Sztuczna inteligencja w intralogistyce: decydująca jest korzyść dla klienta – biznes logistyczny

Helmut Prieschenk z Witron (na zdjęciu) i Franziskos Kyriakopoulos, założyciel 7LYTIX z Linzu w Austrii, omawiali ChatGPT, uczenie maszynowe w logistyce i prognozowanie popytu dla sprzedawców detalicznych żywności. Obydwoje są zgodni – technologia AI oferuje szeroki zakres potencjału optymalizacyjnego w zakresie optymalizacji procesów w centrum dystrybucyjnym, jak i całym łańcuchu dostaw. Jednak wysoka jakość danych nie jest jedynym kluczowym czynnikiem. Równie ważne dla modeli danych są doświadczenia ludzi i wymagania konsumentów.

„A potem z dnia na dzień wszyscy stali się wpływowi na sztuczną inteligencję” – zażartował Prieschenk, dyrektor zarządzający Witron. Chciał porozmawiać o przemysłowej sztucznej inteligencji, prognozowaniu popytu i trochę o ChatGPT. Kyriakopoulos i jego zespół opracowują rozwiązania w zakresie uczenia maszynowego dla sektora handlu detalicznego i przemysłu. On jest fizykiem, a Prieschenk jest matematykiem. „To niebezpieczna mieszanina”. Prieschenk ostrzegł. „Oczywiście w Witron mieliśmy już do czynienia z LLM (Large Language Models). Prosiłbym jednak o odrobinę spokoju. Na ich użyciu świat się nie skończy – a my na bieżąco sprawdzamy, czy takie narzędzia są odpowiednie, aby w rozsądny sposób pomóc naszym klientom lub naszym programistom we wdrażaniu konkretnych wymagań klientów.

Kyriakopoulos zgodził się, ale już przedstawił wnioski. „LLM są dobre w przetwarzaniu sekwencji – zamówień, obciążeń, sprzedaży lub komunikacji z klientami. Można to wykorzystać również w intralogistyce. Jest mnóstwo szumu, mnóstwo wpływowych osób rozpowszechnia półprawdy”. Witron już tego doświadczył, mówi Prieschenk. Konkurenci systemu OPM reklamowali sztuczną inteligencję w algorytmie układania stosów. „Ale wyniki nie mogą przebić funkcjonalności naszego Witron OPM. Nie zostały one opracowane przy użyciu sztucznej inteligencji, ale przy dużej dozie ludzkiej inteligencji, opartej na solidnym rozwoju oprogramowania, intensywnej komunikacji z użytkownikami i latach praktycznego doświadczenia. Zawsze musimy zachować trzeźwość. Nasi klienci w zasadzie nie szukają nowego narzędzia. Mają problem i potrzebują działającego rozwiązania, które zoptymalizuje proces logistyczny w centrum dystrybucyjnym lub w łańcuchu dostaw, które będzie stabilne w praktyce i które będzie można z korzyścią zintegrować z rozwiniętą strukturą.”

Ale czy ta trzeźwość nie powstrzymuje nas w Niemczech i Europie? „Z pewnością potrzebuję zwrotu z inwestycji” – podkreśla Prieschenk. „Programiści LLM zużywają 500 milionów dolarów rocznie i potrzebują kolejnych kilku miliardów”, powiedział Kyriakopoulos. „Byłoby to nie do pomyślenia w Niemczech czy Austrii”.

Czy nie podejmujemy zbyt małego ryzyka? Prieschenk jest sceptyczny. „Nie sądzę. Jak patrzę na inwestycje np. w Q-commerce to aż kręci mi się w głowie. To właśnie tam wielu inwestorów podjęło pełne ryzyko. Ale rynek rozwinął się w zupełnie innym kierunku. Nie pojawiły się przewidywane stopy wzrostu. W międzyczasie następuje konsolidacja. Inwestorzy poszli dalej. Nasi sprzedawcy detaliczni chcą sztucznej inteligencji i inwestują w tę technologię. Jednak my i nasi klienci potrzebujemy narzędzi sztucznej inteligencji, takich jak identyfikacja próbek lub obrazów, które są przejrzyste, aby następnie rozwiązywać problemy, których nie mogliśmy wcześniej rozwiązać lub które mogliśmy rozwiązać jedynie przy dużym wysiłku.

Programiści 7LYTIX współpracują z LLM, ale skupiają się na prognozowaniu popytu. „Możemy zapewnić wartość dodaną, ale niektóre firmy często na początku nie rozumieją, jaka będzie wartość dodana modelu. Większa sprzedaż dzięki lepszej komunikacji z klientem czy utrata sprzedaży? Wiele osób nie jest w stanie tego obliczyć. To właśnie tam potrzebują naszej pomocy” – stwierdził Kyriakopoulos. Prieschenk dodaje: „Nasi klienci Witron potrafią bardzo dobrze liczyć i przez dziesięciolecia doskonalili swój biznes. Rozumiem jednak, co pan Kyriakopoulous ma na myśli: najpierw musimy wyjaśnić, co należy zoptymalizować. Detaliści zadają sobie pytanie, czy chcą zoptymalizować sieć łańcucha dostaw, tj magazyn rozmiar, czy chcą być bliżej klienta, czy skrócić czas realizacji, zmienić cykle dostaw, ograniczyć marnowanie żywności i braki w magazynie, czy też mieć mniejsze zapasy w magazynie. Pod tym względem wiele się nauczyliśmy wspólnie z naszymi klientami z różnych części świata. Dowiedzieliśmy się również, że wymagania dotyczące świąt państwowych w Finlandii różnią się od tych w USA lub że w poniedziałek obowiązują inne wymagania niż w czwartek”. Kyriakopoulos zgadza się. „Najpierw potrzebujemy wymagania, a następnie odpowiedniego narzędzia AI. I nie potrzebujemy wszechstronnego głębokiego uczenia się”.

Jaka dokładność jest wymagana?

Jak działa jego prognozowanie popytu? „Najpierw musimy uzyskać przegląd danych. Dla wielu sprzedawców detalicznych jest to pracochłonna praca. Nie chodzi tylko o przechowywane towary, ale także o ilość towarów w sklepie, ile sprzedano, jakie czynniki wpływające, takie jak promocje, ile straconych sprzedaży odnotowano w sklepie i wiele więcej” – wyjaśnił Kyriakopoulos. Do tego dochodzą karty klientów, pory roku, lokalizacja sklepu czy oferty specjalne. „Musimy także wiedzieć, co znajduje się w centrum dystrybucyjnym, na zapleczu sklepu, w ciężarówkach na drodze, ponieważ optymalizacja nie kończy się na sklepie. Ważne jest również, aby unikać ograniczeń obejmujących wiele firm lub oddziałów, a także jezior danych. Większa część wymaganych danych jest w większości znana, ale niestety różne działy mają różne interesy.” Prieschenk zgodził się: „Nawet holistyczny projekt logistyki nie powinien koncentrować się wyłącznie na centrum dystrybucyjnym lub kluczowych interesach poszczególnych obszarów logistycznych lub działach wpływających na procesy, takich jak zakupy czy wysyłka. Ważne jest, aby w proces optymalizacji włączyć cały łańcuch dostaw – zarówno wewnętrznie, jak i zewnętrznie – i w miarę możliwości unikać silosów, zarówno fizycznie, jak i pod względem IT.

„Przepływ danych do bardzo prostych modeli” – kontynuował Kyriakopoulos. „Podstawą są doświadczenia ludzi. To jeszcze nie jest sztuczna inteligencja. Mówimy o regresjach. Następnie zadajemy sobie pytanie, czy staliśmy się lepsi. Następnie następują analizy szeregów czasowych i pierwsze metody uczenia maszynowego. Zawsze musimy sprawdzić, jaką dokładność możemy osiągnąć na kolejnym poziomie, w porównaniu z wartością dodaną dla klienta i użytkownika.

A Witron? „Musimy upewnić się, że mechanika pasuje do modelu. Ponieważ fizyka musi działać w ten sam sposób. Czy dostarczamy skrzynki lub elementy? Lub jeden przedmiot z obiema opcjami? Jak często dostarczane są produkty do sklepu? Co się stanie, gdy zmieni się asortyment produktów?” odpowiedział Prieschenk. WITRON Centra logistyczne zapewniają elastyczność zarówno sklepowi, jak i e-commerce. Kluczem do udanego wdrożenia jest jednak przemyślenie procesu wstecz we wszystkich kanałach – od konsumenta do centrum dystrybucyjnego, a jeśli to konieczne, jeszcze dalej, aż do dostawcy. Wyzwanie widzi zwłaszcza w wyjaśnialności modelu. „W pracy z naszymi klientami korzystamy z systemów typu push-pull. Niektóre działają lepiej niż inne.”

Czy w przyszłości menedżerowie sklepów pozwolą modelowi AI określać swoje zamówienia? Kyriakopoulos zna argumenty branży modowej. „Jeśli ktoś robi tam zakupy od 20 lat, to trudno od razu wytłumaczyć wartość dodaną i przekonać konsumenta, że ​​ten model może być lepszy. Ale zapewniamy przejrzystość – mówimy, jakich czynników używamy, jak je ważymy i gdzie dany współczynnik ma zastosowanie”.

Istota ludzka ma kontrolę

Eksperci z Austrii mogą spojrzeć 18 miesięcy w przyszłość. Używają interfejsów do łączenia modelu z istniejącymi systemami sprzedawcy detalicznego, producenta stali lub sprzedawcy obuwia. „Nie chcę wszystkiego burzyć, aby zastosować model sztucznej inteligencji” – zaśmiał się Kyriakopoulos. „To właściwy sposób – integracja z istniejącą architekturą” – potwierdził Prieschenk.

Ale jak wytrzymały jest ten model? Słowo kluczowe: Covid 19. „Tego też nie mogliśmy zobaczyć” – wyjaśnił austriacki ekspert. „Wówczas pracowaliśmy nad tym modelem w logistyce mrożonek. Krótkoterminowe prognozy na początku nie były dobre, ale po tygodniu model znów się sprawdził. Po dwóch tygodniach sytuacja była stabilna. Ale sama prognoza nie wystarczy. Klient musi nad tym popracować – na przykład wzmocnić kanały marketingowe, prowadzić promocje czy, jeśli zajdzie taka potrzeba, dostosować ceny.”

„To kluczowe” – powiedział Prieschenk. „To jest moment, w którym ludzie przejmują kontrolę. Nigdy nie lekceważ przeczucia kierownika logistyki, technika serwisu lub operatora sklepu. Doświadczenia ludzi i dobrze funkcjonujący model danych są podstawą do podejmowania inteligentnych, czyli słusznych decyzji w dłuższej perspektywie. W centrum dystrybucyjnym dotyczy to także realizacji strategii utrzymania ruchu czy „prawidłowego działania” systemu. I co ważne, modele, narzędzia i rozwiązania muszą być stabilne i sprawdzać się w praktyce, dostarczając realną wartość dodaną w codziennym biznesie.”

AI dostarcza informacji, osoba odpowiedzialna decyduje i nadal ma kontrolę nad procesem. „Ponad 20 lat temu zrewolucjonizowaliśmy fizykę w centrum logistycznym. Dzięki rozwiązaniu OPM udało nam się, że towary są automatycznie układane na paletach i kontenerach rolkowych, bez błędów i w sposób przyjazny dla sklepu. Teraz robimy kolejny krok i stawiamy na dane i kompleksowe modele logistyczne. Jestem pewien, że nadal będę miał okazję korzystać z kompleksowego modelu AI Witron dla magazynu” – prognozuje Prieschenk.