Sztuczna inteligencja w magazynach

| Gospodarka

W magazynach, w których kompletowaniem i pakowaniem towarów zajmują się pracownicy, nawet ponad 15% zamówień realizowanych bywa błędnie - w tych, w których został wdrożony zautomatyzowany system zarządzania, wskaźnik ten spada poniżej 10%. Mniej błędów to mniejsze straty finansowe. W centrach logistycznych obsługujących dostawy o całkowitej wartości liczonej w milionach uzyskiwane dzięki temu oszczędności są rzędu setek tysięcy.

Sztuczna inteligencja w magazynach

Nic więc dziwnego, że wciąż poszukuje się nowych sposobów na usprawnienie pracy magazynów. Obecnie coraz większe nadzieje pokłada się w sztucznej inteligencji (artificial intelligence, AI). Przewiduje się, że AI zrewolucjonizuje wiele różnych aspektów logistyki.

Prace nad rozwojem sztucznej inteligencji trwają już od dziesięcioleci. Na przemian towarzyszyły im wielkie oczekiwania i ogromne rozczarowania. Obecnie do komercjalizacji sztucznej inteligencji jest jednak dużo bliżej niż kiedykolwiek przedtem.

Przyczynia się do tego przede wszystkim postęp w innych dziedzinach nauki i techniki, w tym głównie rosnąca moc obliczeniowa komputerów, rozwijanie coraz bardziej złożonych algorytmów oraz modeli sztucznej inteligencji oraz, co być może ma kluczowe znaczenie, fakt, że ludzie generują olbrzymie, a co więcej, stale rosnące ilości danych. Te informacje, liczone już w miliardach gigabajtów i więcej dziennie, wytwarzane w sieciach komunikacyjnych, sieciach czujników oraz gromadzone w bazach danych systemów komputerowych uważane są bowiem za siłę napędową AI.

Czym jest AI?

Termin "sztuczna inteligencja" od lat jest bardzo nośny medialnie, głównie za sprawą kultury masowej, a zwłaszcza filmów i literatury science fiction i pojawiających się od czasu do czasu wiadomości popularnonaukowych donoszących o kolejnym sukcesie naukowców, którzy zbudowali robota komunikującego się z ludźmi albo stworzyli program komputerowy, z którym można grać w szachy. Dlatego nietrudno jest o nadinterpretację tego pojęcia.

Generalnie przyjmuje się, że sztuczną inteligencję charakteryzuje zdolność do naśladowania ludzkich procesów poznawczych przez realizację funkcji typowych dla człowieka, w tym m.in. percepcji otoczenia, uczenia się, reprezentacji wiedzy, rozumowania, planowania oraz podejmowania decyzji. AI klasyfikuje się jako silną (strong) i słabą (weak). Silną w porównaniu do słabej odróżnia możliwość przystosowywania się do nieznanych wcześniej sytuacji.

Idea sztucznej inteligencji narodziła się w latach 50. zeszłego stulecia, kiedy to brytyjski matematyk, Alan Turing, stworzył test do sprawdzania zdolności maszyny do naśladowania ludzkich funkcji poznawczych. Dopiero jednak niedawno AI zyskała praktyczne zastosowanie dzięki rozwojowi dwóch dziedzin. Pierwszą z nich jest uczenie maszynowe (machine learning), w którym system automatyczny na podstawie przedstawionych mu danych zdobywa doświadczenie i wiedzę, które później wykorzystuje do podejmowania decyzji oraz przewidywania, zaś drugą głębokie uczenie (deep learning), w którym wykorzystuje się sieci neuronowe. Do kategorii technik sztucznej inteligencji zalicza się także rozpoznawanie mowy i obrazów.

AI w magazynach

Zastosowania sztucznej inteligencji w magazynach można podzielić na trzy kategorie. Do pierwszej z nich zalicza się wykorzystanie uczenia maszynowego do analizy ogromnych ilości danych generowanych w systemach zarządzania magazynami dotyczących liczby zamówień, zwrotów i stanu magazynu. Ma to na celu pozyskanie z nich nowych informacji, przede wszystkim wykrycie wzorców zachowań klientów, które nie są oczywiste i trudno je rozpoznać, pobieżnie przeglądając zawartość baz danych WMS (Warehouse Management System). Systemy sztucznej inteligencji mogą bowiem samodzielnie odkryć te zależności - nie trzeba ich wcześniej instruować ani jak, ani czego dokładnie powinny szukać. Podobnie jak w magazynach, systemy AI są wykorzystywane w analizowaniu danych o sprzedaży w sklepach, które zazwyczaj należą do wielkich sieci handlowych.

System sztucznej inteligencji może dostarczyć informacji o tym, jakich towarów oraz kiedy, na przykład w jakie dni tygodnia albo w zależności od pory roku, klienci kupują najwięcej.

Zarządzający centrami logistycznymi w oparciu o takie informacje mogą natomiast zamówić u producenta więcej towarów, na które aktualnie jest popyt, a ograniczyć ilość zgromadzonych zapasów produktów, które nie znajdują w danym czasie nabywców. Płynny przepływ towarów jest finansowo korzystniejszy niż utrzymywanie magazynów z półkami pełnymi wyrobów, na które nie ma obecnie zbytu.

Kolejną użyteczną informacją, jaką system AI może dostarczyć po analizie baz danych, jest to, jakie produkty są przeważnie kupowane razem. Towary kupowane razem umieszcza się w magazynach możliwie jak najbliżej siebie. Dzięki temu personel, kompletując zamówienia, wszystkie potrzebne artykuły ma pod ręką. Traci się wówczas mniej czasu i paliwa, jeżeli pracownicy poruszają się po hali na przykład wózkiem widłowym.

Rozpoznawanie i synteza mowy

W magazynach korzysta się również z zaliczanych do kategorii sztucznej inteligencji technik syntezy i rozpoznawania mowy. Znajdują one w nich zastosowanie w instruowaniu personelu bezpośrednio przez WMS.

W takim przypadku pracowników wyposaża się w słuchawki i mikrofon, przez który komunikują się z systemem zarządzania magazynem. Przekazuje on im informacje o tym, gdzie znajduje się dany towar, jakie produkty należą do konkretnego zamówienia i wszelkie inne instrukcje, które są niezbędne do wykonania zleconego zadania. Komunikacja z WMS jest dwukierunkowa. Pracownik może na przykład podać kilka pierwszych cyfr kodu, którym oznakowano towar, na podstawie których system zarządzania magazynem upewni go, że wybrał właściwy artykuł, poinformować WMS o wykonaniu zadania lub przekazać mu inne wymagane komunikaty zwrotne.

Dzięki temu, że instrukcje są pracownikowi przekazywane głosowo, może się on całkowicie skoncentrować na wykonywanym zadaniu, a obie ręce ma wolne i nie musi, jak w przypadku, gdy opiera się na zleceniach w formie papierowej, wertować kartek i pilnować, żeby ich gdzieś po drodze nie zgubić. Dzięki temu, że to WMS sprawdza za niego poprawność kodu i odnotowuje w bazie danych zdjęcie z półki konkretnego artykułu, nie musi również posługiwać się ręcznym skanerem.

Wdrożenie syntezy i rozpoznawania mowy w instruowaniu personelu ma liczne zalety. Przede wszystkim poprawia to szybkość oraz dokładność kompletowania zamówień, system zarządzania magazynem bowiem od razu sprawdza, czy pracownik wybrał właściwy artykuł. Szacuje się, że dzięki temu liczba błędów maleje nawet o 80-90%. Sprawniejsze oraz bezbłędne pakowanie przekłada się na oszczędności czasu, pieniędzy (nie trzeba później zajmować się zwrotami) i zadowolenie klientów.

Autonomiczne AGV

Kolejny aspekt funkcjonowania magazynów, który sztuczna inteligencja ma szansę zrewolucjonizować, to transport wewnętrzny. W tym zadaniu coraz chętniej używa się wózków AGV (Automated Guided Vehicles), czyli bezzałogowych samojezdnych pojazdów, które są wyposażone w napęd elektryczny i zasilane z akumulatorów. Pojazdy tego typu są użytkowane od lat 50. zeszłego wieku, lecz sukcesywnie się je ulepsza. Udoskonala się zwłaszcza sposoby ich nawigacji. Przykładowe metody to: pętli indukcyjnej, pętli magnetycznej, optyczna, laserowa, ultradźwiękowa oraz w oparciu o system GPS.

Większość wymaga umieszczenia na terenie, po którym będzie poruszał się wózek, specjalnych znaczników wyznaczających trasę. Wykrywając je, AGV pokonuje fragmenty zadanej ścieżki ruchu, którą zoptymalizowano pod kątem najefektywniejszego przepływu towarów w obrębie danego pomieszczenia.

Na przykład w metodzie pętli indukcyjnej pod podłogą umieszcza się kabel. Przy przepływie prądu elektrycznego dookoła niego wytwarza się pole magnetyczne. Wózek wyposaża się w układ mierzący jego natężenie. Sterownik modyfi kuje kierunek pojazdu, żeby wartość natężenie pola była jak największa. Wadą tej metody jest konieczność ingerencji w podłoże w obiekcie i trudność zmiany trasy.

Tradycyjne metody uzupełnia się o rozwiązania zwiększające autonomię wózków samojezdnych, na przykład wyposażając je w czujniki. Dzięki nim pojazd może się "nauczyć" poruszania po magazynie. W tym celu wykonuje próbny przejazd, podczas którego skanuje teren na przykład przy użyciu sensorów laserowych w celu wykrycia przeszkód. Pozwala to na stworzenie mapy pustych korytarzy. Podążanie wyznaczonymi na niej szlakami, przy wsparciu pokładowego systemu detekcji kolizji, zapewnia bezpieczną jazdę.

Autonomiczne pojazdy AGV dzięki pokładowemu systemowi sztucznej inteligencji będą w stanie automatycznie adaptować się do zmian w swoim otoczeniu. Na razie są jednak jeszcze we wczesnym stadium rozwoju, a ich projektanci skupiają się na rozwiązaniu głównych problemów, tzn. przepustowości transportu, powtarzalności ruchu, jego precyzji oraz koordynacji floty wielu takich pojazdów.

Przyszłość rynku AI

Globalny rynek sztucznej inteligencji w latach 2017-2025 według Markets and Markets

Rys.1. Globalny rynek sztucznej inteligencji w latach 2017-2025 według Markets and Markets

Przewiduje się, że w dziedzinie sztucznej inteligencji czeka nas świetlana, pełna innowacji, przyszłość. Jednocześnie nie wszędzie na świecie będzie się ona rozwijać w takim samym tempie. Na przykład w 2016 roku ponad 60% wszystkich środków, które przeznaczono na badania nad AI, zostało wykorzystanych przez firmy prowadzące działalność na terenie Stanów Zjednoczonych, jak wynika z analizy firmy McKinsey. Drugie miejsce zajęły pod tym względem Chiny, do których trafiło 17% dostępnych funduszy. W obu tych krajach wytworzyło się swoiste środowisko AI, na które składają się połączeni relacjami biznesowymi przedsiębiorcy, którzy finansują badania nad sztuczną inteligencją, firmy, które je prowadzą oraz te, które korzystają z wyników ich prac. W państwach tych zostały także przyjęte plany strategiczne dotyczące rozwoju sztucznej inteligencji, na których realizację zarezerwowano znaczące środki finansowe. Podobne założenia przyjęto też m.in. w Korei Południowej i Wielkiej Brytanii.

Globalnie spodziewane są duże wzrosty na rynku AI. Chociaż firmy analityczne diametralnie różnie wyceniają jego wartość - na przykład według Markets and Markets w latach 2017-2025 zmieni się ona z 16 do 190 mld dolarów, zaś zdaniem Grand View Research w latach 2016-2025 wzrośnie z 6 do 59 mld dolarów - jej średni coroczny wzrost będzie rzędu przynajmniej kilkudziesięciu procent.

Monika Jaworowska

Zobacz również