AI i Intralogistics: Kundnytta är avgörande – Logistics Business

Helmut Prieschenk från Witron (bilden) och Franziskos Kyriakopoulos, grundare av 7LYTIX från Linz, Österrike, har diskuterat ChatGPT, maskininlärning inom logistik och efterfrågeprognoser för livsmedelshandlare. Båda är överens – AI-teknik erbjuder ett brett utbud av optimeringspotential för att optimera processer i distributionscentret såväl som hela försörjningskedjan. Men hög datakvalitet är inte den enda avgörande faktorn. Lika viktigt för datamodellerna är människors erfarenheter och konsumenternas krav.

"Och sedan över en natt var alla en AI-influencer", skämtade Prieschenk, VD för Witron. Han ville prata om industriell AI, efterfrågeprognoser och lite om ChatGPT. Kyriakopoulos och hans team utvecklar maskininlärningslösningar för detaljhandeln och industrisektorn. Han är fysiker, medan Prieschenk är matematiker. "Det är en farlig blandning." Prieschenk varnade. "Vi har naturligtvis redan hanterat LLMs (Large Language Models) på Witron. Jag ber dock om ett visst lugn. Världen kommer inte att ta slut genom deras användning – och vi kontrollerar kontinuerligt om sådana verktyg är lämpliga för att rimligen hjälpa våra kunder eller våra utvecklare med implementeringen av konkreta kundkrav.”

Kyriakopoulos höll med, men beskriver redan ansökningar. "LLM:er är bra på att behandla sekvenser - beställningar, debiteringar, försäljning eller kundkommunikation. Det kan också användas inom logistiken. Det är mycket hype, många influencers som springer runt och sprider halvsanningar.” Det har Witron redan upplevt, säger Prieschenk. Konkurrenter till OPM-systemet annonserade AI i staplingsalgoritmen. "Men resultaten kan inte slå funktionerna i vår Witron OPM. Dessa utvecklades inte med AI, utan med en hel del mänsklig intelligens, baserad på gedigen mjukvaruutveckling, intensiv kommunikation med användarna och år av praktisk erfarenhet. Vi måste alltid ha ett nyktert förhållningssätt. Våra kunder letar i princip inte efter ett nytt verktyg. De har ett problem och behöver en fungerande lösning som optimerar logistikprocessen i distributionscentret eller i försörjningskedjan, som fungerar stabilt i praktisk användning och som med fördel kan integreras i en odlad struktur.”

Men håller inte denna nykterhet oss tillbaka i Tyskland och Europa? "Jag behöver verkligen en ROI", betonar Prieschenk starkt. "LLM-utvecklare har en brännhastighet på 500 miljoner dollar per år och behöver ytterligare några miljarder", sa Kyriakopoulos. "Det skulle vara otänkbart i Tyskland eller i Österrike."

Tar vi för få risker? Prieschenk är skeptisk. "Jag tror inte det. När jag tittar på satsningarna på till exempel Q-commerce blir jag yr. Det var där många investerare tog full risk. Men marknaden har utvecklats i en helt annan riktning. Förutspådda tillväxttakt visade sig inte. Under tiden pågår konsolidering. Investerare har gått vidare. Våra återförsäljare vill ha AI och investerar i tekniken. Men vi och våra kunder behöver AI-verktyg, såsom prov- eller bildidentifiering, som är transparenta för att sedan lösa problem som vi inte kunde lösa tidigare eller bara kunde lösa med mycket ansträngning.”

7LYTIX-utvecklarna arbetar med LLM, men fokus ligger på efterfrågeprognoser. – Vi kan ge mervärden, men vissa företag förstår ofta inte i början vad mervärdet med modellen kommer att vara. Mer försäljning genom bättre kommunikation med kunden eller förlorad försäljning? Många människor kan inte räkna ut det. Det är där de behöver hjälp från oss”, konstaterade Kyriakopoulos. Prieschenk tillägger: "Våra Witron-kunder kan räkna mycket bra och har fulländat sin verksamhet under decennier. Men jag förstår vad herr Kyriakopoulous menar: Först måste vi klargöra vad som ska optimeras. Återförsäljarna frågar sig om de vill optimera distributionskedjans nätverk lager storlek, om de vill vara närmare kunden, om de ska minska genomströmningstiderna, ändra leveranscykler, minska matsvinnet och lagerföringen eller ha mindre lager på lagret. I detta avseende har vi lärt oss mycket tillsammans med våra kunder från olika delar av världen. Vi lärde oss också att kraven för helgdagar i Finland skiljer sig från dem i USA, eller att en måndag har andra krav än en torsdag.” Kyriakopoulos håller med. ”Vi behöver först ett krav och sedan ett motsvarande AI-verktyg. Och vi behöver inte djupinlärning överallt.”

Hur mycket noggrannhet krävs?

Hur fungerar hans efterfrågeprognoser? ”Först måste vi få en överblick över data. Detta är mödosamt arbete för många återförsäljare. Det handlar inte bara om lagrade varor, utan också om mängden varor i butiken, hur mycket som såldes, vilka påverkande faktorer som kampanjer som finns, hur många förlorade försäljningar som finns i butiken och mycket mer”, förklarade Kyriakopoulos. Dessutom finns kundkort, säsonger, butikens läge eller specialerbjudanden. ”Och vi behöver veta vad som finns i distributionscentralen, i butikens bakrum, i lastbilarna på vägen, för optimering slutar inte i butiken. Det är också viktigt att undvika företagsövergripande eller divisionsövergripande begränsningar samt datasjöar. En stor del av den data som krävs är mestadels känd, men olika avdelningar har tyvärr olika intressen.” Prieschenk höll med: ”Även holistisk logistikdesign bör inte bara fokusera på distributionscentret eller nyckelintressena för enskilda logistikområden, eller processpåverkande avdelningar som inköp eller frakt. Det är viktigt att få med hela leverantörskedjan i optimeringsprocessen – både internt och externt – och att undvika silos så mycket som möjligt, både fysiskt och IT-mässigt.”

"Datan flödar in i mycket enkla modeller", fortsatte Kyriakopoulos. ”Baslinjen är människornas upplevelser. Det är inte AI än. Vi pratar om regressioner. Sedan frågar vi oss själva om vi blev bättre. Detta följs av tidsserieanalyser och första maskininlärningsmetoder. Vi måste alltid titta på hur mycket noggrannhet vi kan uppnå genom nästa nivå kontra hur mycket mervärdet är för kunden och användaren.”

Och Witron? ”Vi måste se till att mekaniken passar modellen. För fysiken måste fungera på samma sätt. Levererar vi fodral eller delar? Eller ett föremål med båda alternativen? Hur ofta levereras en butik? Vad händer när produktsortimentet förändras?” svarade Prieschenk. WITRON logistikcenter skapar flexibilitet för både butik och e-handel. Nyckeln till framgångsrik implementering är dock att tänka processen bakåt i alla kanaler – från konsumenten till distributionscentralen och vid behov ännu längre tillbaka, hela vägen till leverantören. Han ser en utmaning särskilt i modellens förklarbarhet. ”Vi upplever push and pull-system med våra kunder. Vissa fungerar bättre än andra."

Kommer butikschefer låta en AI-modell specificera sina beställningar i framtiden? Kyriakopoulos känner till argumentet från modebranschen. "Om någon har handlat där i 20 år, då är det svårt att omedelbart förklara mervärdet eller att övertyga konsumenten om att den här modellen kan vara bättre. Men vi gör det transparent – ​​vi säger vilka faktorer vi använder, hur vi viktar dem och var respektive faktor gäller.”

Människan har kontrollen

Experterna från Österrike kan se 18 månader in i framtiden. De använder gränssnitt för att koppla modellen till återförsäljarens, ståltillverkarens eller skoåterförsäljarens befintliga system. "Jag vill inte riva allt för att använda en AI-modell", skrattade Kyriakopoulos. "Detta är rätt sätt - integrationen i befintliga arkitekturer", bekräftade Prieschenk.

Men hur robust är modellen? Nyckelord: Covid 19. "Vi kunde inte se det heller", förklarade den österrikiske experten. ”Vi arbetade med modellen inom frusen logistik vid den tiden. Den kortsiktiga prognosen var inte bra i början, men efter en vecka fungerade modellen igen. Efter två veckor var det stabilt. Men enbart prognosen räcker inte. Kunden måste jobba med det – till exempel stärka marknadsföringskanaler, köra kampanjer eller justera priser vid behov.”

"Det är avgörande," sa Prieschenk. "Det är när folk tar över kontrollen. Underskatta aldrig magkänslan hos en logistikchef, servicetekniker eller butiksoperatör. Människors erfarenheter och en väl fungerande datamodell är grunden för att fatta intelligenta – alltså rätt beslut på lång sikt. I distributionscentralen gäller detta även implementering av underhållsstrategier eller 'korrekt drift' av systemet. Och viktigare är att modellerna, verktygen och lösningarna måste vara stabila och bevisa sig själva i praktisk användning och leverera verkliga mervärden i den dagliga verksamheten.”

AI ger information, ansvarig bestämmer och har fortsatt kontroll över processen. "Vi revolutionerade fysiken i logistikcentret för över 20 år sedan. Med OPM-lösningen har vi lyckats med att varor automatiskt staplas på pallar och rullcontainrar utan fel och på ett butiksvänligt sätt. Nu tar vi nästa steg och väljer data och end-to-end logistikmodeller. Och jag är säker på att jag fortfarande kommer att uppleva en end-to-end Witron AI-modell för lagret, förutspådde Prieschenk.