg? Mange kan ikke beregne det. Det er der de trenger hjelp fra oss”, sa Kyriakopoulos. Prieschenk legger til: «Våre Witron-kunder kan beregne svært godt og har perfeksjonert virksomheten sin over flere tiår. Men jeg forstår hva Mr. Kyriakopoulous mener: Først må vi avklare hva som skal optimaliseres. Forhandlerne spør seg selv om de ønsker å optimalisere forsyningskjedenettverket lager størrelse, om de ønsker å være nærmere kunden, om de skal redusere gjennomløpstider, endre leveringssykluser, redusere matsvinn og varelager, eller ha mindre lager på lageret. I denne forbindelse har vi lært mye sammen med våre kunder fra forskjellige deler av verden. Vi lærte også at kravene til helligdager i Finland er forskjellige fra de i USA, eller at en mandag har andre krav enn en torsdag.» Kyriakopoulos er enig. «Vi trenger først et krav og deretter et tilsvarende AI-verktøy. Og vi trenger ikke dyp læring overalt.»

Hvor mye nøyaktighet kreves?

Hvordan fungerer etterspørselsprognosen hans? «Først må vi få en oversikt over dataene. Dette er møysommelig arbeid for mange forhandlere. Det handler ikke bare om lagrede varer, men også om mengden varer i butikken, hvor mye som ble solgt, hvilke påvirkningsfaktorer som for eksempel kampanjer som finnes, hvor mange tapte salg som er i butikken, og mye mer”, forklarte Kyriakopoulos. I tillegg kommer kundekort, sesonger, plasseringen av butikken eller spesialtilbud. «Og vi må vite hva som er i distribusjonssenteret, på bakrommet i butikken, i lastebilene på veien, for optimalisering slutter ikke i butikken. Det er også viktig å unngå restriksjoner på tvers av selskaper eller på tvers av divisjoner samt datainnsjøer. En stor del av de nødvendige dataene er for det meste kjent, men forskjellige avdelinger forfølger dessverre forskjellige interesser." Prieschenk var enig: «Selv holistisk logistikkdesign bør ikke bare fokusere på distribusjonssenteret eller nøkkelinteressene til individuelle logistikkområder, eller prosesspåvirkende avdelinger som innkjøp eller frakt. Det er viktig å inkludere hele forsyningskjeden i optimaliseringsprosessen – både internt og eksternt – og unngå siloer i størst mulig grad, både fysisk og IT-messig.”

"Dataene flyter inn i veldig enkle modeller", fortsatte Kyriakopoulos. «Basislinjen er folks erfaringer. Det er ikke AI ennå. Vi snakker om regresjoner. Så spør vi oss selv om vi ble bedre. Deretter følger tidsserieanalyser og første maskinlæringsmetoder. Vi må alltid se på hvor mye nøyaktighet vi kan oppnå gjennom neste nivå kontra hvor mye merverdien er for kunden og brukeren.»

Og Witron? «Vi må sørge for at mekanikken passer til modellen. Fordi fysikk må fungere på samme måte. Leverer vi etuier eller deler? Eller ett element med begge alternativene? Hvor ofte leveres en butikk? Hva skjer når produktutvalget endres?» svarte Prieschenk. WITRON logistikksentre skaper fleksibilitet for både butikk og e-handel. Nøkkelen til vellykket implementering er imidlertid å tenke prosessen bakover i alle kanaler – fra forbruker til distribusjonssenter og om nødvendig enda lenger bak, helt til leverandør. Han ser en utfordring spesielt i modellens forklarbarhet. «Vi opplever push and pull-systemer hos kundene våre. Noen fungerer bedre enn andre."

Vil butikksjefer la en AI-modell spesifisere bestillingene sine i fremtiden? Kyriakopoulos kjenner argumentasjonen fra moteindustrien. «Hvis noen har handlet der i 20 år, så er det vanskelig å umiddelbart forklare merverdien eller å overbevise forbrukeren om at denne modellen kan være bedre. Men vi gjør det transparent – ​​vi sier hvilke faktorer vi bruker, hvordan vi vekter dem, og hvor den respektive faktoren gjelder.»

Mennesket har kontrollen

Ekspertene fra Østerrike kan se 18 måneder inn i fremtiden. De bruker grensesnitt for å koble modellen til de eksisterende systemene til forhandleren, stålprodusenten eller skoforhandleren. "Jeg vil ikke rive ned alt for å bruke en AI-modell", lo Kyriakopoulos. "Dette er den riktige måten - integrering i eksisterende arkitekturer", bekreftet Prieschenk.

Men hvor robust er modellen? Nøkkelord: Covid 19. "Vi var ikke i stand til å se det heller," forklarte den østerrikske eksperten. «Vi jobbet med modellen i frossen logistikk på den tiden. Korttidsprognosen var ikke god i begynnelsen, men etter en uke fungerte modellen igjen. Etter to uker var den stabil. Men prognosen alene er ikke nok. Kunden må jobbe med det – for eksempel styrke markedsføringskanaler, kjøre kampanjer eller justere priser om nødvendig.”

"Det er avgjørende," sa Prieschenk. "Det er når folk tar over kontrollen. Undervurder aldri magefølelsen til en logistikksjef, servicetekniker eller butikkoperatør. Folks erfaringer og en velfungerende datamodell er grunnlaget for å ta intelligente – dvs. riktige beslutninger på lang sikt. I distribusjonssentralen gjelder dette også implementering av vedlikeholdsstrategier eller 'riktig drift' av systemet. Og viktigere er at modellene, verktøyene og løsningene må være stabile og bevise seg i praktisk bruk, og levere reelle merverdier i den daglige virksomheten.»

AI gir informasjon, den ansvarlige bestemmer og fortsetter å ha kontroll over prosessen. «Vi revolusjonerte fysikken i logistikksenteret for over 20 år siden. Med OPM-løsningen har vi klart at varer automatisk stables på paller og rullecontainere uten feil og på en butikkvennlig måte. Nå tar vi neste steg og velger data og ende-til-ende logistikkmodeller. Og jeg er sikker på at jeg fortsatt vil oppleve en ende-til-ende Witron AI-modell for lageret,” spådde Prieschenk.