Umjetna inteligencija (AI) je sadašnjost i budućnost tehnologije. Ali kako je možemo implementirati da bi naši procesi proizvodnje i opskrbnog lanca bili sve učinkovitiji? Umjetna inteligencija otvara ogroman broj scenarija koje treba otkriti i u njih proniknuti. Također pruža mogućnost istraživanja novih poslovnih prilika za postizanje većeg rasta, profitabilnosti i održivosti. Primjer koji to ilustrira je upotreba umjetne inteligencije u kombinaciji s digitalnim blizancima (digitalne replike procesa, proizvoda ili usluge) za personalizaciju proizvodnje prema zahtjevima kupca.
Što je to umjetna inteligencija?
Umjetna inteligencija je simulacija ljudske inteligencije pomoću strojeva i računalnih sustava. Njezin cilj je stvoriti strojeve koji se mogu ponašati kao ljudi. Iako se to prije nekoliko godina činilo kao znanstvena fantastika, sve smo bliže tome da postane stvarnost.
Pojam umjetna inteligencija skovao je američki znanstvenik John McCarthy 1956. godine. Međutim, britanski matematičar Alan Turing Turingovim je testom prethodno postavio pitanje mogu li strojevi razmišljati poput ljudi. Prema tom kriteriju, inteligencija stroja može se procijeniti na temelju toga jesu li njegovi odgovori slični ili ih je moguće razlikovati od onih ljudskog bića.
Primjenom umjetne inteligencije u području softvera, softver može promijeniti svoje ponašanje bez da je za to posebno programiran.
Kako bi to provela, umjetna inteligencija ima duboku neuronsku mrežu (engl. deep neural network, DNN) koja analizira složene informacije, poput videozapisa, slika i skupova podataka, kako bi odlučila, otkrila i predvidjela na temelju primljenih podataka.
Sukladno prikupljenim podacima, analizom i promatranjem, sustavi umjetne inteligencije mogu otkriti obrasce, izraditi predviđanja o vjerojatnosti i raditi bez nadzora u određenim situacijama. Umjetna inteligencija primjenjuje se u mnogim područjima, poput strojnog vida i automatskog prepoznavanja govora.
Tek ćemo u budućnosti znati hoće li inovacije omogućiti novim tehnologijama da osjete, shvate i djeluju.
Najnoviji napreci u umjetnoj inteligenciji, Internetu stvari (engl. Internet of Things, IoT) i strojnom učenju omogućio je strojevima da obrađuju slike, zvuk i glas; oni analiziraju dobivene podatke, donose odluke u skladu s tim i izvode radnje u fizičkom svijetu.
Tri su čimbenika potaknula razvoj umjetne inteligencije:
- neograničen pristup kapacitetu obrade: oblak je bio pokretačka snaga podatkovne inteligencije s obzirom na njegovu fleksibilnost, elastičnost i učinkovitost, u smislu prostora za pohranu kao i brzine i sigurnosti upravljanja i kontrole podataka.
- porast podatkovne inteligencije (veliki podaci): ovdje se ne radi samo o pohranjivanju goleme količine podataka, već i o njihovom upravljanju i iskorištavanju.
- proliferacija specijaliziranog hardvera za napajanje umjetne inteligencije, kao što su GPU računarstvo, FPGA i TPU: ti su alati puno brži i napredniji kada je riječ o analizi podataka.
Jedna od premisa umjetne inteligencije je osigurati da proizvodni procesi budu sve učinkovitiji
Kako se implementira umjetna inteligencija?
Primjena umjetne inteligencije, kako u svakodnevnom životu tako i u profesionalnom svijetu, sve je zastupljeniji fenomen.
Prema studiji Gartnera – globalnog predvodnika u istraživanju tržišta i savjetovanju – usredotočenoj na oko 200 IT i poslovnih stručnjaka, 24 % ispitanih organizacija povećalo je svoja ulaganja u umjetnu inteligenciju, dok ih je 42 % zadržalo nepromijenjena od početka pandemije COVID-19.
„Ulaganje poduzeća u umjetnu inteligenciju nastavilo se nesmanjenim intenzitetom unatoč krizi”, kaže Frances Karamouzis, istaknuta potpredsjednica Analitike u Gartneru. Izvješće dodaje da 79 % ispitanika potvrđuje da su njihove organizacije istraživale ili testirale projekte umjetne inteligencije, dok je samo 21 % reklo da su njihove inicijative umjetne inteligencije u fazi proizvodnje.
Do sada je većina poduzeća ulagala u automatizaciju kako bi ojačala svoj razvoj. Unatoč tome, najnoviji napredak u umjetnoj inteligenciji naglašava činjenicu da tvrtke moraju ići dalje i iskoristiti potencijal strojne inteligencije ako se žele razlikovati od svojih konkurenata.
Faze razvoja i implementacije umjetne inteligencije
- Odabir područja primjene: Prvo napravite popis područja u kojima bi bilo moguće primijeniti ovu tehnologiju. Da biste to učinili, potrebno je identificirati stručnjaka za svaki slučaj upotrebe i provjeriti postojanje valjanih izvora podataka i KPI-jeva koji daju objektivne podatke o napretku.
- Određivanje prioriteta u pogledu područja primjene: Procijenite vrijednost koju svaki od identificiranih slučajeva ima za poslovanje, uz predviđanje mogućih poteškoća koje bi mogle nastati prilikom implementacije umjetne inteligencije. Radikalne promjene ne bi trebale biti uvedene dok se postupno ne uvedu poboljšanja postojećih procesa.
- Podjela područja primjene u skupine: Primjena bi trebala biti grupirana prema podacima koji ih opskrbljuju tako da se na njima može raditi zajedno, a ne odvojeno.
- Implementacija: Treba primjenjivati bilo koju metodologiju provedbe projekta koja upotrebljava programske jezike kao što je CRISP-DM. Ako tvrtka nema iskustva u implementaciji ove tehnologije, poželjno je raditi s partnerom koji ima tehnološku ekspertizu u ovom području.
- Procjena: Saznajte putem testnih skupova podataka poboljšava li primjena prototipa umjetne inteligencije stvarno KPI-jeve koje treba poboljšati.
- Pokretanje: Nakon što je rješenje uspješno procijenjeno, mora se pokrenuti na kontrolirani način kako bi se provjerilo odgovaraju li rezultati testa stvarnosti. Drugim riječima, potrebno je provjeriti prilagođava li se sustav podacima dobivenim iz stvarnog okruženja.
- Potpuna implementacija: Sastoji se od potpunog uvođenja sustava da bi se zatim prešlo na sljedeći skup područja primjene.
Umjetna inteligencija omogućuje istraživanje novih poslovnih prilika za postizanje daljnjeg rasta, profitabilnosti i održivosti
Primjena umjetne inteligencije u logistici
Iako se aplikacije umjetne inteligencije u logistici još razvijaju, očekuje se da će dosegnuti svoj maksimalni potencijal u sljedećih nekoliko godina. U svakom slučaju, neke prakse već su stekle uporište u sektoru:
- Predviđanje potrošačkih trendova: Umjetna inteligencija upotrebljava velike podatke u logističke svrhe: uspoređuje interne informacije, kao što su brojke o prodaji, s podacima dobivenima s foruma, društvenih medija i drugih internetskih izvora. Stoga sustav može izvesti zaključke o potrošačkim namjerama korisnika kako bi predvidio ponašanje potražnje. To služi za implementaciju anticipacijske logistike, koja izbjegava nestašice i skladištenje viška robe. To je dobar način da se smanji rasipanje resursa.
- Automatizacija skladišnih operacija: Jedan od najboljih primjera umjetne inteligencije u logistici su automatizirana skladišta. Ona kombiniraju dva temeljna sustava: automatizaciju skladišta i softver za upravljanje skladištem. Zajedno osiguravaju logistiku koja integrira kretanje transporta i skladištenja kao i operativno upravljanje. Takva podjela posla stvara obrasce tijekom vremena koji se kontinuirano analiziraju. Na taj način umjetna inteligencija pomaže optimizirati resurse i ispraviti kretanja u slučaju varijacija u tokovima.
- Izbor transportnih ruta i najučinkovitijih kretanja: Umjetna inteligencija uvelike pojednostavljuje koordinaciju logističkog transporta. S jedne strane, WMS čuva digitalni rendgenski snimak pogona tvrtke i bilježi sva intralogistička kretanja koja se događaju. Umjetna inteligencija obrađuje te podatke i organizira kretanje, uključujući kretanje samovozećih vozila koja reagiraju na okolinu i prilagođavaju svoju rutu prema potrebi, te kretanja operatera uz pomoć opreme za rukovanje. S druge strane, umjetna inteligencija također upravlja flotama za prijevoz robe, tumačeći najnovije informacije o prometu i ugrađujući ih u sustave na licu mjesta. Koristeći se tim podatcima, softver iscrtava najprikladnije rute za isporuku različitih narudžbi; također prilagođava itinerere u stvarnom vremenu ako dođe do bilo kakvih incidenata.
- Stroži nadzor nad podacima u opskrbnom lancu: Automatizacija procesa opskrbnog lanca – poboljšana umjetnom inteligencijom – otvara vrata upravljanju zalihama u stvarnom vremenu, trenutnom izdavanju narudžbi za opskrbu i točnom praćenju narudžbi, između ostalih radnji. Isto tako, integracija podataka i poboljšani sustavi sljedivosti znače da tvrtke mogu zadovoljiti potrebu korisnika da budu upućeni. Na primjer, tipično pitanje „Gdje je moja narudžba?”,koje se odnosi na paket kupljen putem prodavača e-trgovine, može se brzo i učinkovito riješiti implementacijom chatbota temeljenog na umjetnoj inteligenciji.
Pomoću umjetne inteligencije tvrtke mogu vršiti popis zaliha u stvarnom vremenu, izdavati trenutne narudžbe za nabavu i točno pratiti narudžbe
Kako Mecalux primjenjuje umjetnu inteligenciju?
Mecalux Software Solutions radi na nekoliko područja primjene kako bi dodao vrijednost Easy WMS-u, sustavu za upravljanje skladištem koji kontrolira približno 1200 objekata diljem svijeta. Ovo su neka od područja u kojima djeluje:
Poboljšano komisioniranje u skladištima e-trgovine
Jedan od izazova e-trgovine sastoji se od upravljanja velikim brojem odlaznih narudžbi. Stoga, kada je riječ o odabiru SKU-ova koji čine svaku narudžbu, iznimno je važno optimizirati rute operatera.
Primjena umjetne inteligencije omogućuje sustavu da svakom operateru daje upute za svaki pojedinačni nalog. Sustav to može učiniti kroz učenje temeljeno na povijesti. Time se postiže maksimalna učinkovitost, posebno u skladištima s intenzivnim operacijama komisioniranja kao što su objekti za e-trgovinu.
Prediktivni sustav za optimizaciju komisioniranja narudžbi
Umjetna inteligencija primijenjena na Easy WMS može biti korisna za predviđanje vremena potrebnog za pripremu novih narudžbi, na temelju analize povijesnih podataka. Glavni cilj prediktivnog sustava je unaprijed procijeniti vrijeme dodijeljeno komisioniranju prema vrsti narudžbi koje ulaze u sustav i stavki koje čine svaku od njih.
Dodatno, sustav za izvršenje operacija u skladištu (engl. warehouse execution system, WES), kao dio Easy WMS-a, može odlučiti kada i kako se narudžbe za komisioniranje puštaju operaterima, čime se osigurava kontinuirani tijek rada (usmjeravanje naloga).
Označavanje i provjera sljedivosti
Zajedno sa sustavima za prepoznavanje slike, umjetna inteligencija može pomoći u automatskom otkrivanju serijskih brojeva u procesima pakiranja. Na primjer, olakšava identifikaciju serijskih brojeva koji se odnose na oznaku izvornosti vinskih boca i pripadajućih kutija.
Sustav identificira koji predmeti označeni serijskim brojevima za oznaku izvornosti trebaju biti stavljeni na valjkasti transporter da bi se pakirali u kutije. Također prepoznaje serijske brojeve dok se kreću duž valjkastog transportera, što pomaže u pronalaženju kutije u koju je stavljena određena boca.
Primjena umjetne inteligencije u prepoznavanju slike značajno poboljšava trenutnu hardversku opremu.
Konverzacijska korisnička sučelja
Mecalux će uskoro uključiti mehanizam za pregled KPI-jeva nadzornih ploča i rezultata putem platformi kao što su e-pošta, Skype i Telegram. Prednost ovog sustava je u tome što korisnici mogu trenutno pristupiti podacima o produktivnosti skladišta s bilo kojeg mjesta u svijetu s internetskom vezom, navigirajući nadzornom pločom na agilan način.
Mecalux promiče umjetnu inteligenciju
Istina je da umjetna inteligencija čini dio Mecaluxove svakodnevice i logistike. Isto vrijedi i za ideju da je tehnologija saveznik za daljnje poboljšanje procesa opskrbnog lanca. Iz tih je razloga Mecalux proveo godine razvijajući projekte tehnoloških inovacija i primjenjujući njihove rezultate za poboljšanje upravljanja skladištem. Njegov krajnji cilj je povećati učinkovitost i profitabilnost svojih klijenata.