Visi runā par mākslīgo intelektu, bet kādi ir tā potenciālie pielietojumi noliktavā un piegādes ķēdē? Edvards Napier-Fenning, vadošā piegādes ķēdes programmatūras uzņēmuma pārdošanas un mārketinga direktorsBalons, izpēta piecas galvenās jomas, kas var uzlabot veiktspēju, tostarp maršruta plānošana, atlase, darba pārvaldības atskaites un datu ievade.
#Freightforwarder #DoortoDoor #Amazon #Eksports #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Kravu ekspeditors 3pl dropshipping DoortoDoor AirFreight aģents Jordānijas kuģniecības Ķīnas kuģniecības aģenta izpildes centrs
kapoklog loģistikas gaisa kravu pārvadājumi no Ķīnas uz AK
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kosmētika, Saūda Arābijas pakalpojumi pa gaisu un pa jūru no durvīm līdz durvīm
#ķīnasiepirkšanasaģents #ķīnaskuģniecībasaģents #ķīnaskuģniecības #ķīnaskuģniecībaslogistika
#izpildescentrs #tiešsaistesmārketings #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴巴咖双清 #巴势 #中东地区问题 #中东局势 #约旦门到门 #约旦物流#约旦DDP #约旦双清包税 #约旦海运 #约旦空运 #约旦海派 #约旦专线
Shenzhen kapoklog loģistika Saūda Arābija muitas nodevas maksā no durvīm līdz durvīm DDP
DDP Ķīna uz Saūda Arābiju
Shenzhen kapoklog logistics Dubai muitas muitošanas pakalpojums no durvīm līdz durvīm DDP
DDP Ķīna uz Dubaiju
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog loģistika Katara muitas muitošanas no durvīm līdz durvīm DDP līnija
DDP Ķīna uz Kataru
Shenzhen kapoklog loģistika Pakistāna DDP
DDP Ķīna uz Pakistānu
Shenzhen kapoklog loģistika Jordānija muitas muitošana no durvīm līdz durvīm DDP Ķīna uz Jordāniju
Shenzhen kapokloglogistics Egypt dubultā muitas muitošana no durvīm līdz durvīm DDP
Shenzhen kapoklog loģistika Džida muitas muitošana, Džida DDP, Ķīna uz Džida DDP piegāde
Shenzhen Kapoklog loģistika Omāna ddp, Ķīna uz Omānu DDP, Omāna piegāde DDP
Shenzhen kapoklog Irāka muitas muitošana, Ķīna uz Irāku DDP
Shenzhen Kapoklog loģistika Izraēlas muitas muitošana DDP , Ķīna uz Izraēlu no durvīm līdz durvīm , Izraēla no durvīm līdz durvīm , Ķīna uz Izraēlu DDP
Diezgan pēkšņi mākslīgais intelekts (AI) ir visur. Tāpat kā daudzu citu revolucionāru tehnoloģiju agrīnajos laikos, ir daudz pārprasību, un liela daļa no tā, kas pašlaik tiek saukts par "ar AI iespējotu", patiesībā ir tikai virkne, protams, ļoti ātru un ļoti gudru algoritmu, kas seko loģikai. cilvēku izstrādātie ceļi. Spēja apstrādāt milzīgu daudzumu “lielo datu” zibens ātrumā ir iespaidīga un ārkārtīgi vērtīga, taču tā pati par sevi neveido mākslīgo intelektu. Patiesajam AI ir iespēja mācīties no vēsturiskiem datiem un pašreizējām darbībām un savā ziņā pārrakstīt savus algoritmus.
AI attīstības temps paātrinās, un mēs jau varam redzēt dažas galvenās jomas noliktavu un loģistikas jomā, kur to var izmantot.
1. Uzlabota maršruta plānošana
Līdz šim autovadītājs ir devies ceļā ar noteiktu maršrutu, iespējams, parastu apli vai kādu dienu vai divas agrāk ieplānotu, un viņam pašam ir jāizdomā vislabākā reakcija uz negadījumu, sastrēgumu vai citu notikumu. kad un kad tās rodas. Tagad satiksmes pārvaldību var saistīt reāllaikā ar tādiem resursiem kā Google, izstrādājot ne tikai pašreizējās problēmas risinājumu, bet arī izmantojot tās mācīšanos, lai paredzētu, kur varētu rasties sastrēgumi, kas dīvainā kārtā bieži neatrodas faktiskā incidenta vieta. Tas nodrošina stingrāku izvairīšanās ieteikumu un palīdz nodrošināt piegādes uz noliktavu un no tās saskaņā ar grafiku.
Šāda pieeja maršruta plānošanai var darboties vienlaikus ar dinamisku slodzes veidošanu. Pašlaik nav pilna pasūtījuma faila dienas sākumā vai vietā, kur jālabo vadītāji un maršruti nākamās dienas operācijām. Tāpēc maršrutā var būt iekļauti galamērķi, kur faktiski nav jāveic kritiens, vai arī var tikt izlaisti kritieni, kurus būtu bijis lietderīgi veikt. Inteliģentās sistēmas var nepārtraukti pārplānot, modificēt un optimizēt maršrutus, kad tiek veidots pasūtījuma profils. Tas savukārt var palīdzēt risināt nākamo tēmu, proti, efektīvu pasūtījumu komplektēšanu, kurai, protams, ir savas maršrutēšanas un maršrutēšanas problēmas.
2. Efektīva novākšana
Liela daļa trokšņu saistībā ar AI piegādes ķēdē ir saistīti ar tādiem jautājumiem kā inventārs un pasūtīšana. Uzlabojumi šeit ir nepārprotami svarīgi, taču mēs tik tikko esam sākuši pieskarties tam, kā efektīvāk vadīt noliktavu, kur slēpjas patiešām lielas darbaspēka un administrācijas izmaksas, kā arī iespējamie ietaupījumi.
Izvēles ceļa optimizācija ir aktuāla tēma noliktavā, lai gan zemākajā līmenī tas ir nedaudz vairāk kā pasūtījumu ievietošana secībā un sadalīšana darba blokos. Ir patīkami, ka to var izdarīt ļoti ātri, taču patiesais mākslīgais intelekts sāk saprātīgāk paskatīties uz visu situāciju: kur atrodas preces noliktavā, kādas preces var vai nevar apvienot dotajos ratiņos vai konteinerā ( un kur atrodas šie konteineri), kādi ir prioritārie pasūtījumi (kam ir skaidra saite uz iepriekš minēto maršrutēšanas jautājumu), tādējādi veidojot pēc iespējas efektīvākas atlases rutīnas.
AI varēs uzlabot komplektēšanas stratēģiju izvēli un darbību – un optimālais var atšķirties atkarībā no preču veida vai pat diennakts laika. Stratēģijas ir daudz un dažādas: piemēram, pakešu komplektēšana, kas ietver maršruta iešanu, viena SKU atlase vienlaikus pasūtījumu grupai. Vai arī tā varētu būt zonas vai “klasteru” atlase, kurā operators pasūtījumu grupai izvēlas visus SKU vienā “zonā”, un totalizators (ar šo operatoru vai bez tā) pēc tam pāriet uz nākamo zonu.
Klasteru komplektēšana parasti ir efektīvāka, taču tai ir nepieciešams optimizēt preču izkārtojumu noliktavā, lai preces, kuras, visticamāk, tiks veiktas tajos pašos pasūtījumos, tiktu grupētas kopā un pasūtījumi tiktu grupēti ap līdzīgiem profiliem. Tas arī nozīmē, ka pasūtījumi ne vienmēr tiek atlasīti stingri hronoloģiskā secībā, ti, saskaņā ar piegādes maršruta atiešanas laikiem, un tāpēc tie ir neaizsargāti pret sastrēgumu kavēšanos, iespējams, šauru eju vai nepieciešamības nodalīt gājējus no kravas automašīnām un cita tehnika.
Sadarbojoties ar klientu Pets Corner, Balloon ir izstrādājis vispārējas nozīmes pasūtījumu klasterizācijas modeli, kas var darboties kā mākoņa tīmekļa funkcija. Jaunā tehnika ir paātrinājusi pasūtījumu viļņa uzņemšanas laiku par 38%. Šajā pieejā netiek strikti izmantots neviens izstrādāts AI, taču mēs varam viegli redzēt, ka AI varētu nodrošināt turpmākus būtiskus uzlabojumus gan pasūtījumu komplektēšanas izkārtojumā un darbībā, gan šiem pasūtījumiem vispiemērotākās stratēģijas izvēlē. Mēs, piemēram, strādājam pie veidiem, kā šo pieeju varētu attiecināt uz vairāku rindu pasūtījumiem un izveidot “sākumpunktus” maršrutu komplektēšanai dažādās noliktavas vietās. Tas ātri kļūst diezgan sarežģīti, un AI būs ļoti noderīgs lietu risināšanā.
Viens no efektivitātes paaugstināšanas avotiem ir tas, ka operācijām nav jābūt tik saistošām ar “standarta” procesiem, kas dažkārt var nebūt nepieciešami. Neliels piemērs ir daži darbi, ko nesen veicām Birlea labā. Šim uzņēmumam bija parasta procedūra, saskaņā ar kuru atlasītajām precēm tiek piešķirta “WMS” etiķete, kurā norādīts, kādā secībā tās ir piešķirtas, un nosūtītas pārbaudei un pārsaiņošanai, pēc tam tām tiek piešķirta cita “pārvadātāja” etiķete. Bet viņu mēbeļu priekšmeti nav jāpārbauda vai jāpārsaiņo. Izrādījās, ka šīm precēm ir iespējams likvidēt WMS marķējumu un pārprogrammēt SQL, lai sistēma uzskatītu, ka pārvadātāja etiķete ir WMS etiķete, kuru tā šajā brīdī gaidīja. Tas pats par sevi neprasa mākslīgo intelektu, taču ir viegli iedomāties AI sistēmas, kas var iemācīties atpazīt, ka konkrētam vienumam noteikti procesi ir lieki un tos var novērst, neradot risku, ka operators veiks nepareizu zvanu.
3. Efektīvāka darbaspēka vadība
Pašreizējos apstākļos lielākais izaicinājums efektivitātes paaugstināšanai ir tas, kur izvietot ierobežoto un dārgo darbaspēku. Objektā ar labu noliktavas pārvaldības programmatūru (WMS) un citām sistēmām vajadzētu būt lielam datu apjomam no gala līdz galam: par to, kas notiek saņemšanā, nolikšanā, savākšanā, papildināšanā un tā tālāk. Tam vajadzētu operatoram pateikt, kur viņiem jāliek savi cilvēki, taču tas ir sarežģīti. Tradicionālā WMS to pārvalda līdz noteiktam brīdim, bet lielā mērā ir atkarīga no cilvēkiem, kuri izveido, ievada un uztur datus, sākot no standarta darba elementu laikiem, līdz tam, kam ir atļauts veikt noteiktus uzdevumus utt.
Zināmā mērā mēs jau varam efektīvāk sakārtot preces, darbības un resursus, izmantojot vēsturiskos ierakstus un pašreizējos datus, lai nodrošinātu sarežģītākus darbaspēka pārvaldības modeļus. Taču mākslīgais intelekts noteikti varētu sniegt papildu ieguldījumu datu iegūšanā no dažādiem avotiem un to izpratnē.
Efektīva izvietošana kļūs vēl svarīgāka, jo uzņēmumi sāks izmantot robotiku “kobotu” veidā — mašīnas, kas strādā sadarbībā ar cilvēkiem. Tas, iespējams, īpaši attiecas uz MVU, kuri arvien vairāk var atļauties šāda veida automatizāciju, un tiem ir jābūt daudz elastīgākiem nekā lielajām automatizētajām sistēmām, kuras pārvalda lielas operācijas. Piemēram, strādniekus var “marķēt” ar Bluetooth ierīci, lai noteiktu viņu atrašanās vietu gan attiecībā pret robota pašreizējo vai paredzēto pozīciju, gan prioritāro pasūtījumu pozīciju un pašreizējo statusu, taču, lai pilnībā izmantotu šīs priekšrocības, ir nepieciešamas viedas sistēmas.
Mēs neuzskatām, ka AI izmantošana darba efektivitātes uzlabošanai galvenokārt ir darbinieku skaita samazināšana. Tas drīzāk ir saistīts ar “nāves laika” un neproduktīvu darbību novēršanu, piemēram, staigāšanu no viena noliktavas gala uz otru. Acīmredzot tas uzlabo produktivitāti, bet arī ir vieglāk noturēt labus cilvēkus, ja viņi pusi sava laika nepavada dīkstāvē un otru pusi trakā steigā, kā rezultātā darbinieki var justies gan noguruši, gan nenovērtēti.
4. Precīzāki ziņojumi un analīze
Balloon aktīvi iesaistās AI pielietošanā piegādes ķēdes telpā. Aktivitāte nozarē strauji pieaug. Jāatceras, ka vide ikvienam ir atšķirīga, it īpaši MVU, kas ir viens no iemesliem, kāpēc AI spēja mācīties no situācijas, nevis tikai apstrādāt ārēji atvasinātu algoritmu, ir tik pievilcīga. Vēl viens apsvērums ir tāds, ka liela daļa datu ir balstīti uz tekstu, tāpēc viena no lietām, ko mēs darām, ir apkopot datus no vairākiem avotiem Microsoft analītikas pakotnē ar datu modeli, kas norāda sistēmai, kā datus saistīt ar dažādiem objektiem. Mēs varam izveidot informācijas paneli un papildus tam mēs varam slāņot kādu ChatGPT veida funkcionalitāti — “parādīt man sektoru diagrammu, kurā mani darbinieki izvēlas pēc dienas un pēc personas”, lai vadītājiem nebūtu jālūdz IT, lai viņi izveidotu pārskatu.
Uz AI balstītas sistēmas var ievērojami palielināt manuālās uzskaites un analītikas izmaksas un slogu, nemaz nerunājot par to kļūdu novēršanu (vai vismaz atklāšanu), kas neizbēgami rodas manuālajās sistēmās. Galu galā var pat ietaupīt, integrējot visas dažādās sistēmas, ko izmanto noliktavu un izplatīšanas operācijās: AI var “iemācīties” iegūt datus no vienas sistēmas uz otru, neskatoties uz šķietami nesaderīgiem formātiem, tā vietā, lai kāds būtu smagi strādājis. rakstiet kodu katram gadījumam.
5. Uzlabota attēlu atpazīšana un samazināta atslēgas maiņa
AI jau šeit rada pārmaiņas, piemēram, datu ievadē, tostarp optiskā rakstzīmju atpazīšanas un attēla jomāskenēšana– tā jēga, saistīšana ar citiem sistēmas elementiem un it īpaši kļūdu un neatbilstību meklēšana. Tā var būt daudzuma atšķirība starp pārdošanas pasūtījumu un attiecīgo komplektēšanas piezīmi; vai arī tā var būt piegādes adrese, kas neeksistē vai kurai nav jēgas: tādā gadījumā var būt iespējams konfigurēt AI, lai sniegtu viedus ieteikumus par to, kādai adresei jābūt, pirms piegādes draiveris dodas uz meža zosu. vajāt.
Tātad ar AI noliktavas vidē notiek daudz. Pašlaik ainava ir nelielu izstrādņu savārstījums, kas palīdz cilvēkiem pielāgot AI gabalus savām darbībām, bieži vien sākot ar mazāku darbu likvidēšanu saskarnēs starp sistēmām, kur, piemēram, mēdz izpausties datu neatbilstības. Bet šis savārstījums noteikti saplūdīs diezgan īsā laikā.
Tas sasaucas ar pašas Balloon pieeju, saskaņā ar kuru mūsu inovāciju komanda ir vērsta uz mazām uzlabotas funkcionalitātes kabatām. Klasterizācija ir viena no pirmajām, un tā ir tāda, kurā mēs jau esam redzējuši lielus efektivitātes pieaugumus klientu vietnēs.
Noliktavas pārvaldību raksturo vairākas datu ievades un vairāki iespējamie lēmumi un izvades scenāriji. Tos cilvēku vadītāji nespēj veikt stabili un laikā, savukārt tradicionālās algoritmiskās pieejas balstās uz pieņēmumiem un vienkāršojumiem, kas bieži vien ir ne vienmēr vai pilnībā derīgi. Tikmēr trūcīgs darbaspēks var sēdēt un gaidīt, lai viņiem pateiktu, kā rīkoties. AI sola nodrošināt rīkus šo problēmu risināšanai.
