AI trong Intralogistics: Lợi ích của khách hàng là quyết định – Logistics Busines

Helmut Prieschenk từ Witron (ảnh) và Franziskos Kyriakopoulos, người sáng lập 7LYTIX từ Linz, Áo, đã thảo luận về ChatGPT, học máy trong hậu cần và dự báo nhu cầu cho các nhà bán lẻ thực phẩm. Cả hai đều đồng ý – Công nghệ AI mang lại nhiều tiềm năng tối ưu hóa để tối ưu hóa các quy trình trong trung tâm phân phối cũng như toàn bộ chuỗi cung ứng. Nhưng chất lượng dữ liệu cao không phải là yếu tố quan trọng duy nhất. Điều quan trọng không kém đối với các mô hình dữ liệu là trải nghiệm của con người và yêu cầu của người tiêu dùng.

“Và sau đó chỉ sau một đêm, mọi người đều trở thành người có ảnh hưởng đến AI,” Prieschenk, Giám đốc điều hành của Witron nói đùa. Anh ấy muốn nói về AI công nghiệp, dự báo nhu cầu và một chút về ChatGPT. Kyriakopoulos và nhóm của ông phát triển các giải pháp máy học cho lĩnh vực bán lẻ và công nghiệp. Ông là nhà vật lý, còn Prieschenk là nhà toán học. “Đó là một sự kết hợp nguy hiểm.” Prieschenk cảnh báo. “Tất nhiên, chúng tôi đã xử lý LLM (Mô hình ngôn ngữ lớn) tại Witron. Tuy nhiên, tôi sẽ yêu cầu một sự thanh thản nhất định. Thế giới sẽ không kết thúc thông qua việc sử dụng chúng - và chúng tôi liên tục xác minh xem những công cụ đó có phù hợp để trợ giúp hợp lý cho khách hàng hoặc nhà phát triển của chúng tôi trong việc thực hiện các yêu cầu cụ thể của khách hàng hay không.”

Kyriakopoulos đồng ý nhưng đã phác thảo các ứng dụng. “LLM rất giỏi trong việc xử lý các trình tự – đơn đặt hàng, ghi nợ, bán hàng hoặc liên lạc với khách hàng. Điều đó cũng có thể được sử dụng trong lĩnh vực hậu cần nội bộ. Có rất nhiều sự cường điệu, rất nhiều người có ảnh hưởng chạy khắp nơi để truyền bá những sự thật nửa vời.” Prieschenk cho biết Witron đã từng trải qua điều này. Các đối thủ của hệ thống OPM đang quảng cáo AI trong thuật toán xếp chồng. “Nhưng kết quả không thể đánh bại được chức năng của Witron OPM của chúng tôi. Chúng không được phát triển bằng AI mà sử dụng rất nhiều trí tuệ của con người, dựa trên sự phát triển phần mềm vững chắc, giao tiếp chuyên sâu với người dùng và nhiều năm kinh nghiệm thực tế. Chúng ta luôn phải có cách tiếp cận tỉnh táo. Về cơ bản, khách hàng của chúng tôi không tìm kiếm một công cụ mới. Họ gặp vấn đề và cần một giải pháp hoạt động có thể tối ưu hóa quy trình hậu cần trong trung tâm phân phối hoặc trong chuỗi cung ứng, hoạt động ổn định trong sử dụng thực tế và có thể được tích hợp một cách hữu ích vào một cơ cấu phát triển.”

Nhưng chẳng phải sự tỉnh táo này đang cản trở chúng tôi ở Đức và Châu Âu sao? “Tôi chắc chắn cần ROI”, Prieschenk nhấn mạnh. Kyriakopoulos cho biết: “Các nhà phát triển LLM có tỷ lệ đốt 500 triệu USD mỗi năm và cần thêm vài tỷ USD nữa”. “Điều đó là không thể tưởng tượng được ở Đức hoặc ở Áo.”

Có phải chúng ta đang gặp quá ít rủi ro? Prieschenk hoài nghi. “Tôi không nghĩ vậy. Ví dụ: khi tôi nhìn vào các khoản đầu tư vào Q-commerce, tôi cảm thấy choáng váng. Đó là nơi rất nhiều nhà đầu tư chấp nhận rủi ro hoàn toàn. Nhưng thị trường đã phát triển theo một hướng hoàn toàn khác. Tốc độ tăng trưởng dự đoán không xuất hiện. Trong khi đó, quá trình hợp nhất đang diễn ra. Các nhà đầu tư đã chuyển đi. Các nhà bán lẻ của chúng tôi muốn có AI và đang đầu tư vào công nghệ. Nhưng chúng tôi và khách hàng của mình cần các công cụ AI, chẳng hạn như nhận dạng mẫu hoặc hình ảnh, minh bạch để giải quyết các vấn đề mà trước đây chúng tôi không thể giải quyết hoặc chỉ có thể giải quyết với rất nhiều nỗ lực.”

Các nhà phát triển 7LYTIX làm việc với LLM nhưng trọng tâm là dự báo nhu cầu. “Chúng tôi có thể cung cấp các giá trị gia tăng, nhưng ngay từ đầu một số công ty thường không hiểu giá trị gia tăng của mô hình sẽ là bao nhiêu. Doanh số bán hàng cao hơn thông qua giao tiếp tốt hơn với khách hàng hoặc doanh số bán hàng bị mất? Nhiều người không thể tính được điều đó. Đó là nơi họ cần sự giúp đỡ từ chúng tôi”, Kyriakopoulos nói. Prieschenk cho biết thêm: “Khách hàng Witron của chúng tôi có thể tính toán rất tốt và đã hoàn thiện hoạt động kinh doanh của họ trong nhiều thập kỷ. Nhưng tôi hiểu ý ông Kyriakopoulous: Đầu tiên, chúng ta cần làm rõ những gì cần tối ưu hóa. Các nhà bán lẻ tự hỏi liệu họ có muốn tối ưu hóa mạng lưới chuỗi cung ứng, kho quy mô, liệu họ có muốn gần gũi hơn với khách hàng hay không, có muốn giảm thời gian thông qua, thay đổi chu kỳ giao hàng, giảm lãng phí thực phẩm và hết hàng hay có ít hàng trong kho hơn. Về mặt này, chúng tôi đã cùng nhau học hỏi được nhiều điều với khách hàng từ nhiều nơi trên thế giới. Chúng tôi cũng được biết rằng các yêu cầu về ngày nghỉ lễ ngân hàng ở Phần Lan khác với yêu cầu ở Hoa Kỳ hoặc rằng Thứ Hai có các yêu cầu khác với Thứ Năm.” Kyriakopoulos đồng ý. “Trước tiên chúng tôi cần một yêu cầu và sau đó là một công cụ AI tương ứng. Và chúng ta không cần học sâu toàn diện.”

Cần bao nhiêu độ chính xác?

Dự báo nhu cầu của anh ấy hoạt động như thế nào? “Đầu tiên, chúng ta cần có được cái nhìn tổng quan về dữ liệu. Đây là công việc tốn nhiều công sức của nhiều nhà bán lẻ. Kyriakopoulos giải thích không chỉ về hàng hóa được lưu trữ mà còn về số lượng hàng hóa trong cửa hàng, số lượng hàng đã bán, các yếu tố ảnh hưởng như chương trình khuyến mãi tồn tại, số lượng hàng bán bị mất trong cửa hàng, v.v. Ngoài ra, còn có thẻ khách hàng, mùa, vị trí cửa hàng hoặc ưu đãi đặc biệt. “Và chúng tôi cần biết những gì ở trung tâm phân phối, phòng sau cửa hàng, trong xe tải trên đường, vì việc tối ưu hóa không chỉ dừng lại ở cửa hàng. Điều quan trọng nữa là tránh các hạn chế giữa các công ty hoặc giữa các bộ phận cũng như các hồ dữ liệu. Một phần chính của dữ liệu cần thiết hầu hết đã được biết đến, nhưng đáng tiếc là các bộ phận khác nhau lại theo đuổi những mối quan tâm khác nhau.” Prieschenk đồng ý: “Ngay cả việc thiết kế hậu cần toàn diện cũng không nên chỉ tập trung vào trung tâm phân phối hoặc lợi ích chính của các khu vực hậu cần riêng lẻ hoặc các bộ phận có ảnh hưởng đến quy trình như mua hàng hoặc vận chuyển. Điều quan trọng là phải đưa toàn bộ chuỗi cung ứng vào quy trình tối ưu hóa – cả bên trong lẫn bên ngoài – và tránh các sự cố tách biệt càng nhiều càng tốt, cả về mặt vật lý lẫn về mặt CNTT.”

Kyriakopoulos tiếp tục: “Luồng dữ liệu vào các mô hình rất đơn giản”. “Cơ sở là trải nghiệm của mọi người. Đó chưa phải là AI. Chúng ta nói về sự hồi quy. Sau đó, chúng tôi tự hỏi liệu chúng tôi có trở nên tốt hơn không. Tiếp theo là phân tích chuỗi thời gian và phương pháp học máy đầu tiên. Chúng tôi luôn phải xem xét mức độ chính xác mà chúng tôi có thể đạt được ở cấp độ tiếp theo so với giá trị gia tăng cho khách hàng và người dùng là bao nhiêu.”

Và Witron? “Chúng tôi phải đảm bảo rằng cơ chế hoạt động phù hợp với mô hình. Bởi vì vật lý cũng phải hoạt động theo cách tương tự. Chúng tôi có cung cấp hộp hoặc miếng không? Hoặc một mục có cả hai lựa chọn? Cửa hàng giao hàng bao lâu một lần? Điều gì xảy ra khi phạm vi sản phẩm thay đổi?” Prieschenk trả lời. WITRON trung tâm hậu cần tạo ra sự linh hoạt cho cả cửa hàng và thương mại điện tử. Tuy nhiên, chìa khóa để thực hiện thành công là suy nghĩ ngược lại về quy trình trên tất cả các kênh - từ người tiêu dùng đến trung tâm phân phối và, nếu cần, thậm chí quay ngược lại, đến tận nhà cung cấp. Anh ấy nhận thấy thách thức đặc biệt là ở khả năng giải thích của mô hình. “Chúng tôi trải nghiệm hệ thống đẩy và kéo với khách hàng của mình. Một số công việc tốt hơn những công viêc khác."

Người quản lý cửa hàng có cho phép mô hình AI xác định đơn hàng của họ trong tương lai không? Kyriakopoulos biết lập luận từ ngành thời trang. “Nếu ai đó đã mua sắm ở đó 20 năm thì rất khó để giải thích ngay về giá trị gia tăng hoặc thuyết phục người tiêu dùng rằng mô hình này có thể tốt hơn. Nhưng chúng tôi làm cho nó minh bạch – chúng tôi cho biết những yếu tố nào chúng tôi sử dụng, cách chúng tôi đánh giá chúng và nơi áp dụng yếu tố tương ứng.”

Con người có quyền kiểm soát

Các chuyên gia đến từ Áo có thể nhìn về tương lai 18 tháng. Họ sử dụng các giao diện để kết nối mô hình với các hệ thống hiện có của nhà bán lẻ, nhà sản xuất thép hoặc nhà bán lẻ giày. “Tôi không muốn phá bỏ mọi thứ để sử dụng mô hình AI”, Kyriakopoulos cười. Prieschenk khẳng định: “Đây là con đường đúng đắn – sự tích hợp vào các kiến ​​trúc hiện có”.

Nhưng mô hình này mạnh mẽ đến mức nào? Từ khóa: Covid 19. “Chúng tôi cũng không thể thấy điều đó”, chuyên gia người Áo giải thích. “Vào thời điểm đó, chúng tôi đang làm việc với mô hình hậu cần đông lạnh. Dự báo ngắn hạn ban đầu không tốt nhưng sau một tuần, mô hình đã hoạt động trở lại. Sau hai tuần, nó đã ổn định. Nhưng chỉ dự báo thôi thì chưa đủ. Khách hàng phải làm việc với nó - ví dụ như tăng cường các kênh tiếp thị, chạy chương trình khuyến mãi hoặc điều chỉnh giá, nếu cần thiết.”

“Điều đó rất quan trọng,” Prieschenk nói. “Đây là lúc mọi người nắm quyền kiểm soát. Đừng bao giờ đánh giá thấp trực giác của người quản lý hậu cần, kỹ thuật viên dịch vụ hoặc người điều hành cửa hàng. Trải nghiệm của mọi người và mô hình dữ liệu hoạt động tốt là cơ sở để đưa ra những quyết định thông minh - tức là những quyết định đúng đắn trong dài hạn. Ở trung tâm phân phối, điều này cũng áp dụng cho việc thực hiện các chiến lược bảo trì hoặc “vận hành chính xác” hệ thống. Và quan trọng, các mô hình, công cụ và giải pháp phải ổn định và chứng tỏ được khả năng sử dụng thực tế, mang lại giá trị gia tăng thực sự trong hoạt động kinh doanh hàng ngày.”

AI cung cấp thông tin, người phụ trách quyết định và tiếp tục có quyền kiểm soát quy trình. “Chúng tôi đã cách mạng hóa vật lý ở trung tâm hậu cần hơn 20 năm trước. Với giải pháp OPM, chúng tôi đã quản lý được rằng hàng hóa được tự động xếp lên pallet và cuộn container mà không xảy ra lỗi và theo cách thân thiện với cửa hàng. Bây giờ chúng tôi đang thực hiện bước tiếp theo và lựa chọn dữ liệu cũng như các mô hình hậu cần đầu cuối. Và tôi chắc chắn rằng mình vẫn sẽ trải nghiệm mô hình Witron AI toàn diện cho nhà kho,” Prieschenk dự đoán.